લગભગ અદ્રશ્યને જોવું, રંગમાં પણ: વિસારક દ્વારા વસ્તુઓને વિઝ્યુઅલાઈઝ કરવાની તકનીક

સુપરમેનની સૌથી પ્રસિદ્ધ ક્ષમતાઓમાંની એક સુપર વિઝન છે, જેણે તેને અણુઓને જોવાની, અંધારામાં અને મોટા અંતરમાં જોવાની અને વસ્તુઓ દ્વારા પણ જોવાની મંજૂરી આપી. આ ક્ષમતા ખૂબ જ ભાગ્યે જ સ્ક્રીન પર બતાવવામાં આવે છે, પરંતુ તે અસ્તિત્વમાં છે. આપણી વાસ્તવિકતામાં, કેટલીક વૈજ્ઞાનિક યુક્તિઓનો ઉપયોગ કરીને લગભગ સંપૂર્ણપણે અપારદર્શક વસ્તુઓ દ્વારા જોવાનું પણ શક્ય છે. જો કે, પરિણામી છબીઓ હંમેશા કાળા અને સફેદ રંગમાં જ હતી, તાજેતરમાં સુધી. આજે આપણે એક અભ્યાસ જોઈશું જેમાં ડ્યુક યુનિવર્સિટી (યુએસએ) ના વૈજ્ઞાનિકો એક જ પ્રકાશના સંપર્કનો ઉપયોગ કરીને અપારદર્શક દિવાલની પાછળ છુપાયેલી વસ્તુઓનો રંગીન ફોટોગ્રાફ લેવામાં સક્ષમ હતા. આ સુપર ટેક્નોલોજી શું છે, તે કેવી રીતે કામ કરે છે અને કયા ક્ષેત્રમાં તેનો ઉપયોગ કરી શકાય છે? સંશોધન જૂથનો અહેવાલ અમને આ વિશે જણાવશે. જાઓ.

સંશોધનનો આધાર

સ્કેટરિંગ મીડિયામાં ઑબ્જેક્ટ્સને વિઝ્યુઅલાઈઝ કરવા માટેની તકનીકીના તમામ સંભવિત લાભો હોવા છતાં, આ તકનીકના અમલીકરણમાં ઘણી સમસ્યાઓ છે. મુખ્ય હકીકત એ છે કે સ્કેટરરમાંથી પસાર થતા ફોટોનના માર્ગો મોટા પ્રમાણમાં બદલાય છે, જે રેન્ડમ પેટર્ન તરફ દોરી જાય છે. ડાઘા* બીજી બાજુ પર.

સ્પેકલ* સુસંગત તરંગોના પરસ્પર હસ્તક્ષેપ દ્વારા રચાયેલી રેન્ડમ હસ્તક્ષેપ પેટર્ન છે જેમાં અવ્યવસ્થિત તબક્કાની પાળી અને/અથવા તીવ્રતાનો રેન્ડમ સમૂહ હોય છે. મોટેભાગે તે શ્યામ પૃષ્ઠભૂમિ પર પ્રકાશ ફોલ્લીઓ (બિંદુઓ) ના સમૂહ જેવું લાગે છે.

તાજેતરના વર્ષોમાં, સ્કેટરર અસરોને અટકાવવા અને સ્પેકલ પેટર્નમાંથી ઑબ્જેક્ટ માહિતી કાઢવા માટે ઘણી ઇમેજિંગ તકનીકો વિકસાવવામાં આવી છે. આ તકનીકોની સમસ્યા તેમની મર્યાદાઓ છે - તમારે ઑબ્જેક્ટ વિશે ચોક્કસ જ્ઞાન હોવું જરૂરી છે, સ્કેટરિંગ માધ્યમ અથવા ઑબ્જેક્ટ વગેરેની ઍક્સેસ હોવી જોઈએ.

