প্রায় অদৃশ্যকে দেখা, এছাড়াও রঙে: একটি ডিফিউজারের মাধ্যমে বস্তুগুলিকে কল্পনা করার একটি কৌশল

সুপারম্যানের সবচেয়ে বিখ্যাত ক্ষমতাগুলির মধ্যে একটি হল সুপার ভিশন, যা তাকে পরমাণুর দিকে তাকাতে, অন্ধকারে এবং অনেক দূরত্বে দেখতে এবং এমনকি বস্তুর মধ্য দিয়ে দেখতে দেয়। এই ক্ষমতা খুব কমই পর্দায় দেখানো হয়, কিন্তু এটি বিদ্যমান। আমাদের বাস্তবে, কিছু বৈজ্ঞানিক কৌশল ব্যবহার করে প্রায় সম্পূর্ণ অস্বচ্ছ বস্তুর মধ্য দিয়েও দেখা সম্ভব। যাইহোক, ফলস্বরূপ চিত্রগুলি সর্বদা কালো এবং সাদা ছিল, সম্প্রতি পর্যন্ত। আজ আমরা একটি গবেষণা দেখব যেখানে ডিউক ইউনিভার্সিটি (ইউএসএ) এর বিজ্ঞানীরা একক আলোর এক্সপোজার ব্যবহার করে একটি অস্বচ্ছ প্রাচীরের পিছনে লুকানো বস্তুর একটি রঙিন ছবি তুলতে সক্ষম হয়েছিল। এই সুপার প্রযুক্তি কি, এটি কিভাবে কাজ করে এবং কোন কোন ক্ষেত্রে এটি ব্যবহার করা যেতে পারে? গবেষণা দলের প্রতিবেদনে এ বিষয়ে জানা যাবে। যাওয়া.

গবেষণার ভিত্তি

বিক্ষিপ্ত মিডিয়াতে বস্তুর ভিজ্যুয়ালাইজ করার জন্য প্রযুক্তির সমস্ত সম্ভাব্য সুবিধা থাকা সত্ত্বেও, এই প্রযুক্তি বাস্তবায়নে বেশ কয়েকটি সমস্যা রয়েছে। প্রধানটি হল যে স্ক্যাটারারের মধ্য দিয়ে যাওয়া ফোটনের পথগুলি ব্যাপকভাবে পরিবর্তিত হয়, যা এলোমেলো প্যাটার্নের দিকে পরিচালিত করে দাগ* অন্যদিকে.

দাগ* সুসংগত তরঙ্গের পারস্পরিক হস্তক্ষেপ দ্বারা গঠিত একটি এলোমেলো হস্তক্ষেপ প্যাটার্ন যা এলোমেলো ফেজ শিফট এবং/অথবা তীব্রতার এলোমেলো সেট রয়েছে। প্রায়শই এটি অন্ধকার পটভূমিতে হালকা দাগের (বিন্দু) সেটের মতো দেখায়।

সাম্প্রতিক বছরগুলিতে, বিক্ষিপ্ত প্রভাবগুলি প্রতিরোধ করতে এবং স্পেকল প্যাটার্ন থেকে বস্তুর তথ্য বের করার জন্য বেশ কয়েকটি ইমেজিং কৌশল তৈরি করা হয়েছে। এই কৌশলগুলির সমস্যা হল তাদের সীমাবদ্ধতা - আপনার বস্তু সম্পর্কে নির্দিষ্ট জ্ঞান থাকতে হবে, বিক্ষিপ্ত মাধ্যম বা বস্তুতে অ্যাক্সেস থাকতে হবে ইত্যাদি।

একই সময়ে, বিজ্ঞানীদের মতে আরও অনেক উন্নত পদ্ধতি রয়েছে - মেমরি ইফেক্টের সাথে ভিজ্যুয়ালাইজেশন (এমই)। এই পদ্ধতিটি আপনাকে নিজের সম্পর্কে বা বিক্ষিপ্ত মাধ্যম সম্পর্কে পূর্ব জ্ঞান ছাড়াই একটি বস্তুকে কল্পনা করতে দেয়। প্রত্যেকেরই ত্রুটি রয়েছে, যেমনটি আমরা জানি, এবং ME পদ্ধতিও এর ব্যতিক্রম নয়। উচ্চ-কনট্রাস্ট স্পেকল প্যাটার্ন পেতে এবং সেই অনুযায়ী, আরও সঠিক চিত্র পেতে, আলো অবশ্যই সংকীর্ণ-ব্যান্ড হতে হবে, যেমন 1 এনএম এর কম

