La obtención de imágenes computacionales es el proceso de formación indirecta de imágenes a partir de mediciones utilizando algoritmos que dependen de una cantidad significativa de computación. A diferencia de la obtención de imágenes tradicionales, los sistemas de obtención 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 están dando como resultado sistemas de obtención de imágenes con capacidades significativamente mejoradas. Los sistemas de obtención de imágenes computacionales cubren una amplia gama de aplicaciones que incluyen microscopía computacional , [1] obtención de imágenes tomográficas , MRI , obtención de imágenes por ultrasonido , fotografía computacional , radar de apertura sintética (SAR), obtención de imágenes sísmicas , etc. La integración de la detección y la computación en los sistemas de obtención de imágenes computacionales permite acceder a información que de otro modo no sería posible. Por ejemplo:
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.) al superar los desafíos del dominio de la computación. Algunos ejemplos de dichos sistemas incluyen imágenes difractivas coherentes , imágenes de apertura codificada y superresolución de imágenes .
La obtención de imágenes computacionales se diferencia del procesamiento de imágenes en el sentido de que el objetivo principal de la primera es reconstruir imágenes reconocibles por humanos a partir de datos medidos mediante algoritmos, mientras que el segundo es procesar imágenes ya reconocibles (que pueden no tener la calidad suficiente) para mejorar la calidad o derivar alguna información de ellas.
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 dosis más bajas [3] ) impulsadas por avances en algoritmos de procesamiento de señales e imágenes (incluidas técnicas de detección comprimida ) y plataformas informáticas más rápidas. La fotografía ha evolucionado desde el procesamiento puramente químico hasta la capacidad actual de capturar y fusionar computacionalmente múltiples imágenes digitales ( fotografía computacional ) [4], lo que hace que técnicas como HDR e imágenes panorámicas estén disponibles para la mayoría de los usuarios de teléfonos celulares. La imagen computacional también ha visto el surgimiento de técnicas que modifican la fuente de luz incidente 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 súper resolución , pticografía de Fourier ). Los avances en el desarrollo de potentes plataformas de computación paralela han jugado un papel vital en la capacidad de hacer avances en la imagen computacional.
Las imágenes se obtienen normalmente en longitudes de onda ópticas mediante lentes y espejos. Sin embargo, para los rayos X y los rayos gamma, las lentes y los espejos son poco prácticos, por lo que a menudo se utilizan en su lugar aberturas moduladoras. La cámara estenopeica es la forma más básica de este tipo de cámara de modulación, pero su desventaja es el bajo rendimiento, ya que su pequeña abertura permite el paso de 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 estenopeicos implica exposiciones prolongadas inaceptables. Este problema se puede superar hasta cierto punto haciendo el orificio más grande, lo que lamentablemente 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 aberración cromática, que se puede corregir en un sistema refractivo solo utilizando una lente de elementos múltiples. La característica más pequeña que se puede resolver con un orificio estenopeico es aproximadamente del mismo tamaño que el propio orificio estenopeico. Cuanto más grande sea el orificio, más borrosa se vuelve la imagen. El uso de múltiples orificios pequeños puede parecer una forma de evitar este problema, pero da lugar a un montaje confuso de imágenes superpuestas. No obstante, si se elige con cuidado el patrón de orificios, es posible reconstruir la imagen original con una resolución igual a la de un solo orificio.
En los últimos años se ha trabajado mucho en el uso de patrones de agujeros de regiones claras y opacas, que constituyen lo que se denomina una apertura codificada. La motivación para utilizar técnicas de obtención de imágenes de apertura codificada es aumentar la eficiencia de recolección de fotones manteniendo al mismo tiempo la alta resolución angular de un único agujero. La obtención de imágenes de apertura codificada (CAI) es un proceso de obtención de imágenes en dos etapas. La imagen codificada se obtiene mediante la convolución del objeto con la función de dispersión de puntos de intensidad (PSF) de la apertura codificada. Una vez que se forma la imagen codificada, se debe decodificar para obtener la imagen. Esta decodificación se puede realizar de tres formas: correlación, difracción de Fresnel o deconvolución. Se obtiene una estimación de la imagen original mediante la convolución de 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 aperturas codificadas en absoluto, ya que consisten en un conjunto de anillos radialmente simétricos, conocidos como zonas de Fresnel, que alternan entre opacos y transparentes. Utilizan difracción en lugar de refracción o reflexión para enfocar la luz. La luz que incide en la FZP se difractará alrededor de las zonas opacas, por lo tanto, se creará una imagen cuando se produzca una interferencia constructiva. Las zonas opacas y transparentes se pueden espaciar de modo que la formación de imágenes se produzca en diferentes focos.