તે જ સમયે, વૈજ્ઞાનિકોના મતે વધુ અદ્યતન પદ્ધતિ છે - મેમરી અસર સાથે વિઝ્યુલાઇઝેશન (ME). આ પદ્ધતિ તમને પોતાના વિશે અથવા સ્કેટરિંગ માધ્યમ વિશે અગાઉથી જાણ્યા વિના ઑબ્જેક્ટની કલ્પના કરવાની મંજૂરી આપે છે. દરેક વ્યક્તિમાં ખામીઓ હોય છે, જેમ આપણે જાણીએ છીએ, અને ME પદ્ધતિ કોઈ અપવાદ નથી. ઉચ્ચ-કોન્ટ્રાસ્ટ સ્પેકલ પેટર્ન મેળવવા અને તે મુજબ, વધુ સચોટ છબીઓ મેળવવા માટે, લાઇટિંગ સાંકડી-બેન્ડ હોવી આવશ્યક છે, એટલે કે. 1 એનએમ કરતાં ઓછું.

ME પદ્ધતિની મર્યાદાઓને દૂર કરવી પણ શક્ય છે, પરંતુ ફરીથી આ યુક્તિઓમાં વિસારક પહેલાં ઓપ્ટિકલ સ્ત્રોત અથવા ઑબ્જેક્ટને ઍક્સેસ કરવાનો સમાવેશ થાય છે, અથવા સીધું માપન PSF*.

PSF* - પોઈન્ટ સ્પ્રેડ ફંક્શન કે જે ઇમેજનું વર્ણન કરે છે કે જે ઇમેજિંગ સિસ્ટમ પોઈન્ટ લાઇટ સોર્સ અથવા પોઈન્ટ ઓબ્જેક્ટનું અવલોકન કરતી વખતે મેળવે છે.

સંશોધકો આ પદ્ધતિઓને કાર્યક્ષમ કહે છે, પરંતુ સંપૂર્ણ નથી, કારણ કે PSF માપન હંમેશા શક્ય નથી, ઉદાહરણ તરીકે, સ્કેટરરની ગતિશીલતા અથવા ઇમેજિંગ પ્રક્રિયા પહેલાં તેની અપ્રાપ્યતાને કારણે. બીજા શબ્દોમાં કહીએ તો, ત્યાં કામ કરવા માટે કંઈક છે.

તેમના કાર્યમાં, સંશોધકો એક અલગ અભિગમ પ્રસ્તાવિત કરે છે. તેઓ અમને મોનોક્રોમ કેમેરા વડે સિંગલ સ્પેકલ મેઝરમેન્ટનો ઉપયોગ કરીને સ્કેટરિંગ માધ્યમ દ્વારા ઑબ્જેક્ટની મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગની અનુભૂતિ કરવાની પદ્ધતિ બતાવે છે. અન્ય તકનીકોથી વિપરીત, આને PSF સિસ્ટમ અથવા સ્ત્રોત સ્પેક્ટ્રમના અગાઉના જ્ઞાનની જરૂર નથી.

નવી પદ્ધતિ 450 nm અને 750 nm વચ્ચેની પાંચ સારી રીતે વિભાજિત સ્પેક્ટ્રલ ચેનલોમાં લક્ષ્ય ઑબ્જેક્ટની ઉચ્ચ-ગુણવત્તાવાળી છબીઓ બનાવે છે, જે ગણતરી દ્વારા પુષ્ટિ મળી હતી. વ્યવહારમાં, અત્યાર સુધી 450 nm અને 650 nm વચ્ચેની ત્રણ સારી રીતે વિભાજિત સ્પેક્ટ્રલ ચેનલો અને 515 અને 575 nm વચ્ચેની છ સંલગ્ન સ્પેક્ટ્રલ ચેનલોનું વિઝ્યુઅલાઈઝ કરવું શક્ય બન્યું છે.

નવી પદ્ધતિ કેવી રીતે કાર્ય કરે છે

છબી નંબર 1: લેમ્પ - અવકાશી પ્રકાશ મોડ્યુલેટર - વિસારક (આઇરિસ ડાયાફ્રેમ સાથે) - કોડિંગ છિદ્ર - પ્રિઝમ - ઓપ્ટિકલ રિલે (1:1 વિઝ્યુલાઇઝેશન) - મોનોક્રોમ કેમેરા.