ME পদ্ধতির সীমাবদ্ধতাগুলিকে ছাড়িয়ে যাওয়াও সম্ভব, তবে আবার এই কৌশলগুলির মধ্যে রয়েছে অপটিক্যাল উত্স বা বস্তুকে ডিফিউজারের আগে অ্যাক্সেস করা বা সরাসরি পরিমাপ করা পিএসএফ*.

পিএসএফ* - একটি বিন্দু স্প্রেড ফাংশন যা একটি বিন্দু আলোর উত্স বা একটি বিন্দু বস্তু পর্যবেক্ষণ করার সময় ইমেজিং সিস্টেমটি যে চিত্রটি গ্রহণ করে তা বর্ণনা করে।

গবেষকরা এই পদ্ধতিগুলিকে কার্যকর বলে অভিহিত করেন, কিন্তু নিখুঁত নয়, যেহেতু PSF পরিমাপ সবসময় সম্ভব হয় না, উদাহরণস্বরূপ, স্ক্যাটারারের গতিশীলতা বা ইমেজিং পদ্ধতির আগে এর অ্যাক্সেসযোগ্যতার কারণে। অন্য কথায়, কাজ করার কিছু আছে।

তাদের কাজে, গবেষকরা একটি ভিন্ন পদ্ধতির প্রস্তাব করেন। তারা আমাদেরকে একটি মনোক্রোম ক্যামেরা দিয়ে একটি একক স্পেকল পরিমাপ ব্যবহার করে বিক্ষিপ্ত মাধ্যমে বস্তুর মাল্টিস্পেকট্রাল ইমেজিং উপলব্ধি করার একটি পদ্ধতি দেখায়। অন্যান্য কৌশলগুলির বিপরীতে, এর জন্য পিএসএফ সিস্টেম বা উত্স বর্ণালী সম্পর্কে পূর্ব জ্ঞানের প্রয়োজন হয় না।

নতুন পদ্ধতিটি 450 এনএম এবং 750 এনএম এর মধ্যে পাঁচটি ভাল-বিচ্ছিন্ন বর্ণালী চ্যানেলে লক্ষ্য বস্তুর উচ্চ-মানের চিত্র তৈরি করে, যা গণনা দ্বারা নিশ্চিত করা হয়েছিল। অনুশীলনে, এখন পর্যন্ত 450 nm এবং 650 nm এর মধ্যে তিনটি ভাল-বিচ্ছিন্ন বর্ণালী চ্যানেল এবং 515 এবং 575 nm এর মধ্যে ছয়টি সংলগ্ন বর্ণালী চ্যানেল কল্পনা করা সম্ভব হয়েছে।

নতুন পদ্ধতি কিভাবে কাজ করে

চিত্র নং 1: ল্যাম্প - স্থানিক আলো মডুলেটর - ডিফিউজার (আইরিস ডায়াফ্রাম সহ) - কোডিং অ্যাপারচার - প্রিজম - অপটিক্যাল রিলে (1:1 ভিজ্যুয়ালাইজেশন) - একরঙা ক্যামেরা৷

গবেষকরা যেকোনো ডিফিউজার ইমেজিংয়ের তিনটি মৌলিক উপাদান নোট করেন: আগ্রহের বস্তু (বাহ্যিকভাবে আলোকিত বা স্ব-উজ্জ্বল), ডিফিউজার এবং ডিটেক্টর।

স্ট্যান্ডার্ড ME সিস্টেমের মতো, এই অধ্যয়নটি এমন একটি বস্তুকে বিবেচনা করে যার কৌণিক আকার ME ফিল্ড অফ ভিউয়ের ভিতরে এবং ডিফিউজারের পিছনে একটি দূরত্বে অবস্থিত। ডিফিউজারের সাথে মিথস্ক্রিয়া করার পরে, আলো ডিটেক্টরে পৌঁছানোর আগে একটি দূরত্ব অতিক্রম করে।

