یکی از معروفترین تواناییهای سوپرمن، دید فوقالعاده است که به او اجازه میداد به اتمها نگاه کند، در تاریکی و در فواصل دور ببیند و حتی از میان اجسام ببیند. این توانایی بسیار به ندرت بر روی صفحه نمایش نشان داده می شود، اما وجود دارد. در واقعیت ما، دیدن اجسام تقریباً کاملاً مات با استفاده از برخی ترفندهای علمی نیز امکان پذیر است. با این حال، تا همین اواخر، تصاویر به دست آمده همیشه سیاه و سفید بودند. امروز ما به مطالعه ای نگاه خواهیم کرد که در آن دانشمندان دانشگاه دوک (ایالات متحده آمریکا) توانستند با استفاده از یک نوردهی یک عکس رنگی از اجسام پنهان شده در پشت یک دیوار مات بگیرند. این فناوری فوق العاده چیست، چگونه کار می کند و در چه زمینه هایی می توان از آن استفاده کرد؟ گزارش گروه پژوهشی در این باره به ما خواهد گفت. برو
مبنای تحقیق
علیرغم تمام مزایای احتمالی فناوری برای تجسم اشیا در رسانه های پراکنده، تعدادی از مشکلات در پیاده سازی این فناوری وجود دارد. نکته اصلی این واقعیت است که مسیرهای فوتون هایی که از پراکنده عبور می کنند به شدت تغییر می کند، که منجر به الگوهای تصادفی می شود. لکه ها* از طرف دیگر.
لکه* یک الگوی تداخل تصادفی است که توسط تداخل متقابل امواج همدوس که دارای تغییرات فاز تصادفی و/یا مجموعهای تصادفی از شدت هستند، ایجاد میشود. اغلب به نظر می رسد مجموعه ای از نقاط روشن (نقطه) در پس زمینه تاریک است.
در سال های اخیر، چندین تکنیک تصویربرداری برای دور زدن اثرات پراکنده و استخراج اطلاعات شی از الگوی لکه ایجاد شده است. مشکل این تکنیکها محدودیتهای آنها است - شما باید دانش خاصی در مورد جسم داشته باشید، به رسانه یا شیء پراکنده دسترسی داشته باشید و غیره.
در عین حال، به گفته دانشمندان، روش بسیار پیشرفته تری وجود دارد - تجسم با اثر حافظه (ME). این روش به شما امکان می دهد یک شی را بدون آگاهی قبلی در مورد خودش یا محیط پراکنده تجسم کنید. همانطور که می دانیم همه کاستی هایی دارند و روش ME نیز از این قاعده مستثنی نیست. برای به دست آوردن الگوهای لکه ای با کنتراست بالا و بر این اساس، تصاویر دقیق تر، نورپردازی باید باند باریک باشد، یعنی. کمتر از 1 نانومتر
همچنین میتوان از محدودیتهای روش ME غلبه کرد، اما باز هم این ترفندها شامل دسترسی به منبع نوری یا شی قبل از پخشکننده یا اندازهگیری مستقیم است. PSF*.
PSF* - یک تابع پخش نقطه ای که تصویری را که سیستم تصویربرداری هنگام مشاهده یک منبع نور نقطه ای یا یک جسم نقطه ای دریافت می کند، توصیف می کند.
محققان این روش ها را قابل اجرا می نامند، اما بی نقص نیستند، زیرا اندازه گیری PSF همیشه ممکن نیست، به عنوان مثال، به دلیل پویایی پراکنده یا غیرقابل دسترس بودن آن قبل از روش تصویربرداری. به عبارت دیگر، چیزی برای کار کردن وجود دارد.
محققان در کار خود رویکرد متفاوتی را پیشنهاد می کنند. آنها روشی را به ما نشان میدهند که تصویربرداری چندطیفی از اشیاء را از طریق یک محیط پراکنده با استفاده از یک اندازهگیری لکه با یک دوربین تک رنگ نشان میدهد. برخلاف سایر تکنیک ها، این نیازی به دانش قبلی در مورد سیستم PSF یا طیف منبع ندارد.
روش جدید تصاویر با کیفیتی از شی مورد نظر در پنج کانال طیفی به خوبی از هم جدا شده بین 450 تا 750 نانومتر تولید می کند که با محاسبات تایید شد. در عمل، تاکنون امکان تجسم سه کانال طیفی به خوبی جدا شده بین 450 نانومتر و 650 نانومتر و شش کانال طیفی مجاور بین 515 تا 575 نانومتر وجود داشته است.
