La imagen computacional es el proceso de formar imágenes indirectamente a partir de mediciones utilizando algoritmos que se basan en una cantidad significativa de computación. A diferencia de las imágenes tradicionales, los sistemas de imágenes computacionales implican una estrecha integración del sistema de detección y la computación para formar las imágenes de interés. La disponibilidad ubicua de plataformas informáticas rápidas (como CPU y GPU de múltiples núcleos ), los avances en algoritmos y hardware de detección moderno está dando como resultado sistemas de imágenes con capacidades significativamente mejoradas. Los sistemas de imágenes computacionales cubren una amplia gama de aplicaciones que incluyen microscopía computacional , [1] imágenes tomográficas , resonancia magnética ,imágenes de ultrasonido , fotografía computacional , radar de apertura sintética (SAR), imágenes sísmicas, etc. La integración de la detección y el cálculo en los sistemas de imágenes computacionales permite acceder a información que de otro modo no sería posible. Por ejemplo:
- Una sola imagen de rayos X no revela la ubicación precisa de la fractura, pero una tomografía computarizada que funciona combinando múltiples imágenes de rayos X puede determinar la ubicación precisa de una en 3D.
- Una imagen de cámara típica no puede tomar imágenes en las esquinas. Sin embargo, al diseñar una configuración que implica enviar pulsos rápidos de luz, registrar la señal recibida y usar un algoritmo, los investigadores han demostrado los primeros pasos para construir un sistema de este tipo. [2]
Los sistemas de imágenes computacionales también permiten a los diseñadores de sistemas superar algunas limitaciones de hardware de la óptica y los sensores (resolución, ruido, etc.) superando desafíos en el dominio de la computación. Algunos ejemplos de tales sistemas incluyen imágenes difractivas coherentes , imágenes de apertura codificada y superresolución de imágenes .
Historia
Los sistemas de imágenes computacionales abarcan una amplia gama de aplicaciones. Si bien las aplicaciones como SAR , tomografía computarizada , inversión sísmica son bien conocidas, han experimentado mejoras significativas (exposiciones más rápidas, de mayor resolución y de dosis más bajas [3] ) impulsadas por los avances en los algoritmos de procesamiento de señales e imágenes (incluidas las técnicas de detección comprimida ) y plataformas informáticas más rápidas. La fotografía ha evolucionado desde el procesamiento puramente químico hasta ahora poder capturar y fusionar computacionalmente múltiples imágenes digitales ( fotografía computacional ) [4] haciendo que técnicas como HDR e imágenes panorámicas estén disponibles para la mayoría de los usuarios de teléfonos celulares. Las imágenes computacionales también han visto la aparición de técnicas que modifican la fuente de luz que incide en un objeto utilizando estructuras / patrones conocidos y luego reconstruyen una imagen a partir de lo que se recibe (por ejemplo: imágenes de apertura codificada , microscopía de superresolución , pticografía de Fourier ). Los avances en el desarrollo de potentes plataformas informáticas paralelas han desempeñado un papel fundamental para poder realizar avances en la generación de imágenes computacionales.
Técnicas
Imágenes de apertura codificada
Las imágenes generalmente se obtienen en longitudes de onda ópticas mediante lentes y espejos. Sin embargo, para los rayos X y los rayos Gamma, las lentes y los espejos no son prácticos, por lo que a menudo se utilizan aperturas moduladoras. La cámara estenopeica es la forma más básica de un generador de imágenes de modulación de este tipo, pero su desventaja es el bajo rendimiento, ya que su pequeña apertura permite pasar poca radiación. Dado que solo una pequeña fracción de la luz pasa a través del orificio, lo que provoca una baja relación señal / ruido, la obtención de imágenes a través de orificios implica exposiciones prolongadas inaceptables. Este problema puede superarse hasta cierto punto agrandando el orificio, lo que desafortunadamente conduce a una disminución de la resolución. Las cámaras estenopeicas tienen un par de ventajas sobre las lentes: tienen una profundidad de campo infinita y no sufren aberraciones cromáticas, que se pueden curar en un sistema refractivo solo mediante el uso de una lente de elementos múltiples. La característica más pequeña que se puede resolver con un orificio es aproximadamente del mismo tamaño que el orificio en sí. Cuanto más grande es el agujero, más borrosa se vuelve la imagen. El uso de pequeños orificios múltiples puede parecer una solución a este problema, pero esto da lugar a un montaje confuso de imágenes superpuestas. No obstante, si se elige cuidadosamente el patrón de agujeros, es posible reconstruir la imagen original con una resolución igual a la de un solo agujero.
