Näha peaaegu nähtamatut, veel ka värviliselt: objektide visualiseerimise meetod difuusori kaudu

Üks Supermani kuulsamaid võimeid on supernägemine, mis võimaldab tal näha aatomeid, vaadata pimeduses ja silma kaugustesse, samuti näha läbi esemete. Seda võimet näidatakse ekraanidel harva, kuid see on olemas. Meie maailmas on võimalik näha läbi peaaegu täielikult mittetäielike objektide, kasutades teatud teaduslikke trikke. Siiski on tehtud pildid alati olnud must-valged, kuni hiljuti. Täna tutvume uuringuga, kus Duke'i ülikooli (USA) teadlased suutsid teha värvilise pildi objektidest, mis on varjatud mittetäieliku seina taha, kasutades ühekordset valguse mõju. Mis see supertehnoloogia on, kuidas see töötab ja millistes valdkondades seda saab kasutada? Sellest räägib meile teadusgrupi ettekande põhjal. Alustame.

Uuringu alus

Vaatamata kõigile võimalikele "eelistele" objektide visualiseerimise tehnoloogias hajutavates keskkondades, on selle tehnoloogia rakendamisel mitmeid probleeme. Peamine on see, et fotonite teed, mis läbivad hajuti, muutuvad oluliselt, mis toob kaasa juhuslikud mustrid. speklid* teisel poolel.

Spekl* on juhuslik interferentsimuster, mis moodustub koherentses lainete vastastikusel interferentsil, millel on juhuslikud faasisihid ja/ või juhuslik intensiivsuse kombinatsioon. Enamasti näeb see välja nagu helede täppide (punktide) kogum tumedal taustal.

Viimastel aastatel on välja töötatud mitmeid visualiseerimismeetodeid, mis võimaldavad vältida hajutaja efekte ja välja tuua objekti teavet spekli mustrist. Nende meetodite probleemiks on nende piiratus — on vaja olnud teatud teadmisi objektist, juurdepääsu hajutavale keskkonnale või objektile jne.

Samas on olemas palju täiustatud meetod, mille kohaselt on teadlased, milleks on mälu efektiga visualiseerimine (ME). See meetod võimaldab visualiseerida objekti ilma eelnevate teadmisteta selle kohta või hajutava keskkonna kohta. Kõigil meetoditel, nagu me teame, on puudusi, ja ME-meetod ei ole erand. Kõrge kontrasti spekliliste mustrite ja seega täpsemate piltide saamiseks peab valgustus olema kitsas, st alla 1 nm.

ME-meetodi piiranguid on võimalik petta, kuid jällegi, need trikid on seotud juurdepääsuga optilisele allikale või objektile enne hajutit või otse mõõtmisega. PSF*.

PSF* — punktide hajumise funktsioon, mis kirjeldab kujutist, mille süsteem genereerib, kui vaatleb punktallikat või punktobjekti.

Uurijad nimetavad neid meetodeid töötavateks, kuid mitte täiuslikeks, kuna PSF mõõtmine ei ole alati võimalik, näiteks hajuti dünaamilisuse või selle kättesaamatuse tõttu enne visualiseerimise protseduuri. Teisisõnu, on veel millega töötada.

Oma töös pakuvad uurijad teistsugust lähenemist. Nad demonstreerivad meedet, kuidas rakendada multispektrilist visualiseerimist objektide kaudu hajutava media kaudu, kasutades ühe spekli mõõtmist monokroomses kaameras. Erinevalt teistest meetoditest ei nõua see eelnevaid teadmisi PSF süsteemist või allika spektrist.

Uus meetod võimaldab luua kvaliteetseid kujutisi sihtobjekti viis hästi eristatud spektraalses kanalites vahemikus 450 nm kuni 750 nm, mis on kinnitatud arvutuste abil. Praktikas on seni õnnestunud visualiseerida kolme hästi eristatud spektraalkanalit vahemikus 450 nm kuni 650 nm ja kuut naabruses asuvat spektraalkanalit vahemikus 515 kuni 575 nm.

Uue meetodi tööpõhimõte

Kujutis nr 1: lamp — ruumiline valguse modulaator — hajuti (iiris ava) — kodeeriv apertuur — prism — optiline relee (1:1 visualiseerimine) — monokroomne kaamera.

