Kromˇe dˇr´ıve zm´ınˇen´ych sc´en se pokusn´a mˇeˇren´ı dˇelala tak´e na dalˇs´ıch re´aln´ych sc´en´ach. K zaj´ımavˇejˇs´ım patˇr´ı napˇr´ıklad rekonstrukce sc´eny osvˇetlen´e z´aˇrivkou nebo rekonstrukce sc´eny s ˇcervenou diodou a zelen´ym laserem. Jak jiˇz bylo ˇreˇceno v pˇredeˇsl´e kapitole, k rekonstrukci sc´en s nˇekolika v´yrazn´ymi vlnov´ymi d´elkami se jako nejlepˇs´ı uk´azal m´od 3 a na tˇechto datech se tento z´avˇer jen potvrdil.
Na obr´azku4.14lze vidˇet nˇekolik ˇrez˚u datakrychle (s pˇr´ısluˇsn´ymi vlnov´ymi d´elkami) a rekonstruovan´e spektrum sc´eny osvˇetlen´e ˇcervenou diodou a zelen´ym laserem. Je zde opˇet patrn´e, ˇze se sc´ena zobrazuje pouze na nˇekolika ˇrezech datakrychle (u diody je jich v´ıce, coˇz je zp˚usobeno t´ım, ˇze dioda vyzaˇruje v ˇsirˇs´ım spektru neˇz laser), coˇz svˇedˇc´ı o pomˇernˇe pˇresn´e spektr´aln´ı rekonstrukci. Z´aroveˇn si tak´e m˚uˇzeme ovˇeˇrit, ˇze vlnov´a d´elka skuteˇcnˇe odpov´ıd´a pˇribliˇznˇe zelen´e a ˇcerven´e barvˇe. Co se t´yˇce pro-storov´e rekonstrukce, opˇet se jednalo o sc´enu s kˇr´ıˇzem, kter´y je zde takt´eˇz dobˇre patrn´y.
Na obr´azku4.14a je vidˇet rekonstruovan´e spektrum z´aˇrivky (rekonstrukce opˇet po-moc´ı m´odu 3). Pro porovn´an´ı je zde tak´e obr´azek 4.14b, kde je spektrum zmˇeˇren´e pomoc´ı spektrometru Ocean Optics Flame.
(a) Vybran´e ˇrezy z datakrychle (b) Rekonstruovan´e spektrum Obr´azek 4.13: Sc´ena s kˇr´ıˇzem osvˇetlen´a zelen´ym laserem a ˇcervenou diodou - rekon-strukce pomoc´ı m´odu 3
(a) Rekonstruovan´e spektrum (b) Zmˇeˇren´e spektrum
Obr´azek 4.14: Sc´ena osvˇetlen´a z´aˇrivkou - rekonstrukce spektra pomoc´ı m´odu 3 (vlevo) a spektrum zmˇeˇren´e spektrometrem (vpravo)
5 Z´ avˇ er
C´ılem t´eto pr´ace bylo zkoumat metodu CASSI z hlediska schopnosti rekonstrukce r˚uzn´ych sc´en a za pouˇzit´ı r˚uzn´ych pˇr´ıstup˚u k rekonstrukci. V pr˚ubˇehu mˇeˇren´ı jsme identifikovali nˇekolik probl´em˚u t´ykaj´ıc´ıch se samotn´e zobrazovac´ı soustavy. ˇC´ast tˇechto probl´em˚u byla nejsp´ıˇse zp˚usobena odstranˇen´ım vstupn´ı ˇc´asti optick´e sou-stavy slouˇz´ıc´ı jako objektiv a jej´ım nahrazen´ım dvojˇcoˇckou a ˇstˇerbinou, kter´e jsou pro testovac´ı ´uˇcely naprosto dostaˇcuj´ıc´ı, nicm´enˇe nemohou se vyrovnat optick´e sou-stavˇe o pˇeti ˇcoˇck´ach. Zbytek byl pravdˇepodobnˇe zp˚usoben nedokonalostmi samotn´e soustavy, pˇr´ıpadnˇe vnˇejˇs´ımi vlivy (napˇr´ıklad bud´ıc´ı dioda u laseru).