প্রচলিত ME ইমেজিং স্ট্যান্ডার্ড ক্যামেরা ব্যবহার করে, কিন্তু এই পদ্ধতিতে একটি এনকোডিং অ্যাপারচার এবং একটি তরঙ্গদৈর্ঘ্য-নির্ভর অপটিক্যাল উপাদান সমন্বিত একটি এনকোডিং ডিটেক্টর মডিউল ব্যবহার করা হয়। এই উপাদানটির উদ্দেশ্য হল প্রতিটি বর্ণালী চ্যানেলকে একত্রিত করার আগে এবং তাদের একটি মনোক্রোম ডিটেক্টরে রূপান্তর করার আগে অনন্যভাবে মডিউল করা।

এইভাবে, বর্ণালী চ্যানেলগুলি অবিচ্ছিন্নভাবে মিশ্রিত কম-কনট্রাস্ট স্পেকল পরিমাপ করার পরিবর্তে, একটি বর্ণালী মাল্টিপ্লেক্সযুক্ত সংকেত রেকর্ড করা হয়েছিল, যা বিচ্ছেদের জন্য উপযুক্ত।

গবেষকরা আবার জোর দিয়েছেন যে তাদের পদ্ধতির জন্য ডিফিউজার বা আলোর উত্স সম্পর্কে কোনও পূর্ব পরিচিত বৈশিষ্ট্য বা অনুমানের প্রয়োজন নেই।

মাল্টিপ্লেক্সযুক্ত স্পেকলের প্রাথমিক পরিমাপ করার পরে, Tλ (তরঙ্গদৈর্ঘ্য-নির্ভর কোডিং প্যাটার্ন) এর পরিচিত মান প্রতিটি বর্ণালী ব্যান্ডে পৃথকভাবে স্পেকল পুনর্গঠনের জন্য ব্যবহৃত হয়েছিল।

তাদের কাজে, গণনা এবং মডেলিংয়ের পর্যায়ে, বিজ্ঞানীরা নির্দিষ্ট মেশিন লার্নিং পদ্ধতি ব্যবহার করেছেন যা পূর্বে বিবেচনা করা হয়নি এমন পদ্ধতির বাস্তবায়নে সাহায্য করতে পারে। প্রথমত, স্পেকল প্রতিনিধিত্ব করতে স্পার্স ম্যাট্রিক্স ফিচার লার্নিং ব্যবহার করা হত।

বৈশিষ্ট্য শিক্ষা* — সিস্টেমকে স্বয়ংক্রিয়ভাবে উৎস ডেটার বৈশিষ্ট্য সনাক্ত করার জন্য প্রয়োজনীয় উপস্থাপনাগুলি খুঁজে পেতে অনুমতি দেয়।

ফলাফলটি ছিল বিভিন্ন পরিমাপের কনফিগারেশন থেকে স্পেকল ইমেজের উপর প্রশিক্ষিত একটি ডাটাবেস। এই বেসটি বেশ সাধারণীকৃত এবং মুখোশ Iλx, y তৈরিতে অংশগ্রহণকারী নির্দিষ্ট বস্তু এবং বিক্ষিপ্তদের উপর নির্ভর করে না। অন্য কথায়, সিস্টেমটি একটি ডিফিউজারের উপর ভিত্তি করে প্রশিক্ষিত হয় যা পরীক্ষামূলক কনফিগারেশনে ব্যবহৃত হয় না, যেমন সিস্টেমের এটিতে অ্যাক্সেস নেই, যেমন গবেষকরা চেয়েছিলেন।

ওএমপি অ্যালগরিদমটি প্রতিটি তরঙ্গদৈর্ঘ্যে স্পেকল ইমেজ পেতে ব্যবহৃত হয়েছিল (অর্থোগোনাল ম্যাচিং সাধনা).