સંશોધકો કોઈપણ વિસારક ઇમેજિંગના ત્રણ મૂળભૂત ઘટકોની નોંધ લે છે: રસની વસ્તુ (બાહ્ય રીતે પ્રકાશિત અથવા સ્વયં-પ્રકાશિત), વિસારક અને ડિટેક્ટર.

સ્ટાન્ડર્ડ ME સિસ્ટમ્સની જેમ, આ અભ્યાસ એવા ઑબ્જેક્ટને ધ્યાનમાં લે છે જેનું કોણીય કદ દૃશ્યના ME ક્ષેત્રની અંદર અને વિસારકની પાછળ u અંતરે સ્થિત છે. વિસારક સાથે ક્રિયાપ્રતિક્રિયા કર્યા પછી, પ્રકાશ ડિટેક્ટર સુધી પહોંચતા પહેલા v અંતરની મુસાફરી કરે છે.

પરંપરાગત ME ઇમેજિંગ પ્રમાણભૂત કેમેરાનો ઉપયોગ કરે છે, પરંતુ આ પદ્ધતિ એન્કોડિંગ ડિટેક્ટર મોડ્યુલનો ઉપયોગ કરે છે જેમાં એન્કોડિંગ છિદ્ર અને તરંગલંબાઇ-આધારિત ઓપ્ટિકલ તત્વનો સમાવેશ થાય છે. આ તત્વનો હેતુ દરેક સ્પેક્ટ્રલ ચેનલને જોડીને અને મોનોક્રોમ ડિટેક્ટરમાં રૂપાંતરિત કરતા પહેલા તેને વિશિષ્ટ રીતે મોડ્યુલેટ કરવાનો છે.

આમ, સ્પેક્ટ્રલ ચેનલો અસ્પષ્ટ રીતે મિશ્રિત હોય તેવા લો-કોન્ટ્રાસ્ટ સ્પેકલને માપવાને બદલે, સ્પેક્ટ્રલ મલ્ટિપ્લેક્સ્ડ સિગ્નલ રેકોર્ડ કરવામાં આવ્યો હતો, જે અલગ કરવા માટે યોગ્ય છે.

સંશોધકો ફરી એકવાર ભાર મૂકે છે કે તેમની પદ્ધતિને વિસારક અથવા પ્રકાશ સ્ત્રોત વિશે કોઈ પૂર્વ-જાણીતી લાક્ષણિકતાઓ અથવા ધારણાઓની જરૂર નથી.

મલ્ટિપ્લેક્સ્ડ સ્પેકલના પ્રારંભિક માપન કર્યા પછી, Tλ (તરંગલંબાઇ-આધારિત કોડિંગ પેટર્ન) ની જાણીતી કિંમતનો ઉપયોગ દરેક સ્પેક્ટ્રલ બેન્ડમાં સ્પેકલને વ્યક્તિગત રીતે પુનઃનિર્માણ કરવા માટે કરવામાં આવ્યો હતો.

તેમના કાર્યમાં, ગણતરીઓ અને મોડેલિંગના તબક્કે, વૈજ્ઞાનિકોએ અમુક મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ કર્યો હતો જે અગાઉની અવિચારી પદ્ધતિના અમલીકરણમાં મદદ કરી શકે છે. પ્રથમ, સ્પાર્સ મેટ્રિક્સ ફીચર લર્નિંગનો ઉપયોગ સ્પેકલને રજૂ કરવા માટે થતો હતો.

ફીચર લર્નિંગ* — સિસ્ટમને સ્ત્રોત ડેટાની વિશેષતાઓને ઓળખવા માટે જરૂરી રજૂઆતોને આપમેળે શોધવા માટે પરવાનગી આપે છે.