Celkovˇe nen´ı moˇzn´e urˇcit, jak´e parametry nebo pˇr´ıstupy by byly nejlepˇs´ı, nebot’ jak bylo uk´az´ano na pokusn´ych mˇeˇren´ıch, kaˇzd´y pˇr´ıstup m´a sv´e v´yhody a nev´yhody podle sc´eny, kterou zpracov´av´ame. Pokud vˇsak o sc´enˇe nem´ame ˇz´adnou informaci pˇredem, doporuˇcen´a konfigurace, kter´a se pomˇernˇe dobˇre osvˇedˇcila na vˇsech testo-van´ych sc´en´ach, je pouˇzit´ı m´odu 2 (pˇr´ıstup, ve kter´em pracujeme se dvˇema maticemi reprezentuj´ıc´ımi vrchn´ı a spodn´ı ˇc´ast detektoru) s hodnotou regularizaˇcn´ıho para-metru 400 a za pouˇzit´ı nult´eho ˇr´adu jak v poˇc´ateˇcn´ım odhadu (parametr
” useZOi-nInitGuess“), tak i v pr˚ubˇehu rekonstrukce (parametr
”useZOinCalc“). V pˇr´ıpadˇe, ˇze budeme potˇrebovat zlepˇsit prostorovou informaci se obecnˇe vyplat´ı zapnout u to-hoto m´odu i parametr
”ZOmean“, d´ıky kter´emu jsou jednotliv´e ˇrezy datakrychle v pr˚ubˇehu rekonstrukce pˇren´asobeny nult´ym ˇr´adem, nicm´enˇe v takov´em pˇr´ıpadˇe mus´ıme poˇc´ıtat se zkreslen´ım spektr´aln´ı informace. Pokud vˇsak v´ıme, ˇze spektrum sc´eny bude pravdˇepodobnˇe sloˇzen´e jen z nˇekolika vlnov´ych d´elek s vysokou intenzi-tou, vyplat´ı se vyuˇz´ıt m´odu 1 (pˇr´ıstup ve kter´em pracujeme s jednou matic´ı sloˇzenou z odeˇcten´ych prvn´ıch ˇr´ad˚u a seˇcten´ych nult´ych ˇr´ad˚u).
Hlavn´ım parametrem, kter´y pak v´yraznˇe ovlivˇnoval kvalitu rekonstrukce, byl regu-larizaˇcn´ı parametr. U jednoduˇsˇs´ıch dat, kde jsou pˇrev´aˇznˇe vˇetˇs´ı jednolit´e plochy o stejn´e intenzitˇe (jako napˇr´ıklad u n´ami simulovan´ych dat) se osvˇedˇcilo tento pa-rametr nastavit na vysokou hodnotu (5000 a v´ıce). Je to d´ano t´ım, ˇze v takov´emto pˇr´ıpadˇe se snaˇz´ı algoritmus TwIST dos´ahnout takov´eho v´ysledku, kde bude ve vln-kov´e dom´enˇe co nejm´enˇe nenulov´ych prvk˚u. Takov´ymto mal´ym poˇctem prvk˚u jsme pak schopni tato jednoduˇsˇs´ı data dobˇre reprezentovat, nicm´enˇe ve chv´ıli, kdy jsou data, co se t´yˇce prostorov´e informace, sloˇzitˇejˇs´ı, je potˇreba v´ıce nenulov´ych prvk˚u pro jejich reprezentaci a tud´ıˇz je nutn´e sn´ıˇzit i regularizaˇcn´ı parametr.
