Süpermen'in en ünlü yeteneklerinden biri, atomlara bakmasına, karanlıkta ve uzak mesafeleri görmesine ve hatta nesnelerin arkasını görmesine olanak tanıyan süper görüştür. Bu yetenek ekranda son derece nadiren gösterilir, ancak mevcuttur. Gerçekliğimizde, bazı bilimsel hileler kullanarak neredeyse tamamen opak nesnelerin içini görmek de mümkündür. Ancak ortaya çıkan görüntüler yakın zamana kadar hep siyah beyazdı. Bugün Duke Üniversitesi'nden (ABD) bilim adamlarının, tek bir ışık pozlaması kullanarak opak bir duvarın arkasına gizlenmiş nesnelerin renkli fotoğrafını çekmeyi başardıkları bir çalışmaya bakacağız. Bu süper teknoloji nedir, nasıl çalışır ve hangi alanlarda kullanılabilir? Araştırma grubunun raporu bize bunu anlatacak. Gitmek.
Araştırma temeli
Nesnelerin saçılma ortamında görselleştirilmesine yönelik teknolojinin tüm olası faydalarına rağmen, bu teknolojinin uygulanmasında bir takım sorunlar vardır. Bunlardan en önemlisi, saçıcıdan geçen fotonların yollarının büyük ölçüde değişmesi ve bunun da rastgele desenlere yol açmasıdır. benekler* diğer tarafta.
Benek* rastgele faz kaymalarına ve/veya rastgele bir yoğunluk dizisine sahip tutarlı dalgaların karşılıklı girişimiyle oluşturulan rastgele bir girişim modelidir. Çoğu zaman karanlık bir arka plan üzerinde bir dizi açık noktaya (nokta) benziyor.
Son yıllarda, saçılma etkilerini atlatmak ve benek deseninden nesne bilgisini çıkarmak için çeşitli görüntüleme teknikleri geliştirilmiştir. Bu tekniklerle ilgili sorun, sınırlamalarıdır; nesne hakkında belirli bir bilgiye sahip olmanız, saçılma ortamına veya nesneye erişiminizin olması vb. gerekir.
Aynı zamanda bilim adamlarına göre çok daha gelişmiş bir yöntem var: hafıza efektli görselleştirme (ME). Bu yöntem, bir nesneyi kendisi veya saçılma ortamı hakkında önceden bilgi sahibi olmadan görselleştirmenize olanak tanır. Bildiğimiz gibi herkesin eksiklikleri vardır ve ME yöntemi de bir istisna değildir. Yüksek kontrastlı benek desenleri ve buna bağlı olarak daha doğru görüntüler elde etmek için aydınlatmanın dar bantlı olması gerekir; 1 nm'den az.
ME yönteminin sınırlamalarını aşmak da mümkündür, ancak yine bu hileler, optik kaynağa veya nesneye difüzörden önce erişmeyi veya doğrudan ölçüm yapmayı içerir. PSF*.
PSF* - bir nokta ışık kaynağını veya bir nokta nesnesini gözlemlerken görüntüleme sisteminin aldığı görüntüyü tanımlayan bir nokta yayılma işlevi.
Araştırmacılar bu yöntemlerin uygulanabilir olduğunu ancak mükemmel olmadığını söylüyor çünkü PSF ölçümü, örneğin saçıcının dinamikleri veya görüntüleme prosedüründen önce erişilememesi nedeniyle her zaman mümkün olmuyor. Başka bir deyişle üzerinde çalışılacak bir şey var.
Araştırmacılar çalışmalarında farklı bir yaklaşım öneriyorlar. Bize monokrom bir kamera ile tek bir benek ölçümü kullanarak bir saçılma ortamı aracılığıyla nesnelerin multispektral görüntülenmesini gerçekleştirmek için bir yöntem gösteriyorlar. Diğer tekniklerden farklı olarak bu, PSF sistemi veya kaynak spektrumu hakkında önceden bilgi gerektirmez.
Yeni yöntem, 450 nm ile 750 nm arasında iyi ayrılmış beş spektral kanalda hedef nesnenin yüksek kaliteli görüntülerini üretiyor ve bu, hesaplamalarla da doğrulanıyor. Pratikte şimdiye kadar 450 nm ile 650 nm arasında iyi ayrılmış üç spektral kanalı ve 515 ile 575 nm arasında altı bitişik spektral kanalı görselleştirmek mümkün olmuştur.
Yeni yöntem nasıl çalışıyor?
Resim No. 1: lamba - uzaysal ışık modülatörü - difüzör (iris diyaframlı) - kodlama açıklığı - prizma - optik röle (1:1 görselleştirme) - monokrom kamera.