પરિણામ વિવિધ માપન રૂપરેખાંકનોમાંથી સ્પેકલ છબીઓ પર પ્રશિક્ષિત ડેટાબેઝ હતું. આ આધાર તદ્દન સામાન્યીકૃત છે અને માસ્ક Iλx, y ના નિર્માણમાં ભાગ લેતા ચોક્કસ પદાર્થો અને સ્કેટરર્સ પર આધાર રાખતો નથી. બીજા શબ્દોમાં કહીએ તો, સિસ્ટમને ડિફ્યુઝરના આધારે પ્રશિક્ષિત કરવામાં આવે છે જેનો ઉપયોગ પ્રાયોગિક રૂપરેખાંકનમાં થતો નથી, એટલે કે. સિસ્ટમ પાસે તેની ઍક્સેસ નથી, જેમ કે સંશોધકો ઇચ્છતા હતા.

OMP અલ્ગોરિધમનો ઉપયોગ દરેક તરંગલંબાઇ પર સ્પેકલ ઇમેજ મેળવવા માટે કરવામાં આવ્યો હતો (ઓર્થોગોનલ મેચિંગ પર્સ્યુટ).

અંતે, દરેક સ્પેક્ટ્રલ ચેનલના સ્વતઃસંબંધની સ્વતંત્ર રીતે ગણતરી કરીને અને દરેક તરંગલંબાઇ પર સ્વતઃ સહસંબંધને ઉલટાવીને, ઑબ્જેક્ટની છબીઓ મેળવવામાં આવી હતી. દરેક તરંગલંબાઇ પર પરિણામી છબીઓ પછી ઑબ્જેક્ટની રંગીન છબી બનાવવા માટે જોડવામાં આવે છે.

ઇમેજ નંબર 2: ઑબ્જેક્ટની ઇમેજ કંપોઝ કરવાની સ્ટેપ-બાય-સ્ટેપ પ્રક્રિયા.
આ ટેકનિક, તેના નિર્માતાઓ અનુસાર, સ્પેક્ટ્રલ ચેનલો વચ્ચેના સહસંબંધો વિશે કોઈ ધારણાઓ કરતી નથી અને માત્ર એવી ધારણાની જરૂર છે કે તરંગલંબાઇ મૂલ્ય તદ્દન રેન્ડમ છે. વધુમાં, આ પદ્ધતિને માત્ર એન્કોડિંગ ડિટેક્ટર વિશેની માહિતીની જરૂર છે, જે એન્કોડિંગ છિદ્રના પૂર્વ-કેલિબ્રેશન અને પૂર્વ-પ્રશિક્ષિત ડેટા લાઇબ્રેરી પર આધાર રાખે છે. આ લાક્ષણિકતાઓ આ ઇમેજિંગ પદ્ધતિને અત્યંત સર્વતોમુખી અને બિન-આક્રમક બનાવે છે.

સિમ્યુલેશન પરિણામો

પ્રથમ, ચાલો સિમ્યુલેશન પરિણામો જોઈએ.

છબી #3

ઉપરની છબી વિસારક દ્વારા લેવામાં આવેલી બે વસ્તુઓની મલ્ટિસ્પેક્ટ્રલ છબીના ઉદાહરણો બતાવે છે. ટોચની પંક્તિ ચાલુ 3 ખોટા રંગમાં બતાવવામાં આવેલ અને સ્પેક્ટ્રલ ચેનલ દ્વારા વિભાજિત બંનેમાં ઘણી સંખ્યાઓનો સમાવેશ કરતી રુચિની વસ્તુ ધરાવે છે. ખોટા રંગમાં ઑબ્જેક્ટનું પ્લોટિંગ કરતી વખતે, દરેક તરંગલંબાઇની તીવ્રતા પ્રોફાઇલ CIE 1931 RGB જગ્યામાં પ્રદર્શિત થાય છે.