অবশেষে, প্রতিটি বর্ণালী চ্যানেলের স্বতঃসম্পর্ককে স্বতন্ত্রভাবে গণনা করে এবং প্রতিটি তরঙ্গদৈর্ঘ্যে স্বয়ংক্রিয় সম্পর্ককে উল্টে দিয়ে, বস্তুর চিত্রগুলি প্রাপ্ত হয়েছিল। প্রতিটি তরঙ্গদৈর্ঘ্যের ফলস্বরূপ চিত্রগুলিকে তারপর বস্তুর একটি রঙিন চিত্র তৈরি করতে একত্রিত করা হয়।

চিত্র নং 2: একটি বস্তুর একটি চিত্র রচনা করার ধাপে ধাপে প্রক্রিয়া।
এই কৌশলটি, এর নির্মাতাদের মতে, বর্ণালী চ্যানেলগুলির মধ্যে পারস্পরিক সম্পর্ক সম্পর্কে কোন অনুমান করে না এবং শুধুমাত্র অনুমান করা প্রয়োজন যে তরঙ্গদৈর্ঘ্যের মান বেশ এলোমেলো। উপরন্তু, এই পদ্ধতির জন্য শুধুমাত্র এনকোডিং ডিটেক্টর সম্পর্কে তথ্য প্রয়োজন, এনকোডিং অ্যাপারচারের প্রাক-ক্যালিব্রেশন এবং একটি প্রাক-প্রশিক্ষিত ডেটা লাইব্রেরির উপর নির্ভর করে। এই বৈশিষ্ট্যগুলি এই ইমেজিং পদ্ধতিটিকে অত্যন্ত বহুমুখী এবং অ আক্রমণাত্মক করে তোলে।

সিমুলেশন ফলাফল

প্রথমত, আসুন সিমুলেশন ফলাফল দেখুন।

ছবি #3

উপরের চিত্রটি একটি ডিফিউজারের মাধ্যমে নেওয়া দুটি বস্তুর একটি মাল্টিস্পেকট্রাল চিত্রের উদাহরণ দেখায়। উপরে সারি 3a বেশ কয়েকটি সংখ্যা সমন্বিত একটি আগ্রহের বস্তু রয়েছে, যা মিথ্যা রঙে দেখানো হয়েছে এবং বর্ণালী চ্যানেল দ্বারা বিভক্ত। একটি বস্তুকে মিথ্যা রঙে প্লট করার সময়, প্রতিটি তরঙ্গদৈর্ঘ্যের তীব্রতা প্রোফাইল CIE 1931 RGB স্পেসে প্রদর্শিত হয়।

পুনর্গঠিত বস্তু (নীচের সারি চালু 3a) উভয়ই মিথ্যা রঙে এবং পৃথক বর্ণালী চ্যানেলের পরিপ্রেক্ষিতে, দেখায় যে কৌশলটি চমৎকার ভিজ্যুয়ালাইজেশন প্রদান করে এবং বর্ণালী চ্যানেলগুলির মধ্যে শুধুমাত্র ক্ষুদ্র ক্রসস্ট্যাক প্রদান করে, যা প্রক্রিয়াটিতে বিশেষ ভূমিকা পালন করে না।

পুনর্গঠিত বস্তু প্রাপ্তির পরে, i.e. রেন্ডারিংয়ের পরে, প্রকৃত বস্তুর বর্ণালী তীব্রতা (সমস্ত উজ্জ্বল পিক্সেলের উপর গড়) এবং পুনর্গঠিত একটি (3b).

ছবিতে 3c একটি তুলার স্টেম সেলের জন্য একটি বাস্তব বস্তু (উপরের সারি) এবং একটি পুনর্গঠিত চিত্র (নীচের সারি) দেখায় এবং 3d ভিজ্যুয়ালাইজেশন নির্ভুলতার একটি বিশ্লেষণ দেখানো হয়েছে।

ইমেজিং নির্ভুলতা মূল্যায়ন করার জন্য, প্রতিটি বর্ণালী চ্যানেলের জন্য বাস্তব বস্তুর কাঠামোগত সাদৃশ্য সূচক (SSIM) মান এবং পিক সিগন্যাল-টু-নাইজ রেশিও (pSNR) গণনা করা প্রয়োজন ছিল।