Araştırmacılar herhangi bir difüzör görüntülemenin üç temel unsuruna dikkat çekiyor: ilgilenilen nesne (dışarıdan aydınlatılan veya kendinden ışıklı), difüzör ve dedektör.
Standart ME sistemlerinde olduğu gibi, bu çalışmada açısal boyutu ME görüş alanı içinde ve difüzörün arkasında u mesafesinde bulunan bir nesne dikkate alınmaktadır. Işık, difüzörle etkileşime girdikten sonra dedektöre ulaşmadan önce v kadar mesafe kat eder.
Geleneksel ME görüntülemede standart kameralar kullanılır, ancak bu yöntemde bir kodlama açıklığı ve dalga boyuna bağlı bir optik elemandan oluşan bir kodlama detektör modülü kullanılır. Bu elemanın amacı, her bir spektral kanalı birleştirmeden ve tek renkli bir dedektöre dönüştürmeden önce benzersiz bir şekilde modüle etmektir.
Böylece, spektral kanalları ayrılmaz bir şekilde karıştırılan düşük kontrastlı beneği ölçmek yerine, ayırma için çok uygun olan spektral olarak çoğullanmış bir sinyal kaydedildi.
Araştırmacılar, yöntemlerinin difüzör veya ışık kaynağı hakkında önceden bilinen herhangi bir özellik veya varsayım gerektirmediğini bir kez daha vurguluyor.
Çoğullanmış beneğin ön ölçümleri yapıldıktan sonra, her bir spektral banttaki beneği ayrı ayrı yeniden yapılandırmak için bilinen Tλ değeri (dalga boyuna bağlı kodlama modeli) kullanıldı.
Bilim adamları, hesaplamalar ve modelleme aşamasında yaptıkları çalışmalarda, daha önce düşünülmemiş bir yöntemin uygulanmasına yardımcı olabilecek belirli makine öğrenimi yöntemlerini kullandılar. İlk olarak, beneği temsil etmek için seyrek matris özellik öğrenmesi kullanıldı.
Özellik öğrenme* - sistemin, kaynak verinin özelliklerini tanımlamak için gerekli gösterimleri otomatik olarak bulmasına olanak tanır.
Sonuç, çeşitli ölçüm konfigürasyonlarından benek görüntüler üzerinde eğitilmiş bir veri tabanıydı. Bu taban oldukça genelleştirilmiştir ve Iλx, y maskesinin oluşturulmasına katılan belirli nesnelere ve saçıcılara bağlı değildir. Başka bir deyişle sistem, deneysel konfigürasyonda kullanılmayan bir difüzöre dayalı olarak eğitilir; Araştırmacıların istediği gibi sistemin buna erişimi yok.
Her dalga boyunda benek görüntüleri elde etmek için OMP algoritması kullanıldı (ortogonal eşleştirme arayışı).
Son olarak, her spektral kanalın otokorelasyonunun bağımsız olarak hesaplanması ve her dalga boyundaki otokorelasyonun ters çevrilmesiyle nesnenin görüntüleri elde edildi. Her dalga boyunda elde edilen görüntüler daha sonra bir araya getirilerek nesnenin renkli bir görüntüsü oluşturulur.
Resim No. 2: Bir nesnenin görüntüsünün oluşturulmasının adım adım süreci.
Yaratıcılarına göre bu teknik, spektral kanallar arasındaki korelasyonlar hakkında hiçbir varsayımda bulunmaz ve yalnızca dalga boyu değerinin oldukça rastgele olduğu varsayımını gerektirir. Ek olarak, bu yöntem yalnızca kodlama detektörü hakkında bilgi gerektirir ve kodlama açıklığının ön kalibrasyonuna ve önceden eğitilmiş bir veri kitaplığına dayanır. Bu özellikler bu görüntüleme yöntemini oldukça çok yönlü ve invazif olmayan bir hale getirmektedir.
Simulasyon sonuçları
Öncelikle simülasyon sonuçlarına bakalım.
Resim #3
Yukarıdaki görüntü, bir difüzörden alınan iki nesnenin multispektral görüntüsünün örneklerini göstermektedir. Üst sıra açık 3a Hem sahte renkte gösterilen hem de spektral kanala göre ayrılmış birkaç sayıdan oluşan ilgi çekici bir nesne içerir. Bir nesneyi sahte renkte çizerken, her dalga boyunun yoğunluk profili CIE 1931 RGB alanında görüntülenir.