પુનઃનિર્માણ કરેલ ઑબ્જેક્ટ (નીચેની પંક્તિ ચાલુ 3) બંને ખોટા રંગમાં અને વ્યક્તિગત સ્પેક્ટ્રલ ચેનલોના સંદર્ભમાં, દર્શાવે છે કે તકનીક ઉત્તમ વિઝ્યુલાઇઝેશન પ્રદાન કરે છે અને સ્પેક્ટ્રલ ચેનલો વચ્ચે માત્ર નાના ક્રોસસ્ટૉક પ્રદાન કરે છે, જે પ્રક્રિયામાં વિશેષ ભૂમિકા ભજવતી નથી.

પુનઃનિર્માણ કરેલ ઑબ્જેક્ટ પ્રાપ્ત કર્યા પછી, એટલે કે. રેન્ડરીંગ કર્યા પછી, વાસ્તવિક ઑબ્જેક્ટની સ્પેક્ટ્રલ તીવ્રતા (તમામ તેજસ્વી પિક્સેલ્સ પર સરેરાશ) અને પુનઃનિર્માણ કરેલ (3b).

છબીઓમાં 3c કપાસના સ્ટેમ સેલ માટે વાસ્તવિક ઑબ્જેક્ટ (ટોચની પંક્તિ) અને પુનઃનિર્મિત છબી (નીચેની પંક્તિ) બતાવે છે, અને 3d વિઝ્યુલાઇઝેશનની ચોકસાઈનું વિશ્લેષણ બતાવવામાં આવ્યું છે.

ઇમેજિંગ ચોકસાઈનું મૂલ્યાંકન કરવા માટે, દરેક સ્પેક્ટ્રલ ચેનલ માટે સ્ટ્રક્ચરલ સમાનતા ઇન્ડેક્સ (SSIM) મૂલ્યો અને વાસ્તવિક ઑબ્જેક્ટના પીક સિગ્નલ-ટુ-નોઈઝ રેશિયો (pSNR) ની ગણતરી કરવી જરૂરી હતી.

ઉપરોક્ત કોષ્ટક બતાવે છે કે પાંચ ચેનલોમાંની દરેક SSIM ગુણાંક 0,8–0,9 અને PSNR 20 થી વધુ ધરાવે છે. તે અનુસરે છે કે સ્પેકલ સિગ્નલનો ઓછો વિરોધાભાસ હોવા છતાં, 10 એનએમની પહોળાઈ સાથે પાંચ સ્પેક્ટ્રલ બેન્ડની સુપરપોઝિશન ડિટેક્ટર પર અભ્યાસ કરવામાં આવી રહેલા ઑબ્જેક્ટના અવકાશી-સ્પેક્ટ્રલ ગુણધર્મોને એકદમ સચોટ પુનર્નિર્માણ માટે પરવાનગી આપે છે. બીજા શબ્દોમાં કહીએ તો, તકનીક કામ કરે છે, પરંતુ આ ફક્ત સિમ્યુલેશન પરિણામો છે. તેમના કાર્યમાં સંપૂર્ણ વિશ્વાસ મેળવવા માટે, વૈજ્ઞાનિકોએ પ્રાયોગિક પ્રયોગોની શ્રેણી હાથ ધરી.

પ્રાયોગિક પરિણામો

સિમ્યુલેશન અને વાસ્તવિક પ્રયોગો વચ્ચેનો સૌથી નોંધપાત્ર તફાવત એ પર્યાવરણ છે, એટલે કે. શરતો કે જેમાં બંને હાથ ધરવામાં આવે છે. પ્રથમ કિસ્સામાં નિયંત્રિત પરિસ્થિતિઓ છે, બીજામાં અણધારી પરિસ્થિતિઓ છે, એટલે કે. અમે જોઈશું કે તે કેવી રીતે જાય છે.

8, 12 અને 450 nm પર કેન્દ્રિત 550-650 nm ની પહોળાઈ સાથે ત્રણ સ્પેક્ટ્રલ ચેનલો ધ્યાનમાં લેવામાં આવી હતી, જે, જ્યારે વિવિધ સંબંધિત તીવ્રતા સાથે જોડાય છે, ત્યારે રંગોની વિશાળ શ્રેણી પેદા કરે છે.