En los primeros trabajos sobre aperturas codificadas, los agujeros se distribuían aleatoriamente en la máscara y se colocaban delante de una fuente para analizar. Sin embargo, los patrones aleatorios plantean dificultades con la reconstrucción de imágenes debido a la falta de uniformidad en la distribución de los agujeros. Aparece un ruido inherente como resultado de los términos pequeños presentes en la transformada de Fourier de matrices binarias aleatorias de gran tamaño. Este problema se abordó 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 se pueden elegir A y G de modo que la imagen reconstruida (correlación de A y G con una adición de alguna señal de ruido N) se aproxime a una función delta. Se ha demostrado experimentalmente que las URA ofrecen mejoras significativas en la relación señal-ruido 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, se introdujo la Matriz Uniformemente Redundante Modificada (MURA, por sus siglas en inglés) con un cambio en el algoritmo de codificación de URA, lo que permitió crear nuevas matrices 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).
Las técnicas convencionales de obtención de imágenes espectrales suelen escanear zonas adyacentes de la escena espectral subyacente y luego fusionar los resultados para construir un cubo de datos espectrales. Por el contrario, la obtención de imágenes espectrales compresivas (CSI), que incorpora de forma natural los principios de la detección comprimida (CS), implica la adquisición de la información espectral espacial en conjuntos bidimensionales de proyecciones multiplexadas. La notable ventaja de la obtención de imágenes espectrales compresivas es que todo el cubo de datos se detecta con tan solo unas pocas mediciones y, en algunos casos, con tan solo una única instantánea de FPA, de modo que se puede obtener todo el conjunto de datos durante un único período de integración del detector.
En general, los sistemas de imágenes espectrales compresivas explotan diferentes fenómenos ópticos, como la codificación y dispersión espacial, espectral o espacio-espectral, para adquirir las mediciones compresivas. 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 la cantidad 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 obtención de imágenes computacionales juega un papel clave porque se explota el poder de los algoritmos computacionales y las matemáticas para recuperar el cubo de datos subyacente.
En la literatura sobre CSI, se pueden encontrar diferentes estrategias para lograr las proyecciones codificadas. [5] [6] [7] El generador de imágenes espectrales de instantáneas con apertura codificada (CASSI) fue el primer generador de imágenes espectrales diseñado para aprovechar la teoría de detección compresiva. [8] CASSI emplea aperturas codificadas binarias 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 utiliza aperturas codificadas en color (C-CASSI) en lugar de las máscaras en blanco y negro; una versión compacta del CASSI en color, llamada generador de imágenes espectrales compresivas de instantáneas con apertura codificada en color (SCCSI), y una variación de este último que utiliza una apertura codificada en blanco y negro en el plano convolucional, conocida como generador de imágenes hiperespectrales 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.
Si bien la obtención de imágenes computacionales cubre una amplia gama de aplicaciones, los algoritmos utilizados en los sistemas de obtención de imágenes computacionales suelen estar relacionados con la solución de un problema matemático inverso . Los algoritmos se dividen generalmente en técnicas de inversión directa, que suelen ser "rápidas", y técnicas de reconstrucción iterativa , que son computacionalmente costosas pero que pueden modelar procesos físicos más complejos. Los pasos típicos para diseñar algoritmos para sistemas de obtención de imágenes computacionales son:
Los avances en el campo de la investigación en imágenes computacionales se presentan en varios lugares, incluidas publicaciones de SIGGRAPH y las Transacciones IEEE sobre Imágenes Computacionales.