Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39649Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Παναγόπουλος, Διονύσιος Παναγιώτης | el |
| dc.date.accessioned | 2025-11-28T08:42:37Z | - |
| dc.date.available | 2025-11-28T08:42:37Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39649 | - |
| dc.rights | Attribution-NonCommercial 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/3.0/us/ | * |
| dc.subject | MA-XRF, Ανάλυση Μεγάλων Δεδομένων, Μηχανική Μάθηση, PCA, NMF, K-Means, Συσταδοποίηση, Υπερφασματική Απεικόνιση, Πολιτιστική Κληρονομιά, Ανάλυση Εικόνων. | el |
| dc.subject | MA-XRF, Big Data Analysis, Machine Learning, PCA, NMF, K-Means, Clustering, Hyperspectral Imaging, Cultural Heritage, Icon Analysis. | en |
| dc.title | Ανάλυση μεγάλων δεδομένων κατά τη μελέτη Θρησκευτικών Φορητών Εικόνων με Απεικονιστική Φασματοσκοπία Φθορισμού Ακτίνων-Χ | el |
| dc.title | Big data analysis in the study of religious portable icons USING X-RAY fluorescence imaging spectroscopy | en |
| dc.type | masterThesis | en |
| heal.type | bachelorThesis | el |
| heal.type.en | Bachelor thesis | en |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| heal.dateAvailable | 2025-11-28T08:43:37Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2025-10-01 | - |
| heal.abstract | Η παρούσα μελέτη αντιμετωπίζει την πρόκληση της ανάλυσης των πολύπλοκων, υψηλής διαστατικότητας δεδομένων που προκύπτουν από τη Φασματοσκοπία Απεικόνισης Φθορισμού Ακτίνων-Χ (MA-XRF) σε θρησκευτικές φορητές εικόνες. Για τον σκοπό αυτό, αναπτύχθηκε ένα εξειδικευμένο λογισμικό και μια ολοκληρωμένη χημειομετρική μεθοδολογία. Η κεντρική προσέγγιση βασίζεται σε μια υβριδική στρατηγική Ανάλυσης Κύριων Συνιστωσών και Μη-Αρνητικής Παραγοντοποίησης Πινάκων (NMF-PCA) για την αποτελεσματική μείωση της διαστατικότητας και την εξαγωγή φυσικά ερμηνεύσιμων φασματικών υπογραφών. Τα αποτελέσματα αυτά τροφοδοτούν τον αλγόριθμο συσταδοποίησης K-Means (DBScan, TSNE, Spectral, GMM) για την παραγωγή θεματικών χαρτών στοιχείων υψηλής ευκρίνειας. Η μεθοδολογία εφαρμόστηκε επιτυχώς σε βυζαντινές και μεταβυζαντινές εικόνες, επιτυγχάνοντας έναν ανώτερο διαχωρισμό των υλικών της παλέτας, συμπεριλαμβανομένου του υποστρώματος gesso, των γήινων χρωστικών, του κιννάβαρι, του λευκού του μολύβδου και της επιχρύσωσης. Επιπλέον, η δυνατότητα ιεραρχικής ανάλυσης (sub-clustering) σε περιοχές ενδιαφέροντος επέτρεψε την αποκάλυψη της καλλιτεχνικής τεχνικής, αναδεικνύοντας τη λεπτομερή στρωματογραφία των υλικών (π.χ. προπλασμός, φωτίσματα, σκιές) και τις μεμονωμένες πινελιές. Η εργασία αυτή καταδεικνύει ότι ο συνδυασμός MA-XRF με προηγμένες, μη-επιβλεπόμενες μεθόδους μηχανικής μάθησης αποτελεί ένα πανίσχυρο εργαλείο για την εις βάθος, μη-καταστροφική μελέτη της υλικής ιστορίας και τεχνολογίας των πολιτιστικών αγαθών. | el |
| heal.abstract | This study addresses the challenge of analyzing complex, high-dimensional data generated by Macro X-ray Fluorescence (MA-XRF) imaging of religious portable icons. For this purpose, a specialized software and an integrated chemometric methodology were developed. The core approach is based on a hybrid Principal Component Analysis and Non-negative Matrix Factorization (NMF-PCA) strategy for effective dimensionality reduction and the extraction of physically interpretable spectral signatures. These results are then used as input into the K-Means (DBScan, TSNE, Spectral, GMM) clustering algorithm to generate high-definition elemental distribution maps. The methodology was successfully applied to Byzantine and post-Byzantine icons, achieving superior separation of palette materials, including the gesso ground, earth pigments, vermilion, lead white, and gilding. Furthermore, the capability of hierarchical analysis (sub-clustering) on regions of interest allowed for the revelation of the artistic technique, highlighting the detailed stratigraphy of materials (e.g., proplasmos, highlights, shadows) and individual brushstrokes. This work demonstrates that the combination of MA-XRF with advanced unsupervised machine learning methods constitutes a powerful tool for the in-depth, non-destructive study of the material history and technology of cultural heritage objects. | en |
| heal.advisorName | Αναγνωστόπουλος, Δημήτριος | el |
| heal.committeeMemberName | Παπαγεωργίου, Δημήτριος | el |
| heal.committeeMemberName | Τζίμα, Αναστασία | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Επιστήμης Υλικών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 270 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΕΥ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MSC_ΜΕΤΑΠΤΥΧΙΑΚΗ_ΕΡΓΑΣΙΑ_ΠΑΝΑΓΟΠΟΥΛΟΥ.pdf | 23.67 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