Uurijad toovad esile kolm põhielementi igasuguses visualiseerimises läbi hajuti: huviobjekt (valgustatud väljastpoolt või iseseisvalt särav), hajuti ja detektor.

Nagu standardsetes ME süsteemides, uurib ka see uuring objekti, mille nurkade suurus asub ME vaateväljas ja vahemaa u hajutist. Pärast hajutiga kokkupuudet levib valgus vahemaa v, enne kui see tabab detektorit.

Tavaline ME-visualiseerimine kasutab standardkaameraid, kuid selles meetodis kasutatakse lainepikkusest sõltuvat koodija tuvastaja moodulit, mis koosneb koodimisava ja optilisest elemendist. Selle elemendi eesmärk on iga spektraalkanali unikaalne modulaatsioon enne nende ühendamist ja muundamist monokroomse detektori sees.

Seega, selle asemel, et lihtsalt mõõta madala kontrastsusega spekklit, mille spektraalkanaleid on lahutamatult segatud, salvestati spektraalselt multiplexeritud signaal, mis sobib hästi eraldamiseks.

Uurijad rõhutavad veel kord, et nende meetod ei nõua eelnevalt teadaolevaid omadusi või eeldusi hajutaja või valgusallika kohta.

Pärast multiplexeritud spekli eelnevaid mõõtmisi kasutati teadaolevat väärtust Tλ (lainetepikkusest sõltuv kodeerimismuster) spekli individuaalseks rekonstrueerimiseks igas spektraalses ribas.

Oma töös arvutuste ja modelleerimise etapis kasutasid teadlased teatud masinõppe meetodeid, mis saavad aidata teostada varem käsitlemata meetodit. Esiteks kasutati haruldaste maatriksite omaduste õppimist spekli esitlemiseks.

Omaduste õppimine* — võimaldab süsteemil automaatselt leida esitlusi, mis on vajalikud algandmete omaduste tuvastamiseks.

Tulemusena saadi baas, mis oli koolitatud spekli-piltide põhjal erinevatest mõõtmise konfiguratsioonidest. See baas on piisavalt üldine ja ei sõltu konkreetsetest objektidest ja hajutajatest, mis osalevad Iλx, y maski genereerimises. Teisisõnu, süsteem õpib hajutaja põhjal, mida ei kasutata eksperimentaalses konfiguratsioonis, st süsteemil ei ole sellele juurdepääsu, nagu teadlased soovisid.

Iga lainepikkuse spekli-piltide saamiseks kasutati OMP algoritmi (ortoogonalne vastavusotsing).

Lõppkokkuvõttes, arvutades iga spektraalkanali autokorrelatsiooni sõltumatult ja inversioonides autokorrelatsiooni igal lainepikkusel, saadi objekti pildid. Iga lainepikkuse pildid liidetakse seejärel värvilise objekti pildi loomiseks.

Pilt nr 2: etapid objekti pika koostamisel.
Selle meetodi järgi, nagu ütlevad selle loojad, ei tee see mingeid oletusi spektraalsete kanalite vaheliste seoste kohta ning nõuab vaid oletust, et lainepikkuse väärtus on piisavalt juhuslik. Lisaks sellele nõuab see meetod ainult teavet kodeeriva detektori kohta, tuginedes kodeerimise avause eelnevale kalibreerimisele ja eelnevalt koolitatud andmebibliotekile. Sellised omadused teevad selle visualiseerimismeetodi äärmiselt universaalseks ja mitteinvasiivseks.

Modelleerimise tulemused

Alustame modelleerimise tulemuste vaatamisest.

Pilt nr 3

Ülaltoodud pildil on näidatud mitmespektrilise pildi näiteid kahe objekti kohta, mis on tehtud läbi hajuti. Ülemises reas on 3a objekt, mis koosneb mitmetest arvudest, esitatud nii vale värviga kui ka spektraalse kanali jaotuse kaudu. Vale värvi loomisel kuvatakse iga lainepikkuse intensiivsuse profiil CIE 1931 RGB ruumis.

Rekonstrueeritud objekt (madalam rida 3a) nii vale värviga kui ka erinevate spektraalsete kanalite vaatenurgast näitab, et meetod tagab suurepärase visualiseerimise ja vaid vähese ristmõjuga spektraalsete kanalite vahel, mis mängib protsessis vähe olulist rolli.