উপরের টেবিলটি দেখায় যে পাঁচটি চ্যানেলের প্রতিটির একটি SSIM সহগ 0,8–0,9 এবং একটি PSNR 20-এর বেশি৷ এটি অনুসরণ করে যে স্পেকল সংকেতের কম বৈসাদৃশ্য সত্ত্বেও, 10 এনএম প্রস্থ সহ পাঁচটি বর্ণালী ব্যান্ডের সুপারপজিশন ডিটেক্টরে অধ্যয়ন করা বস্তুর স্থানিক-বর্ণালী বৈশিষ্ট্যগুলি মোটামুটি সঠিক পুনর্গঠনের অনুমতি দেয়। অন্য কথায়, কৌশলটি কাজ করে, তবে এগুলি শুধুমাত্র সিমুলেশন ফলাফল। তাদের কাজের প্রতি সম্পূর্ণ আস্থা অর্জনের জন্য, বিজ্ঞানীরা বেশ কয়েকটি ব্যবহারিক পরীক্ষা চালিয়েছিলেন।

পরীক্ষামূলক ফলাফল

সিমুলেশন এবং বাস্তব পরীক্ষার মধ্যে সবচেয়ে উল্লেখযোগ্য পার্থক্যগুলির মধ্যে একটি হল পরিবেশ, যেমন উভয় অবস্থার মধ্যে বাহিত হয়. প্রথম ক্ষেত্রে নিয়ন্ত্রিত শর্ত রয়েছে, দ্বিতীয়টিতে অপ্রত্যাশিত শর্ত রয়েছে, যেমন আমরা দেখব কিভাবে এটা যায়.

8, 12 এবং 450 nm কেন্দ্রিক 550-650 এনএম প্রস্থ সহ তিনটি বর্ণালী চ্যানেল বিবেচনা করা হয়েছিল, যেগুলি বিভিন্ন আপেক্ষিক মাত্রার সাথে একত্রিত হলে বিস্তৃত রঙ তৈরি করে।

ছবি #4

উপরের চিত্রটি বাস্তব বস্তুর (বহু রঙের "H") এবং পুনর্গঠিত বস্তুর মধ্যে একটি তুলনা দেখায়৷ আলোর এক্সপোজারের সময় (শাটার স্পিড, অর্থাৎ এক্সপোজার) 1800 সেকেন্ডে সেট করা হয়েছিল, যা 60-70 ডিবি রেঞ্জের মধ্যে একটি SNR পাওয়া সম্ভব করে তুলেছিল। এই SNR সূচক, বিজ্ঞানীদের মতে, পরীক্ষার জন্য অত্যন্ত গুরুত্বপূর্ণ নয়, তবে তাদের কৌশলটির কার্যকারিতার অতিরিক্ত নিশ্চিতকরণ হিসাবে কাজ করে, বিশেষত জটিল বস্তুর ক্ষেত্রে। বাস্তবে, এবং পরীক্ষাগারের পরিস্থিতিতে নয়, এই পদ্ধতিটি দ্রুত মাত্রার একটি আদেশ হতে পারে।

চিত্র #4 এর উপরের সারিটি প্রতিটি তরঙ্গদৈর্ঘ্যে (বাম থেকে ডানে) বস্তুটি এবং প্রকৃত পূর্ণ রঙের বস্তুটি দেখায়।

ইমেজিংয়ের ফলস্বরূপ বাস্তব বস্তুর একটি চিত্র পেতে, বর্ণালী উপাদানগুলিকে সরাসরি চিত্রিত করতে এবং ফলস্বরূপ বর্ণালী চ্যানেলগুলির সংকলন করে একটি পূর্ণ-রঙের চিত্র পেতে উপযুক্ত ব্যান্ডপাস ফিল্টার সহ একটি কম্পিউটার ভিশন ক্যামেরা ব্যবহার করা হয়েছিল।

উপরের চিত্রের দ্বিতীয় সারিটি প্রতিটি পুনর্গঠিত বর্ণালী চ্যানেলের অটোকোরিলেশন প্যাটার্ন দেখায় যা মাল্টিপ্লেক্স পরিমাপ তৈরি করে যা ডেটা প্রক্রিয়াকরণ পর্যায়ে ইনপুট।

তৃতীয় সারিটি প্রতিটি বর্ণালী চ্যানেলে পুনর্গঠিত বস্তু, সেইসাথে পুনর্গঠিত পূর্ণ-রঙের বস্তু, যেমন চূড়ান্ত ভিজ্যুয়ালাইজেশন ফলাফল।