En los últimos años se ha trabajado mucho utilizando patrones de orificios de regiones claras y opacas, que constituyen lo que se llama una apertura codificada. La motivación para usar técnicas de imágenes de apertura codificada es aumentar la eficiencia de recolección de fotones mientras se mantiene la alta resolución angular de un solo orificio. La obtención de imágenes de apertura codificada (CAI) es un proceso de obtención de imágenes de dos etapas. La imagen codificada se obtiene mediante la convolución del objeto con la función de dispersión del punto de intensidad (PSF) de la apertura codificada. Una vez que se forma la imagen codificada, debe decodificarse para producir la imagen. Esta decodificación se puede realizar de tres formas, a saber, correlación, difracción de Fresnel o deconvolución. Se obtiene una estimación de la imagen original convolucionando la imagen codificada con la apertura codificada original. En general, la imagen recuperada será la convolución del objeto con la autocorrelación de la apertura codificada y contendrá artefactos a menos que su autocorrelación sea una función delta.
Algunos ejemplos de aperturas codificadas incluyen la placa de zona de Fresnel (FZP), matrices aleatorias (RA), matrices no redundantes (NRA), matrices uniformemente redundantes (URA), matrices uniformemente redundantes modificadas (MURA), entre otras. Las placas de zona de Fresnel, llamadas así por Augustin-Jean Fresnel, pueden no considerarse aberturas codificadas en absoluto, ya que consisten en un conjunto de anillos radialmente simétricos, conocidos como zonas de Fresnel, que alternan entre opacos y transparentes. Usan difracción en lugar de refracción o reflexión para enfocar la luz. La luz que incide en el FZP se difractará alrededor de las zonas opacas, por lo que se creará una imagen cuando se produzca una interferencia constructiva. Las zonas opacas y transparentes se pueden espaciar para que la imagen se produzca en diferentes focos.
En el trabajo inicial sobre las aperturas codificadas, los poros se distribuyeron aleatoriamente en la máscara y se colocaron frente a una fuente para ser analizados. Sin embargo, los patrones aleatorios plantean dificultades en la reconstrucción de imágenes debido a la falta de uniformidad en la distribución de los poros. Aparece un ruido inherente como resultado de pequeños términos presentes en la transformada de Fourier de matrices binarias aleatorias de gran tamaño. Este problema se resolvió mediante el desarrollo de matrices uniformemente redundantes (URA). Si la distribución de los elementos transparentes y opacos de la apertura se puede representar como una matriz de codificación binaria A y la matriz de decodificación como G, entonces A y G se pueden elegir de manera que la imagen reconstruida (correlación de A y G con una adición de alguna señal de ruido N) se aproxima a una función delta. Se ha demostrado experimentalmente que las URA ofrecen mejoras significativas a la SNR en comparación con las matrices distribuidas aleatoriamente, sin embargo, el algoritmo utilizado para la construcción de las URA restringe la forma de la apertura a un rectángulo. Por lo tanto, Modified Uniformly Redundant Array (MURA), se introdujo con un cambio en el algoritmo de codificación de URA, lo que permite crear nuevos arreglos en configuraciones lineales, hexagonales y cuadradas. El método de diseño de las URA se modificó para que las nuevas matrices se basaran en residuos cuadráticos en lugar de secuencias de pseudo-ruido (PN).
Imágenes espectrales compresivas
Las técnicas convencionales de formación de imágenes espectrales normalmente escanean zonas adyacentes de la escena espectral subyacente y luego fusionan los resultados para construir un cubo de datos espectrales. Por el contrario, la formación de imágenes espectrales compresivas (CSI), que naturalmente incorpora los principios de la detección comprimida (CS), implica la adquisición de la información espacial-espectral en conjuntos bidimensionales de proyecciones multiplexadas. La notable ventaja de las imágenes espectrales compresivas es que todo el cubo de datos se detecta con solo unas pocas mediciones y, en algunos casos, con tan solo una instantánea FPA, de modo que todo el conjunto de datos se puede obtener durante un período de integración de un solo detector.
En general, los sistemas de imágenes espectrales por compresión explotan diferentes fenómenos ópticos como la codificación y dispersión espacial, espectral o espacial-espectral, para adquirir las medidas de compresión. La ventaja significativa detrás de CSI es que es posible diseñar protocolos de detección que capturan la información esencial de señales dispersas con una cantidad reducida de mediciones. Debido a que la cantidad de proyecciones capturadas es menor que el número de vóxeles en el cubo de datos espectrales, el proceso de reconstrucción se realiza mediante algoritmos de optimización numérica. Este es el paso en el que la imagen computacional juega un papel clave porque el poder de los algoritmos computacionales y las matemáticas se explota para recuperar el cubo de datos subyacente.
En la literatura de CSI, se pueden encontrar diferentes estrategias para lograr las proyecciones codificadas. [5] [6] [7] El generador de imágenes espectrales instantáneas de apertura codificada (CASSI) fue el primer generador de imágenes espectrales diseñado para aprovechar la teoría de la detección por compresión. [8] CASSI emplea aperturas codificadas en binario que crean un patrón de transmisión en cada columna, de modo que estos patrones son ortogonales con respecto a todas las demás columnas. La proyección espacial-espectral en la matriz de detectores está modulada por la máscara binaria de tal manera que cada longitud de onda del cubo de datos se ve afectada por un código de modulación desplazado. Los sistemas CSI más recientes incluyen el CASSI que usa aperturas codificadas por colores (C-CASSI) en lugar de las máscaras en blanco y negro; una versión compacta del CASSI coloreado, llamado generador de imágenes espectrales de compresión de color instantáneo (SCCSI), y una variación del último que utiliza una apertura codificada en blanco y negro en el plano convolucional, conocido como generador de imágenes hiperespectral codificado espacial-espectral (SSCSI ). Las características comunes de este tipo de sistemas CSI incluyen el uso de un elemento dispersivo para desacoplar la información espectral y un elemento de codificación para codificar los datos entrantes.