છબી #4

ઉપરની છબી વાસ્તવિક ઑબ્જેક્ટ (બહુ-રંગીન "H") અને પુનઃનિર્માણ કરાયેલ વચ્ચેની સરખામણી દર્શાવે છે. લાઇટ એક્સપોઝર ટાઇમ (શટર સ્પીડ, એટલે કે એક્સપોઝર) 1800 સેકન્ડ પર સેટ કરવામાં આવ્યો હતો, જેણે 60-70 dB ની રેન્જમાં SNR મેળવવાનું શક્ય બનાવ્યું હતું. આ SNR સૂચક, વૈજ્ઞાનિકોના મતે, પ્રયોગ માટે અત્યંત મહત્વપૂર્ણ નથી, પરંતુ તેમની તકનીકના પ્રદર્શનની વધારાની પુષ્ટિ તરીકે સેવા આપે છે, ખાસ કરીને જટિલ વસ્તુઓના કિસ્સામાં. વાસ્તવમાં, અને પ્રયોગશાળાની પરિસ્થિતિઓમાં નહીં, આ પદ્ધતિ ઝડપથી તીવ્રતાનો ક્રમ બની શકે છે.

ઇમેજ #4 ની ટોચની પંક્તિ દરેક તરંગલંબાઇ (ડાબેથી જમણે) અને વાસ્તવિક સંપૂર્ણ રંગીન ઑબ્જેક્ટ બતાવે છે.

ઇમેજિંગના પરિણામે વાસ્તવિક ઑબ્જેક્ટની છબી મેળવવા માટે, સ્પેક્ટ્રલ ઘટકોની સીધી છબી લેવા અને પરિણામી સ્પેક્ટ્રલ ચેનલોના સારાંશ દ્વારા પૂર્ણ-રંગની છબી મેળવવા માટે યોગ્ય બેન્ડપાસ ફિલ્ટર્સ સાથે કમ્પ્યુટર વિઝન કેમેરાનો ઉપયોગ કરવામાં આવ્યો હતો.

ઉપરની ઇમેજની બીજી પંક્તિ દરેક પુનઃનિર્મિત સ્પેક્ટ્રલ ચેનલના સ્વતઃસંબંધ પેટર્ન દર્શાવે છે જે મલ્ટિપ્લેક્સ માપન બનાવે છે જે ડેટા પ્રોસેસિંગ સ્ટેજ માટે ઇનપુટ છે.

ત્રીજી પંક્તિ દરેક સ્પેક્ટ્રલ ચેનલમાં પુનઃનિર્માણ કરેલ ઑબ્જેક્ટ છે, તેમજ પુનઃનિર્મિત પૂર્ણ-રંગ ઑબ્જેક્ટ છે, એટલે કે. અંતિમ વિઝ્યુલાઇઝેશન પરિણામ.

પૂર્ણ-રંગની છબી બતાવે છે કે સ્પેક્ટ્રલ ચેનલો વચ્ચેની સંબંધિત તીવ્રતા પણ સાચી છે, કારણ કે સંયુક્ત પુનઃનિર્માણ કરેલી છબીનો રંગ વાસ્તવિક મૂલ્ય સાથે મેળ ખાય છે, અને દરેક ચેનલ માટે SSIM ગુણાંક 0,92 કરતાં વધુ સુધી પહોંચે છે.

નીચેની પંક્તિ આ નિવેદનની પુષ્ટિ કરે છે, વાસ્તવિક ઑબ્જેક્ટની તીવ્રતા અને પુનઃનિર્માણની સરખામણી દર્શાવે છે. બંનેના ડેટા તમામ વર્ણપટ શ્રેણીમાં એકરૂપ થાય છે.

તે આનાથી અનુસરે છે કે ઘોંઘાટ અને સંભવિત મોડેલિંગ ભૂલોની હાજરી પણ અમને ઉચ્ચ-ગુણવત્તાની છબી મેળવવાથી અટકાવી શકી નથી, અને પ્રાયોગિક પરિણામો મોડેલિંગ પરિણામો સાથે સારી રીતે સંકળાયેલા છે.