পূর্ণ-রঙের চিত্রটি দেখায় যে বর্ণালী চ্যানেলগুলির মধ্যে আপেক্ষিক মাত্রাগুলিও সঠিক, যেহেতু সম্মিলিত পুনর্গঠিত চিত্রের রঙ বাস্তব মানের সাথে মেলে, এবং প্রতিটি চ্যানেলের জন্য SSIM সহগ 0,92-এর বেশি পৌঁছায়।

নীচের সারিটি এই বিবৃতিটি নিশ্চিত করে, বাস্তব বস্তুর তীব্রতা এবং পুনর্গঠিত একের তুলনা দেখায়। উভয়ের ডেটা সব বর্ণালী পরিসরে মিলে যায়।

এটি থেকে এটি অনুসরণ করে যে এমনকি গোলমাল এবং সম্ভাব্য মডেলিং ত্রুটির উপস্থিতিও আমাদের একটি উচ্চ-মানের চিত্র পেতে বাধা দেয়নি এবং পরীক্ষামূলক ফলাফলগুলি মডেলিংয়ের ফলাফলের সাথে ভালভাবে সম্পর্কযুক্ত।

উপরে বর্ণিত পরীক্ষাটি পৃথক বর্ণালী চ্যানেলগুলিকে বিবেচনায় নিয়ে করা হয়েছিল। বিজ্ঞানীরা অন্য একটি পরীক্ষা পরিচালনা করেছেন, কিন্তু এবার সংলগ্ন চ্যানেলগুলির সাথে, বা বরং 60 এনএম একটি অবিচ্ছিন্ন বর্ণালী পরিসীমা সহ।

ছবি #5

আসল বস্তুটি ছিল "X" অক্ষর এবং চিহ্ন "+" (5a) "X" অক্ষরের বর্ণালী তুলনামূলকভাবে অভিন্ন এবং অবিচ্ছিন্ন - 515 এবং 575 এনএম এর মধ্যে, তবে "+" এর একটি কাঠামোগত বর্ণালী রয়েছে, প্রধানত 535 এবং 575 এনএম (5b) এই পরীক্ষার জন্য, 120 dB এর কাঙ্ক্ষিত (আগের মতো) SNR অর্জনের জন্য এক্সপোজার ছিল 70 ​​সেকেন্ড।

একটি 60 এনএম প্রশস্ত ব্যান্ডপাস ফিল্টারও পুরো বস্তুর উপর ব্যবহার করা হয়েছে এবং "+" চিহ্নের উপরে একটি লো-পাস ফিল্টার। পুনর্গঠনের সময়, 60 এনএম স্পেকট্রামটি 6 ​​এনএম প্রস্থ সহ 10টি সংলগ্ন চ্যানেলে বিভক্ত হয় (5b).

আমরা ইমেজ থেকে দেখতে পারেন 5s, ফলস্বরূপ চিত্রগুলি বাস্তব বস্তুর সাথে দুর্দান্ত চুক্তিতে রয়েছে। এই পরীক্ষাটি দেখিয়েছে যে পরিমাপ করা দাগের মধ্যে বর্ণালী সম্পর্কগুলির উপস্থিতি বা অনুপস্থিতি অধ্যয়নের অধীনে ইমেজিং কৌশলটির কার্যকারিতাকে প্রভাবিত করে না। বিজ্ঞানীরা নিজেরাই বিশ্বাস করেন যে ভিজ্যুয়ালাইজেশন প্রক্রিয়ায় বা তার সাফল্যের ক্ষেত্রে অনেক বড় ভূমিকা, বস্তুর বর্ণালী বৈশিষ্ট্য দ্বারা এতটা অভিনয় করা হয় না যতটা সিস্টেমের ক্রমাঙ্কন এবং এর এনকোডিং ডিটেক্টরের বিবরণ দ্বারা।

অধ্যয়নের সূক্ষ্মতা সম্পর্কে আরও বিস্তারিত তথ্যের জন্য, আমি এটি দেখার পরামর্শ দিই বিজ্ঞানীরা রিপোর্ট করেন и অতিরিক্ত উপকরণ তাকে.