Pˇri mˇeˇren´ıch jsem narazil na nˇekolik limituj´ıc´ıch faktor˚u t´ykaj´ıc´ıch se sn´ıman´ych sc´en. Algoritmus nen´ı schopen spr´avnˇe rekonstruovat spektrum, ve kter´em je nˇekolik ˇspiˇcek intenzit vedle sebe, coˇz je napˇr´ıklad vidˇet u rekonstruovan´eho spektra z´aˇrivky, kdy v namˇeˇren´em spektru m˚uˇzeme vidˇet v rozmez´ı 550 nm aˇz 600 nm nˇekolik
v´yraznˇejˇs´ıch ˇspiˇcek intenzit, nicm´enˇe v rekonstruovan´em spektru jednotliv´e ˇspiˇcky
”spl´yvaj´ı“ a jiˇz nejsou patrn´e. Je to d´ano zaprv´e samotn´ym principem metody, kdy se na detektoru jednotliv´e vlnov´e d´elky ˇc´asteˇcnˇe pˇrekr´yvaj´ı a zadruh´e je to d´ano spektr´aln´ım rozliˇsen´ım, kter´e je v naˇsem pˇr´ıpadˇe pˇribliˇznˇe 4 nm. D´ale se tak´e uk´azalo, ˇze je rekonstrukce obecnˇe citlivˇejˇs´ı na zmˇenu prostorov´e informace v ose y neˇz na zmˇenu v ose x (to znamen´a, ˇze se n´am podaˇr´ı l´epe rekonstruovat horizont´aln´ı ˇc´aru, neˇzli vertik´aln´ı), coˇz je moˇzn´e pozorovat kupˇr´ıkladu u sc´eny s kˇr´ıˇzem. Opˇet je to d´ano pˇrekr´yv´an´ım sn´ımk˚u jednotliv´ych vlnov´ych d´elek.
Celkovˇe vˇsak lze konstatovat, ˇze algoritmus byl na n´ami testovan´ych datech pomˇernˇe
´
uspˇeˇsn´y a pˇri pouˇzit´ı vhodn´e kombinace parametr˚u byl schopen pˇresn´e rekonstrukce jak spektr´aln´ı tak prostorov´e informace.
Zdroje
[1] J´ıˇr´ı Hlubuˇcek a Karel ˇZ´ıdek. “Hyperspectral imaging in infrared region using compressed sensing methods”. In: ACC Journal 24.1 (2018-6-30), s. 24–32.
issn: 18039782. doi: 10.15240/tul/004/2018-1-003.
[2] Marena Manley. “Near-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of biological materials”. In: Chem. Soc. Rev. 43 (24 2014), s. 8200–8214. doi: 10 . 1039 / C4CS00062E. url: http : / / dx . doi . org / 10 . 1039/C4CS00062E.
[3] Peg Shippert. Push Broom and Whisk Broom Sensors. c 2020. url:https://
www.harrisgeospatial.com/Support/Self-Help-Tools/Help-Articles/
Help Articles Detail / ArtMID / 10220 / ArticleID / 16262 / Push Broom -and-Whisk-Broom-Sensors (cit. 23. 01. 2020).
[4] Bart M. Nicola¨ı et al. “Non-destructive measurement of bitter pit in apple fruit using NIR hyperspectral imaging”. In: Postharvest Biology and Technology 40.1 (2006), s. 1 –6. issn: 0925-5214. doi: https : / / doi . org / 10 . 1016 / j . postharvbio . 2005 . 12 . 006. url: http : / / www . sciencedirect . com / science/article/pii/S0925521405002723.
[5] Hamed Akbari et al. “Hyperspectral imaging and quantitative analysis for prostate cancer detection”. In: Journal of Biomedical Optics 17.7 (2012), s. 1 –11. doi: 10.1117/1.JBO.17.7.076005. url: https://doi.org/10.1117/
1.JBO.17.7.076005.
[6] Neelam Gupta. “Hyperspectral imager development at Army Research La-boratory”. In: Infrared Technology and Applications XXXIV. Ed. Bjørn F.
Andresen, Gabor F. Fulop a Paul R. Norton. Sv. 6940. International Society for Optics a Photonics. SPIE, 2008, s. 573 –582. doi: 10.1117/12.777110.
url: https://doi.org/10.1117/12.777110.
[7] Siegfried Wartewig a Reinhard H.H. Neubert. “Pharmaceutical applications of Mid-IR and Raman spectroscopy”. In: Advanced Drug Delivery Reviews 57.8 (2005). Non-Invasive Spectroscopic and Imaging Techniques in Drug Delivery, s. 1144 –1170. issn: 0169-409X. doi: https://doi.org/10.1016/j.addr.