Algoritmos
Si bien las imágenes computacionales cubren una amplia gama de aplicaciones, los algoritmos utilizados en los sistemas de imágenes computacionales a menudo están relacionados con la resolución de un problema matemático inverso . Los algoritmos se dividen generalmente en técnicas de inversión directa que a menudo son técnicas de reconstrucción "rápidas" e iterativas que son computacionalmente costosas pero que pueden modelar procesos físicos más complejos. Los pasos típicos para diseñar algoritmos para sistemas de imágenes computacionales son:
- Formular una relación entre las medidas y la cantidad a estimar. Este proceso requiere un modelo matemático de cómo se relacionan las medidas con lo desconocido. Por ejemplo: en la obtención de imágenes de alto rango dinámico , las mediciones son una secuencia de exposiciones conocidas del área subyacente que se va a obtener la imagen. En una tomografía computarizada de rayos X , las mediciones son imágenes de rayos X del paciente obtenidas de varias posiciones conocidas de la fuente de rayos X y la cámara detectora con una relación bien establecida para la propagación de rayos X.
- Elegir una métrica para "invertir" las medidas y reconstruir la cantidad de interés. Esta podría ser una métrica simple, como una diferencia de mínimos cuadrados entre las mediciones y el modelo, o una métrica más sofisticada basada en modelar con precisión las estadísticas de ruido del detector y un modelo para el objeto de interés. Esta elección puede estar relacionada con la elección de un estimador estadístico para la cantidad a reconstruir.
- Diseñar algoritmos rápidos y robustos que computen la solución al Paso 2. Estos algoritmos a menudo usan técnicas que van desde la optimización matemática y el mapeo de dichos métodos hasta plataformas de computación rápida para construir sistemas prácticos.
Referencias
- ↑ CITRIS (8 de marzo de 2017), Microscopía computacional , consultado el 4 de septiembre de 2017.
- ^ March, G. (20 de marzo de 2012). "Cómo ver alrededor de las esquinas". Nature News . doi : 10.1038 / nature.2012.10258 .
- ^ Ju, Yun Hye; Lee, Geewon; Lee, Ji Won; Hong, Seung Baek; Suh, Young Ju; Jeong, Yeon Joo (8 de agosto de 2017). "Tomografía computarizada de detección de pulmón de dosis ultrabaja con reconstrucción iterativa basada en modelos: una evaluación de la calidad de la imagen y la visibilidad de la lesión". Acta Radiologica . 59 (5): 553–559. doi : 10.1177 / 0284185117726099 . PMID 28786301 .
- ^ "Charla plenaria (Peyman Milanfar)" (PDF) .
- ^ Hagen, Nathan (13 de junio de 2012). "Ventaja de la instantánea: una revisión de la mejora de la recolección de luz para los sistemas de medición paralelos de alta dimensión" (PDF) . Ingeniería óptica . 51 (11): 111702. Código bibliográfico : 2012OptEn..51k1702H . doi : 10.1117 / 1.OE.51.11.111702 . PMC 3393130 . PMID 22791926 .
- ^ Hagen, Nathan; Kudenov, Michael W. (23 de septiembre de 2013). "Revisión de tecnologías de imágenes espectrales instantáneas" (PDF) . Ingeniería óptica . 52 (9): 090901. Bibcode : 2013OptEn..52i0901H . doi : 10.1117 / 1.OE.52.9.090901 .
- ^ Arce, Gonzalo R .; Rueda, Hoover; Correa, Claudia V .; Ramírez, Ana; Argüello, Henry (15 de febrero de 2017). Cámaras multiespectrales compresivas instantáneas . Enciclopedia Wiley de Ingeniería Eléctrica y Electrónica . págs. 1–22. doi : 10.1002 / 047134608X.W8345 . ISBN 9780471346081.
- ^ Wagadarikar, Ashwin; John, Renu; Willett, Rebecca ; Brady, David (8 de febrero de 2008). "Diseño de dispersor único para imágenes espectrales instantáneas de apertura codificada". Óptica aplicada . 47 (10): B44-51. Código Bibliográfico : 2008ApOpt..47B..44W . doi : 10.1364 / AO.47.000B44 . PMID 18382550 .
Otras lecturas
Los avances en el campo de la investigación de imágenes computacionales se presentan en varios lugares, incluidas las publicaciones de SIGGRAPH y IEEE Transactions on Computational Imaging .