Pärast rekonstrueeritud objekti saamist, st pärast visualiseerimist, oli vajalik hinnata täpsuse taset, võrreldes spektraalset intensiivsust (kõigi heledate pikselite keskmist) päris objekti ja rekonstrueeritud objekti vahel (3b).

Piltidel 3c näidatakse päris objekti (ülemine rida) ja rekonstrueeritud pilti (madalam rida) puuvilla varre rakkudest, ning pildil 3d on esitatud visualiseerimise täpsuse analüüs.

Visualiseerimise täpsuse hindamiseks oli vajalik arvutada struktuurse sarnasuse koefitsiendi (SSIM) ja signaali ja müra tippude suhte (pSNR) väärtused päris objekti jaoks igas spektraalses kanalis.

Ülaltoodud tabel näitab, et igal viiel kanalis on SSIM koefitsient vahemikus 0,8–0,9 ja PSNR üle 20. Seetõttu võib järeldada, et hoolimata spekli signaali madalast kontrastist, võimaldab viie 10 nm laiuselt spektririba detektorite üksteise peale asetamine päris täpselt rekonstrueerida uuritava objekti ruumilisi ja spektraalseid omadusi. Teisisõnu, meetod töötab, kuid need on vaid modelleerimistulemused. Täiendava kindluse saavutamiseks viidi teadlaste poolt läbi mitmeid praktilisi katseid.

Eksperimentide tulemused

Üks olulisemaid erinevusi modelleerimise ja tegelike katsete vahel on keskkond ehk tingimused, milles kumbki teostatakse. Esimesel juhul on tingimused kontrollitud, teisel juhul ettearvamatud, s.t. nagu jumal juhatab.

Uuriti kolme spektrikanalit laiusega 8-12 nm, mille keskpunktid on vastavalt 450, 550 ja 650 nm, mis koos erinevate suhteliste väärtustega genereerivad laia värvide spektrit.

Pilt nr 4

Ülaltoodud pildil on kujutatud võrdlust tegeliku objekti (värviline täht "H") ja rekonstrueeritud objekti vahel. Valguse kokkupuute aeg (kokkupuude, s.t. ekspositsioon) oli seatud 1800 sekundi peale, mis võimaldas saavutada SNR vahemikus 60-70 dB. Teadlaste sõnul ei ole selline SNR indikaator eksperimendi jaoks äärmiselt oluline, kuid see kinnitab meeleheite kaudu nende meetodi toimimist, eriti keerukate objektide puhul. Tegelikkuses, mitte laboritingimustes, võib see meetod olla mitme korra kiirem.

Pildi nr 4 ülemises reas on näidatud objekt igal lainepikkusel (vasakult paremale) ja tegelik täisvärviline objekt.

Reaalobjekti visualiseerimiseks kasutati masinavaate kaamerat koos vastavate ribafiltritega spektrikomponentide vahetu kuvamise ja täisvärvilise pildi saamiseks, summeerides saadud spektrikanaleid.

Ülemise pildi teine rida näitab iga rekonstrueeritud spektrikanali autokorelatsioonimustreid, mis moodustavad multiplexeritud mõõtmised, mis on andmetöötluse etapi sisendid.

Kolmas rida on rekonstrueeritud objekt igas spektraalkanalis ning samuti rekonstrueeritud täisvärviline objekt, st visualiseerimise lõpptulemus.

Täisvärviline pilt näitab, et spektraalkanalite vahelised suhtelised väärtused on samuti õiged, kuna rekonstrueeritud pildi värv vastab tegelikule väärtusele ning SSIM-i koefitsient ületab iga kanali jaoks 0,92.

Kõige alumine rida kinnitab antud väidet, demonstreerides reaalse objekti ja rekonstrueeritud objekti intensiivsuse võrdlust. Andmed kattuvad kõigis spektraalsetes vahemikes.

Seega järeldub, et isegi müra ja potentsiaalsete mudelivigade olemasolu ei takistanud kvaliteetse pildi saamist ning katsete tulemused langevad hästi kokku modelleerimise tulemustega.

Ülaltoodud katse viidi läbi, arvestades eralduvaid spektraalkanale. Teadlased viisid läbi veel ühe katse, kuid juba külgnevate kanalitega, täpsemalt järkjärgulise spektraalse vahemikuga 60 nm.