উপসংহার

এই কাজে, বিজ্ঞানীরা একটি ডিফিউজারের মাধ্যমে মাল্টিস্পেকট্রাল ইমেজিংয়ের একটি নতুন পদ্ধতি বর্ণনা করেছেন। একটি কোডিং অ্যাপারচার ব্যবহার করে তরঙ্গদৈর্ঘ্য-নির্ভর স্পেকল মডুলেশন একটি মেশিন লার্নিং-ভিত্তিক ওএমপি অ্যালগরিদম ব্যবহার করে একটি একক মাল্টিপ্লেক্স পরিমাপ এবং স্পেকল গণনা সক্ষম করেছে।

একটি উদাহরণ হিসাবে বহু রঙের অক্ষর "H" ব্যবহার করে, বিজ্ঞানীরা দেখিয়েছেন যে বেগুনি, সবুজ এবং লাল রঙের তিনটি শেডের সাথে সম্পর্কিত পাঁচটি বর্ণালী চ্যানেলের উপর ফোকাস করা একজনকে মূলের সমস্ত রঙ (নীল, হলুদ, ইত্যাদি)।

গবেষকদের মতে, তাদের কৌশল ওষুধ এবং জ্যোতির্বিদ্যা উভয় ক্ষেত্রেই কার্যকর হতে পারে। রঙ উভয় দিকেই গুরুত্বপূর্ণ তথ্য বহন করে: জ্যোতির্বিজ্ঞানে - অধ্যয়ন করা বস্তুর রাসায়নিক গঠন, ওষুধে - কোষ এবং টিস্যুগুলির আণবিক গঠন।

এই পর্যায়ে, বিজ্ঞানীরা শুধুমাত্র একটি সমস্যা নোট করেন যা ভিজ্যুয়ালাইজেশনের ভুলের কারণ হতে পারে: মডেলিং ত্রুটি। প্রক্রিয়াটি সম্পূর্ণ করতে মোটামুটি দীর্ঘ সময়ের প্রয়োজনের কারণে, পরিবেশে এমন পরিবর্তন ঘটতে পারে যা প্রস্তুতির পর্যায়ে বিবেচনায় নেওয়া হয়নি এমন সমন্বয়গুলি প্রবর্তন করবে। যাইহোক, ভবিষ্যতে আমরা এই সমস্যাটি প্রশমিত করার জন্য একটি উপায় খুঁজে বের করার পরিকল্পনা করছি, যা বর্ণিত ইমেজিং কৌশলটিকে শুধুমাত্র সঠিক নয়, যেকোনো পরিস্থিতিতে স্থিতিশীলও করে তুলবে।

শুক্রবার অফ-টপ:

পড়ার জন্য ধন্যবাদ, কৌতূহলী থাকুন, এবং একটি দুর্দান্ত সপ্তাহান্তে বন্ধুরা কাটান! 🙂

আমাদের সাথে থাকার জন্য আপনাকে ধন্যবাদ. আপনি আমাদের নিবন্ধ পছন্দ করেন? আরো আকর্ষণীয় বিষয়বস্তু দেখতে চান? অর্ডার দিয়ে বা বন্ধুদের সুপারিশ করে আমাদের সমর্থন করুন, এন্ট্রি-লেভেল সার্ভারের একটি অনন্য অ্যানালগ-এ Habr ব্যবহারকারীদের জন্য 30% ছাড়, যা আপনার জন্য আমাদের দ্বারা উদ্ভাবিত হয়েছে: VPS (KVM) E5-2650 v4 (6 কোর) 10GB DDR4 240GB SSD 1Gbps থেকে $20 বা কিভাবে একটি সার্ভার শেয়ার করবেন সম্পর্কে সম্পূর্ণ সত্য? (RAID1 এবং RAID10 এর সাথে উপলব্ধ, 24 কোর পর্যন্ত এবং 40GB DDR4 পর্যন্ত)।

Dell R730xd 2 গুণ সস্তা? শুধু এখানে 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 টিভি $199 থেকে নেদারল্যান্ডে! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 থেকে! সম্পর্কে পড়ুন কিভাবে ইনফ্রাস্ট্রাকচার কর্পোরেশন তৈরি করা যায়। এক পয়সার জন্য 730 ইউরো মূল্যের Dell R5xd E2650-4 v9000 সার্ভার ব্যবহার করে ক্লাস?

উত্স: www.habr.com