Yeniden yapılandırılmış nesne (alt sıra 3a) hem sahte renkte hem de bireysel spektral kanallar açısından, tekniğin mükemmel görselleştirme sağladığını ve spektral kanallar arasında yalnızca küçük bir karışma sağladığını ve bunun süreçte özel bir rol oynamadığını göstermektedir.
Yeniden yapılandırılmış nesneyi aldıktan sonra, yani. Oluşturma işleminden sonra, gerçek nesnenin ve yeniden oluşturulan nesnenin spektral yoğunluğunu (tüm parlak piksellerin ortalaması alınan) karşılaştırarak doğruluk derecesini değerlendirmek gerekliydi (3b).
Resimlerde 3c bir pamuk kök hücresi için gerçek bir nesneyi (üst sıra) ve yeniden oluşturulmuş bir görüntüyü (alt sıra) gösterir ve 3d görselleştirme doğruluğunun bir analizi gösterilmektedir.
Görüntüleme doğruluğunu değerlendirmek için, her bir spektral kanal için gerçek nesnenin yapısal benzerlik indeksi (SSIM) değerlerini ve tepe sinyal-gürültü oranını (pSNR) hesaplamak gerekiyordu.
Yukarıdaki tablo, beş kanalın her birinin 0,8-0,9'luk bir SSIM katsayısına ve 20'den fazla bir PSNR'ye sahip olduğunu göstermektedir. Buradan, benek sinyalinin düşük kontrastına rağmen, 10 nm genişliğinde beş spektral bandın süperpozisyonu olduğu anlaşılmaktadır. Dedektör üzerinde, incelenen nesnenin uzamsal-spektral özelliklerinin oldukça doğru bir şekilde yeniden yapılandırılmasına olanak tanır. Yani teknik işe yarıyor ama bunlar sadece simülasyon sonuçları. Bilim adamları, çalışmalarına tam bir güven kazandırmak için bir dizi pratik deney gerçekleştirdiler.
Deneysel sonuçlar
Simülasyon ile gerçek deneyler arasındaki en önemli farklardan biri çevredir, yani. her ikisinin de gerçekleştirildiği koşullar. İlk durumda kontrollü koşullar vardır, ikincisinde ise öngörülemeyen koşullar vardır; nasıl olacağını göreceğiz.
8, 12 ve 450 nm'de merkezlenmiş, 550-650 nm genişliğe sahip üç spektral kanal dikkate alındı; bunlar, farklı göreceli büyüklüklerle birleştirildiğinde geniş bir renk yelpazesi oluşturur.
Resim #4
Yukarıdaki resim, gerçek nesne (çok renkli "H") ile yeniden oluşturulmuş nesne arasındaki karşılaştırmayı göstermektedir. Işığa maruz kalma süresi (enstantane hızı, yani pozlama) 1800 s olarak ayarlandı, bu da 60-70 dB aralığında bir SNR elde etmeyi mümkün kıldı. Bilim adamlarına göre bu SNR göstergesi deney için çok önemli değil, ancak özellikle karmaşık nesneler söz konusu olduğunda tekniklerinin performansının ek bir onayı olarak hizmet ediyor. Gerçekte, laboratuvar koşullarında değil, bu yöntem çok daha hızlı olabilir.
4 numaralı görüntünün üst satırı, her dalga boyundaki nesneyi (soldan sağa) ve gerçek tam renkli nesneyi gösterir.
Görüntüleme sonucunda gerçek nesnenin görüntüsünü elde etmek için, spektral bileşenleri doğrudan görüntülemek ve elde edilen spektral kanalları toplayarak tam renkli bir görüntü elde etmek için uygun bant geçiren filtrelere sahip bir bilgisayarlı görüş kamerası kullanıldı.
Yukarıdaki görüntünün ikinci satırı, veri işleme aşamasına girdi olan çoğullanmış ölçümleri oluşturan her yeniden yapılandırılmış spektral kanalın otokorelasyon modellerini gösterir.
Üçüncü sıra, her spektral kanaldaki yeniden yapılandırılmış nesnenin yanı sıra yeniden oluşturulmuş tam renkli nesnedir; Nihai görselleştirme sonucu.
Tam renkli görüntü, birleştirilmiş yeniden oluşturulan görüntünün renginin gerçek değerle eşleşmesi ve SSIM katsayısının her kanal için 0,92'den büyük olması nedeniyle spektral kanallar arasındaki göreceli büyüklüklerin de doğru olduğunu göstermektedir.
Alt satır, gerçek nesne ile yeniden inşa edilenin yoğunluğunun karşılaştırmasını göstererek bu ifadeyi doğruluyor. Her ikisinden gelen veriler tüm spektral aralıklarda çakışmaktadır.