Pilt nr 5

Reaalse objektina kasutasime tähti «X» ja märki «+» (5а). Tähe «X» spekter on suhteliselt ühtlane ja katkematu — vahemikus 515 kuni 575 nm, kuid «+» omab struktureeritud spektrit, mis paikneb peamiselt vahemikus 535 kuni 575 nm (5b). Selle katse jaoks oli eksponeerimise aeg 120 s, et saavutada soovitud (nagu varem) SNR 70 dB.

Kasutati ka 60 nm laiust ribafilterit kogu objekti kohal ja madalpääsufilterit märgi «+» kohal. Rekonstruktsiooni käigus jaguneb 60 nm spekter 6 külgneva kanali vahel, igaühe laius on 10 nm (5b).

Nagu näeme piltidelt 5с, saadud pildid klappivad suurepäraselt reaalse objektiga. See katse näitas, et spektraalsete korrelatsioonide olemasolu või puudumine mõõdetud spekli sees ei mõjuta uuritava visualiseerimismeetodi efektiivsust. Teadlased usuvad, et visualiseerimise protsessis, täpsemalt selle eduka toimetamise korral, mängib palju olulisemat rolli mitte niivõrd objekti spektraalsed omadused, kuivõrd süsteemi kalibreerimine ja selle kodeeriva detektori detailide kvaliteet.

Süvitsi minekuks uurimise nüanssidega soovitan tutvuda teadlaste raportiga ja täiendavate materjalidega selle juurde.

Epilog

Selles töös on teadlased kirjeldanud uut meetodit multispektrilise visualiseerimise jaoks hajutaja kaudu. Speckli, mis sõltub lainepikkusest, modulaatoriga, võimaldas teostada ühe mitme kanaliga mõõtmise ja arvutada speckli masinõppe põhjal OMP-algoritmiga.

Mitmevärvilise tähe «H» näitel näitasid teadlased, et fookustamine viiele spektrikanalile, mis vastavad violetsele, rohelisele ja kolmele punase tooni, võimaldab saada pildi rekonstrueerimise, mis sisaldab kõiki originaali värve (sinine, kollane jne).

Teadlaste sõnul võib nende meetod olla kasulik nii meditsiinis kui ka astronoomias. Värv kannab endas olulist teavet mõlemas suunas: astronoomias - uuritavate objektide keemiline koostis, meditsiinis - rakkude ja kudede molekulaarne koostis.

Praeguses etapis märkavad teadlased vaid üht probleemi, mis võib põhjustada visualiseerimise ebatäpsusi, nimelt modelleerimise vead. Arvestades, et protsessi teostamiseks on vajalik piisavalt pikk aeg, võivad tekkida muutused keskkonnas, mis hakkavad mõjutama ettevalmistamise etapis mittearvestatud aspekte. Siiski on tulevikus plaanis leida viis selle probleemi leevendamiseks, mis võimaldab muuta kirjeldatud visualiseerimismeetodi mitte ainult täpseks, vaid ka stabiilseks igasugustes tingimustes.

Reede off-topic:

Aitäh tähelepanu eest, jääge uudishimulisteks ja toredat nädalavahetust, sõbrad! 🙂

Aitäh, et olete meiega. Kas teile meeldivad meie artiklid? Kas soovite näha rohkem huvitavat sisu? Toetage meid tellimuse esitamise või tuttavatele soovitamisega, 30% allahindlus Habr'i kasutajatele ainulaadsele sissetuleku tasemel serverile, mille oleme teie jaoks välja mõelnud: Kogu tõde VPS (KVM) E5-2650 v4 (6 tuuma) 10GB DDR4 240GB SSD 1Gbps alates $20 või kuidas õigesti serverit jagada? (saadaval RAID1 ja RAID10 variandid, kuni 24 tuuma ja kuni 40GB DDR4).

Dell R730xd kaks korda odavam? Ainult meie juures 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TB alates $199 Hollandis! Dell R420 — 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB — alates $99! Lugege sellest Kuidas luua ettevõtte tasemel infrastruktuuri, kasutades Dell R730xd E5-2650 v4 servereid, mille hind on 9000 eurot, taskukohase hinna eest?

Allikas: habr.com