روش جدید چگونه کار می کند
تصویر شماره 1: لامپ - مدولاتور نور فضایی - دیفیوزر (با دیافراگم عنبیه) - دیافراگم کدگذاری - منشور - رله نوری (تجسم 1:1) - دوربین تک رنگ.
محققان به سه عنصر اساسی هر تصویربرداری دیفیوزر اشاره می کنند: شی مورد نظر (با نور بیرونی یا خود نورانی)، دیفیوزر و آشکارساز.
همانطور که در سیستم های استاندارد ME، این مطالعه جسمی را در نظر می گیرد که اندازه زاویه ای آن در داخل میدان دید ME و در فاصله u پشت دیفیوزر قرار دارد. نور پس از برهمکنش با دیفیوزر، مسافت v را پیش از رسیدن به آشکارساز طی می کند.
تصویربرداری ME معمولی از دوربینهای استاندارد استفاده میکند، اما این روش از یک ماژول آشکارساز رمزگذاری متشکل از یک دیافراگم رمزگذاری و یک عنصر نوری وابسته به طول موج استفاده میکند. هدف این عنصر تعدیل منحصر به فرد هر کانال طیفی قبل از ترکیب آنها و تبدیل آنها به آشکارساز تک رنگ است.
بنابراین، به جای اندازهگیری ساده لکههای کم کنتراست که کانالهای طیفی آنها به طور جدانشدنی مخلوط شدهاند، یک سیگنال چندگانه طیفی ثبت شد که برای جداسازی مناسب است.
محققان بار دیگر تاکید می کنند که روش آنها به هیچ ویژگی یا فرضیات از پیش شناخته شده ای در مورد پخش کننده یا منبع نور نیاز ندارد.
پس از انجام اندازهگیریهای اولیه لکه چندگانه، از مقدار شناخته شده Tλ (الگوی کدگذاری وابسته به طول موج) برای بازسازی جداگانه لکه در هر باند طیفی استفاده شد.
در کار خود، در مرحله محاسبات و مدلسازی، دانشمندان از روشهای یادگیری ماشین خاصی استفاده کردند که میتواند به اجرای روشی که قبلاً در نظر گرفته نشده بود کمک کند. ابتدا، یادگیری ویژگی ماتریس پراکنده برای نشان دادن لکه استفاده شد.
یادگیری ویژگی* - به سیستم اجازه می دهد تا به طور خودکار نمایش های لازم برای شناسایی ویژگی های داده های منبع را پیدا کند.
نتیجه یک پایگاه داده بود که بر روی تصاویر لکه ای از پیکربندی های مختلف اندازه گیری آموزش داده شده بود. این پایه کاملاً تعمیم یافته است و به اشیاء و پراکنده های خاصی که در تولید ماسک Iλx, y شرکت می کنند بستگی ندارد. به عبارت دیگر، سیستم بر اساس یک دیفیوزر آموزش داده می شود که در پیکربندی آزمایشی استفاده نمی شود، یعنی. همانطور که محققان می خواستند سیستم به آن دسترسی ندارد.
الگوریتم OMP برای به دست آوردن تصاویر لکه ای در هر طول موج (تعقیب تطبیق متعامد).
در نهایت با محاسبه خودهمبستگی هر کانال طیفی به طور مستقل و معکوس کردن خودهمبستگی در هر طول موج، تصاویری از جسم به دست آمد. سپس تصاویر به دست آمده در هر طول موج برای ایجاد یک تصویر رنگی از شیء ترکیب می شوند.
تصویر شماره 2: فرآیند گام به گام ساختن تصویر یک شی.
این تکنیک، به گفته سازندگان آن، هیچ فرضی در مورد همبستگی بین کانال های طیفی ایجاد نمی کند و فقط به این فرض نیاز دارد که مقدار طول موج کاملاً تصادفی است. علاوه بر این، این روش تنها به اطلاعات مربوط به آشکارساز رمزگذاری، با تکیه بر پیش کالیبراسیون دیافراگم رمزگذاری و یک کتابخانه داده از پیش آموزش دیده نیاز دارد. این ویژگی ها این روش تصویربرداری را بسیار متنوع و غیر تهاجمی می کند.
نتایج شبیه سازی
ابتدا به نتایج شبیه سازی نگاه می کنیم.
تصویر شماره 3
تصویر بالا نمونه هایی از یک تصویر چندطیفی از دو جسم را نشان می دهد که از طریق یک دیفیوزر گرفته شده است. ردیف بالا روشن است 3a شامل یک شی مورد علاقه متشکل از چندین عدد است که هم با رنگ کاذب نشان داده شده و هم با کانال طیفی تجزیه می شود. هنگام ترسیم یک شی با رنگ کاذب، مشخصات شدت هر طول موج در فضای CIE 1931 RGB نمایش داده می شود.