Bundan, gürültünün ve olası modelleme hatalarının varlığının bile yüksek kaliteli bir görüntü elde etmemizi engellemediği ve deneysel sonuçların modelleme sonuçlarıyla iyi bir korelasyon gösterdiği sonucu çıkmaktadır.
Yukarıda açıklanan deney, ayrılmış spektral kanallar dikkate alınarak gerçekleştirildi. Bilim adamları başka bir deney daha gerçekleştirdiler, ancak bu sefer bitişik kanallarla, daha doğrusu 60 nm'lik sürekli bir spektral aralıkla.
Resim #5
Gerçek nesne “X” harfi ve “+” işaretiydi (5a). “X” harfinin spektrumu nispeten tekdüze ve süreklidir - 515 ile 575 nm arasında, ancak “+”, esas olarak 535 ile 575 nm arasında yer alan yapılandırılmış bir spektruma sahiptir (5b). Bu deney için, istenen (daha önce olduğu gibi) 120 dB SNR'yi elde etmek için pozlama 70 saniyeydi.
Ayrıca nesnenin tamamı üzerinde 60 nm genişliğinde bant geçiren filtre ve “+” işareti üzerinde alçak geçiren filtre kullanıldı. Yeniden yapılandırma sırasında 60 nm'lik spektrum, 6 nm genişliğinde 10 bitişik kanala bölünür (5b).
Görsellerden de anladığımız kadarıyla 5sortaya çıkan görüntüler gerçek nesneyle mükemmel bir uyum içindedir. Bu deney, ölçülen benekteki spektral korelasyonların varlığının veya yokluğunun, incelenen görüntüleme tekniğinin etkinliğini etkilemediğini gösterdi. Bilim adamları, görselleştirme sürecinde veya daha doğrusu başarısında çok daha büyük bir rolün, nesnenin spektral özelliklerinden çok sistemin kalibrasyonu ve kodlama dedektörünün ayrıntıları tarafından oynandığına inanıyor.
Çalışmanın nüansları hakkında daha ayrıntılı bilgi için, bakmanızı tavsiye ederim. и ona.
Sonuç bölümü
Bu çalışmada bilim insanları, bir difüzör aracılığıyla yeni bir multispektral görüntüleme yöntemini tanımladılar. Kodlama açıklığı kullanan dalga boyuna bağlı benek modülasyonu, makine öğrenimi tabanlı bir OMP algoritması kullanılarak tek bir çoğullanmış ölçümü ve benek hesaplamasını mümkün kıldı.
Çok renkli "H" harfini örnek olarak kullanan bilim insanları, mor, yeşil ve kırmızının üç tonuna karşılık gelen beş spektral kanala odaklanmanın, orijinalin tüm renklerini (mavi, sarı vb.).
Araştırmacılara göre kullandıkları teknik hem tıpta hem de astronomide faydalı olabilir. Renk her iki yönde de önemli bilgiler taşır: astronomide - incelenen nesnelerin kimyasal bileşimi, tıpta - hücrelerin ve dokuların moleküler bileşimi.
Bu aşamada bilim insanları, görselleştirme hatalarına neden olabilecek tek bir soruna dikkat çekiyor: modelleme hataları. Süreci tamamlamak için gereken oldukça uzun süre nedeniyle, ortamda hazırlık aşamasında dikkate alınmayan ayarlamalara yol açacak değişiklikler meydana gelebilir. Ancak gelecekte bu sorunu hafifletmenin bir yolunu bulmayı planlıyoruz; bu, açıklanan görüntüleme tekniğini yalnızca doğru değil aynı zamanda her koşulda kararlı hale getirecek.
Cuma kapalı:
Işıklar, renkler, müzik ve dünyanın en ünlü mavi tuhaflarından oluşan üçlü (Blue Man Group).
Okuduğunuz için teşekkürler, meraklı kalın ve harika bir hafta sonu geçirin arkadaşlar! 🙂
Bizimle kaldığın için teşekkürler. Yazılarımızı beğeniyor musunuz? Daha ilginç içerik görmek ister misiniz? Sipariş vererek veya arkadaşlarınıza tavsiye ederek bize destek olun, Habr kullanıcıları için, bizim tarafımızdan sizin için icat ettiğimiz benzersiz bir giriş seviyesi sunucu analogunda %30 indirim: (RAID1 ve RAID10, 24 adede kadar çekirdek ve 40 GB'a kadar DDR4 ile mevcuttur).
Dell R730xd 2 kat daha mı ucuz? Sadece burada Hollanda'da! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - 99$'dan! Hakkında oku
Kaynak: habr.com