ઉપર વર્ણવેલ પ્રયોગ અલગ સ્પેક્ટ્રલ ચેનલોને ધ્યાનમાં લઈને હાથ ધરવામાં આવ્યો હતો. વૈજ્ઞાનિકોએ બીજો પ્રયોગ હાથ ધર્યો, પરંતુ આ વખતે અડીને આવેલી ચેનલો સાથે અથવા તેના બદલે 60 એનએમની સતત સ્પેક્ટ્રલ રેન્જ સાથે.

છબી #5

વાસ્તવિક પદાર્થ "X" અક્ષર અને ચિહ્ન "+" (5). "X" અક્ષરનો સ્પેક્ટ્રમ પ્રમાણમાં એકસમાન અને સતત છે - 515 અને 575 nm વચ્ચે, પરંતુ "+" એક સંરચિત સ્પેક્ટ્રમ ધરાવે છે, જે મુખ્યત્વે 535 અને 575 nm વચ્ચે સ્થિત છે (5b). આ પ્રયોગ માટે, 120 dB નો ઇચ્છિત (પહેલાની જેમ) SNR હાંસલ કરવા માટે એક્સપોઝર 70 સેકન્ડ હતું.

60 nm પહોળા બેન્ડપાસ ફિલ્ટરનો ઉપયોગ સમગ્ર ઑબ્જેક્ટ પર કરવામાં આવ્યો હતો અને "+" ચિહ્ન પર લો-પાસ ફિલ્ટરનો ઉપયોગ કરવામાં આવ્યો હતો. પુનઃનિર્માણ દરમિયાન, 60 nm સ્પેક્ટ્રમને 6 nm ની પહોળાઈ સાથે 10 સંલગ્ન ચેનલોમાં વિભાજિત કરવામાં આવે છે (5b).

જેમ આપણે છબીઓમાંથી જોઈ શકીએ છીએ 5c, પરિણામી છબીઓ વાસ્તવિક ઑબ્જેક્ટ સાથે ઉત્તમ કરારમાં છે. આ પ્રયોગ દર્શાવે છે કે માપેલા સ્પેકલમાં સ્પેક્ટ્રલ સહસંબંધોની હાજરી અથવા ગેરહાજરી અભ્યાસ હેઠળની ઇમેજિંગ તકનીકની અસરકારકતાને અસર કરતી નથી. વિજ્ઞાનીઓ પોતે માને છે કે વિઝ્યુલાઇઝેશન પ્રક્રિયામાં અથવા તેના બદલે તેની સફળતામાં, સિસ્ટમના માપાંકન અને તેના એન્કોડિંગ ડિટેક્ટરની વિગતો દ્વારા ઑબ્જેક્ટની સ્પેક્ટ્રલ લાક્ષણિકતાઓ દ્વારા ખૂબ મોટી ભૂમિકા ભજવવામાં આવતી નથી.

અભ્યાસની ઘોંઘાટ પર વધુ વિગતવાર દેખાવ માટે, હું એક નજર લેવાની ભલામણ કરું છું વૈજ્ઞાનિકો અહેવાલ આપે છે и વધારાની સામગ્રી તેને.

ઉપસંહાર

આ કાર્યમાં, વૈજ્ઞાનિકોએ વિસારક દ્વારા મલ્ટિસ્પેક્ટ્રલ ઇમેજિંગની નવી પદ્ધતિ વર્ણવી. કોડિંગ છિદ્રનો ઉપયોગ કરીને તરંગલંબાઇ-આધારિત સ્પેકલ મોડ્યુલેશન મશીન લર્નિંગ-આધારિત OMP અલ્ગોરિધમનો ઉપયોગ કરીને સિંગલ મલ્ટિપ્લેક્સ્ડ માપન અને સ્પેકલ ગણતરીને સક્ષમ કરે છે.