شی بازسازی شده (ردیف پایین روشن است 3a) هم در رنگ کاذب و هم از نظر کانال های طیفی منفرد، نشان می دهد که این تکنیک تجسم عالی و فقط تداخل جزئی بین کانال های طیفی را ارائه می دهد که نقش خاصی در این فرآیند بازی نمی کند.
پس از دریافت شی بازسازی شده، یعنی. پس از رندر، لازم بود درجه دقت را با مقایسه شدت طیفی (میانگین روی تمام پیکسل های روشن) شی واقعی و بازسازی شده ارزیابی کنیم.3b).
در تصاویر 3c یک شی واقعی (ردیف بالا) و یک تصویر بازسازی شده (ردیف پایین) برای یک سلول بنیادی پنبه ای را نشان می دهد و در 3d تجزیه و تحلیل دقت تجسم نشان داده شده است.
برای ارزیابی دقت تصویربرداری، لازم بود مقادیر شاخص تشابه ساختاری (SSIM) و نسبت سیگنال به نویز پیک (pSNR) شی واقعی برای هر کانال طیفی محاسبه شود.
جدول بالا نشان می دهد که هر یک از پنج کانال دارای ضریب SSIM 0,8-0,9 و PSNR بیش از 20 است. نتیجه این است که علیرغم کنتراست کم سیگنال نقطه، برهم نهی پنج باند طیفی با عرض 10 نانومتر روی آشکارساز امکان بازسازی نسبتاً دقیق خواص فضایی-طیفی شی مورد مطالعه را فراهم می کند. به عبارت دیگر، این تکنیک کار می کند، اما اینها فقط نتایج شبیه سازی هستند. برای به دست آوردن اطمینان کامل در کار خود، دانشمندان یک سری آزمایش های عملی انجام دادند.
نتایج تجربی
یکی از مهم ترین تفاوت های بین شبیه سازی و آزمایش های واقعی، محیط است، یعنی. شرایطی که هر دو در آن انجام می شود. در مورد اول شرایط کنترل شده وجود دارد، در مورد دوم شرایط غیرقابل پیش بینی وجود دارد، یعنی. خواهیم دید که چگونه پیش می رود
سه کانال طیفی با عرض 8 تا 12 نانومتر با محوریت 450، 550 و 650 نانومتر در نظر گرفته شد که وقتی با بزرگیهای نسبی مختلف ترکیب میشوند، طیف وسیعی از رنگها را ایجاد میکنند.
تصویر شماره 4
تصویر بالا مقایسه ای بین شی واقعی (H چند رنگ) و بازسازی شده را نشان می دهد. زمان قرار گرفتن در معرض نور (سرعت شاتر، یعنی نوردهی) روی 1800 ثانیه تنظیم شد که امکان به دست آوردن SNR در محدوده 60-70 دسی بل را فراهم کرد. به گفته دانشمندان، این شاخص SNR برای آزمایش بسیار مهم نیست، اما به عنوان تأیید اضافی عملکرد تکنیک آنها، به ویژه در مورد اجسام پیچیده عمل می کند. در واقعیت، و نه در شرایط آزمایشگاهی، این روش می تواند یک مرتبه سریعتر باشد.
ردیف بالای تصویر شماره 4 شیء را در هر طول موج (از چپ به راست) و شیء تمام رنگی واقعی را نشان می دهد.
برای به دست آوردن تصویری از جسم واقعی در نتیجه تصویربرداری، از یک دوربین بینایی کامپیوتری با فیلترهای باند گذر مناسب برای تصویربرداری مستقیم از اجزای طیفی و به دست آوردن یک تصویر تمام رنگی با جمع کانال های طیفی حاصل استفاده شد.
ردیف دوم تصویر بالا الگوهای همبستگی خودکار هر کانال طیفی بازسازی شده را نشان می دهد که اندازه گیری های چندگانه را تشکیل می دهد که ورودی مرحله پردازش داده ها هستند.
ردیف سوم شی بازسازی شده در هر کانال طیفی و همچنین شیء تمام رنگی بازسازی شده است، یعنی. نتیجه تجسم نهایی
تصویر تمام رنگی نشان می دهد که بزرگی های نسبی بین کانال های طیفی نیز درست است، زیرا رنگ تصویر بازسازی شده ترکیبی با مقدار واقعی مطابقت دارد و ضریب SSIM برای هر کانال به بیش از 0,92 می رسد.
ردیف پایین این جمله را تأیید می کند و مقایسه شدت جسم واقعی و شیء بازسازی شده را نشان می دهد. داده های هر دو در تمام محدوده های طیفی منطبق هستند.