ઉદાહરણ તરીકે બહુ-રંગીન અક્ષર "H" નો ઉપયોગ કરીને, વૈજ્ઞાનિકોએ બતાવ્યું કે વાયોલેટ, લીલો અને લાલ રંગના ત્રણ શેડ્સને અનુરૂપ પાંચ વર્ણપટ ચેનલો પર ધ્યાન કેન્દ્રિત કરવાથી તમે મૂળ (વાદળી, વાદળી) ના તમામ રંગો ધરાવતી છબીનું પુનર્નિર્માણ મેળવી શકો છો. પીળો, વગેરે).

સંશોધકોના જણાવ્યા અનુસાર, તેમની તકનીક દવા અને ખગોળશાસ્ત્ર બંનેમાં ઉપયોગી થઈ શકે છે. રંગ બંને દિશામાં મહત્વપૂર્ણ માહિતી વહન કરે છે: ખગોળશાસ્ત્રમાં - અભ્યાસ કરવામાં આવતી વસ્તુઓની રાસાયણિક રચના, દવામાં - કોષો અને પેશીઓની પરમાણુ રચના.

આ તબક્કે, વૈજ્ઞાનિકો માત્ર એક જ સમસ્યાની નોંધ લે છે જે વિઝ્યુલાઇઝેશનની અચોક્કસતાનું કારણ બની શકે છે: મોડેલિંગ ભૂલો. પ્રક્રિયા પૂર્ણ કરવા માટે જરૂરી એકદમ લાંબો સમય હોવાને કારણે, પર્યાવરણમાં ફેરફારો આવી શકે છે જે ગોઠવણો રજૂ કરશે જે તૈયારીના તબક્કે ધ્યાનમાં લેવામાં આવ્યા ન હતા. જો કે, ભવિષ્યમાં અમે આ સમસ્યાને હળવી કરવાનો માર્ગ શોધવાની યોજના બનાવીએ છીએ, જે વર્ણવેલ ઇમેજિંગ ટેકનિકને માત્ર ચોક્કસ જ નહીં, પણ કોઈપણ પરિસ્થિતિમાં સ્થિર પણ બનાવશે.

શુક્રવાર ઑફ-ટોપ:

લાઇટ્સ, કલર, મ્યુઝિક અને વિશ્વના સૌથી પ્રસિદ્ધ બ્લુ વીરડોઝ (બ્લુ મેન ગ્રુપ)ની ત્રિપુટી.

વાંચવા બદલ આભાર, જિજ્ઞાસુ રહો અને મિત્રોનો સપ્તાહાંત સારો રહે! 🙂

અમારી સાથે રહેવા બદલ આભાર. શું તમને અમારા લેખો ગમે છે? વધુ રસપ્રદ સામગ્રી જોવા માંગો છો? ઓર્ડર આપીને અથવા મિત્રોને ભલામણ કરીને અમને ટેકો આપો, એન્ટ્રી-લેવલ સર્વર્સના અનન્ય એનાલોગ પર Habr વપરાશકર્તાઓ માટે 30% ડિસ્કાઉન્ટ, જેની શોધ અમારા દ્વારા તમારા માટે કરવામાં આવી હતી: VPS (KVM) E5-2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps વિશેનું સંપૂર્ણ સત્ય $20 થી અથવા સર્વર કેવી રીતે શેર કરવું? (RAID1 અને RAID10 સાથે ઉપલબ્ધ, 24 કોરો સુધી અને 40GB DDR4 સુધી).

ડેલ R730xd 2 ગણું સસ્તું? માત્ર અહીં 2 x ઇન્ટેલ ટેટ્રાડેકા-કોર Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ટીવી $199 થી નેધરલેન્ડમાં! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 થી! વિશે વાંચો ઇન્ફ્રાસ્ટ્રક્ચર કોર્પોરેશન કેવી રીતે બનાવવું. ડેલ R730xd E5-2650 v4 સર્વર્સના ઉપયોગ સાથેનો વર્ગ એક પેની માટે 9000 યુરોના મૂલ્યના છે?

સોર્સ: www.habr.com