از این نتیجه میشود که حتی وجود نویز و خطاهای احتمالی مدلسازی، ما را از به دست آوردن تصویری با کیفیت بالا باز نمیدارد و نتایج تجربی به خوبی با نتایج مدلسازی همبستگی دارند.
آزمایشی که در بالا توضیح داده شد با در نظر گرفتن کانال های طیفی مجزا انجام شد. دانشمندان آزمایش دیگری انجام دادند، اما این بار با کانال های مجاور، یا بهتر است بگوییم با محدوده طیفی پیوسته 60 نانومتر.
تصویر شماره 5
شی واقعی حرف "X" و علامت "+" بود (5a). طیف حرف "X" نسبتاً یکنواخت و پیوسته است - بین 515 تا 575 نانومتر، اما "+" دارای یک طیف ساختاری است که عمدتاً بین 535 و 575 نانومتر قرار دارد.5b). برای این آزمایش، نوردهی 120 ثانیه برای دستیابی به SNR مورد نظر (مانند قبل) 70 دسی بل بود.
یک فیلتر گذر باند 60 نانومتری نیز بر روی کل شی و یک فیلتر پایین گذر بر روی علامت "+" استفاده شد. در طول بازسازی، طیف 60 نانومتر به 6 کانال مجاور با عرض 10 نانومتر تقسیم می شود.5b).
همانطور که از تصاویر می بینیم 5، تصاویر به دست آمده در تطابق عالی با شی واقعی هستند. این آزمایش نشان داد که وجود یا عدم وجود همبستگیهای طیفی در لکه اندازهگیری شده تأثیری بر اثربخشی تکنیک تصویربرداری مورد مطالعه ندارد. خود دانشمندان بر این باورند که نقش بسیار بیشتری در فرآیند تجسم، یا بهتر است بگوییم در موفقیت آن، نه چندان توسط ویژگی های طیفی جسم که توسط کالیبراسیون سیستم و جزئیات آشکارساز رمزگذاری آن ایفا می شود.
برای نگاه دقیق تر به تفاوت های ظریف مطالعه، توصیه می کنم نگاهی به آن بیندازید
خاتمه
در این کار، دانشمندان روش جدیدی از تصویربرداری چند طیفی را از طریق یک دیفیوزر توصیف کردند. مدولاسیون لکههای وابسته به طول موج با استفاده از دیافراگم کدگذاری، یک اندازهگیری چندگانه تکی و محاسبه نقطهای را با استفاده از یک الگوریتم OMP مبتنی بر یادگیری ماشین فعال میکند.
با استفاده از حرف چند رنگی "H" به عنوان مثال، دانشمندان نشان دادند که تمرکز بر پنج کانال طیفی مربوط به بنفش، سبز و سه سایه قرمز به فرد اجازه می دهد تا یک بازسازی از تصویر حاوی تمام رنگ های اصلی (آبی، زرد و غیره).
به گفته محققان، تکنیک آنها می تواند هم در پزشکی و هم در نجوم مفید باشد. رنگ اطلاعات مهمی را در هر دو جهت حمل می کند: در نجوم - ترکیب شیمیایی اشیاء مورد مطالعه، در پزشکی - ترکیب مولکولی سلول ها و بافت ها.
در این مرحله، دانشمندان تنها به یک مشکل اشاره می کنند که می تواند باعث عدم دقت در تجسم شود: خطاهای مدل سازی. با توجه به زمان نسبتاً طولانی مورد نیاز برای تکمیل فرآیند، ممکن است تغییراتی در محیط رخ دهد که باعث ایجاد تنظیماتی شود که در مرحله آماده سازی در نظر گرفته نشده اند. با این حال، در آینده قصد داریم راهی برای کاهش این مشکل پیدا کنیم، که تکنیک تصویربرداری توصیف شده را نه تنها دقیق، بلکه تحت هر شرایطی پایدار می کند.
جمعه آف تاپ:
چراغها، رنگها، موسیقی و سه نفر از معروفترین افراد عجیب و غریب آبی جهان (گروه مرد آبی).
ممنون که خواندید، کنجکاو بمانید و آخر هفته خوبی داشته باشید بچه ها! 🙂
از اینکه با ما ماندید متشکرم آیا مقالات ما را دوست دارید؟ آیا می خواهید مطالب جالب تری ببینید؟ با ثبت سفارش یا معرفی به دوستان از ما حمایت کنید 30٪ تخفیف برای کاربران Habr در آنالوگ منحصر به فرد سرورهای سطح ورودی که توسط ما برای شما اختراع شده است:
Dell R730xd 2 برابر ارزان تر است؟ فقط اینجا
منبع: www.habr.com