2005.01.022. url: http://www.sciencedirect.com/science/article/
pii/S0169409X0500058X.
[8] Bahaa E. A. Saleh a Malvin Carl Teich. Z´aklady fotoniky. Vyd. 1. Praha:
Matfyzpress, 1995. isbn: 80-85863-05-7.
[9] Milan ˇSonka, V´aclav Hlav´aˇc a Roger Boyle. Image processing, analysis, and machine vision. 3rd ed. Toronto: Thompson Learning, c2008. isbn: 978-049-5082-521.
[10] Adrian Stern. Optical compressive imaging. 1st Edition. Boca Raton: CRC Press, Taylor & Francis Group, [2017]. isbn: 978-1-4987-0806-7.
[11] Gonzalo R. Arce et al. “Compressive Coded Aperture Spectral Imaging. An Introduction”. In: IEEE Signal Processing Magazine 31.1 (2014), s. 105–115.
issn: 1053-5888. doi:10.1109/MSP.2013.2278763. url:http://ieeexplore.
ieee.org/document/6678264/.
[12] Pavel Rajmic a Marie Daˇnkov´a. ´Uvod do ˇr´ıdk´ych reprezentac´ı sign´al˚u a kom-primovan´eho sn´ım´an´ı. prvn´ı. Brno: Vysok´e uˇcen´ı technick´e v Brnˇe, 2014. isbn:
978-80-214-5169-8. url: http : / / www . utko . feec . vutbr . cz / ~rajmic / skripta/Skripta-Ridke_reprezentace-Rajmic_Dankova.pdf(cit. 22. 03. 2020).
[13] D. Angelosante, G. B. Giannakis a E. Grossi. “Compressed sensing of time-varying signals”. In: 2009 16th International Conference on Digital Signal Pro-cessing (2009), s. 1–8. doi: 10 . 1109 / ICDSP . 2009 . 5201168. url: http : //ieeexplore.ieee.org/document/5201168/ (cit. 02. 03. 2020).
[14] Ashwin Wagadarikar et al. “Single disperser design for coded aperture sna-pshot spectral imaging”. In: Appl. Opt. 47.10 (2008), B44–B51. doi:10.1364/
AO.47.000B44. url: http://ao.osa.org/abstract.cfm?URI=ao- 47- 10-B44.
[15] Elena Anisimova, Jan Bedn´aˇr a Petr P´ata. “Zpracov´an´ı obrazu pomoc´ı vln-kov´e transformace”. In: Elektrorevue 15.4 (srpen 2013), s. 238–246. issn: 1213-1539. url: http : / / www . elektrorevue . cz / cz / download / zpracovani - obrazu-pomoci-vlnkove-transformace--image-processing-using-the-wavelet-transform-/ (cit. 16. 05. 2020).
[16] Gerardo Gamez. “Compressed sensing in spectroscopy for chemical analysis”.
In: Journal of Analytical Atomic Spectrometry 31.11 (2016), s. 2165–2174.
issn: 0267-9477. doi: 10.1039/C6JA00262E. url: http://xlink.rsc.org/
?DOI=C6JA00262E (cit. 12. 04. 2020).
[17] M. F. Duarte et al. “Single-pixel imaging via compressive sampling”. In: IEEE Signal Processing Magazine 25.2 (2008), s. 83–91. issn: 1558-0792.
[18] Dana Mackenzie. What’s Happening in the Mathematical Sciences, Volume 7.
1st Edition. Providence, Rhode Island, USA: American Mathematical Society, 2008. isbn: 978-0-8218-4478-6.
[19] L. Jacques et al. “CMOS compressed imaging by Random Convolution”. In:
2009 IEEE International Conference on Acoustics, Speech and Signal Proces-sing 2009.CFP09ICA (2009), s. 1113–1116. issn: 1520-6149. doi: 10.1109/
ICASSP . 2009 . 4959783. url: http : / / ieeexplore . ieee . org / document / 4959783/ (cit. 13. 04. 2020).
[20] Karel ˇZ´ıdek et al. “Compact and robust hyperspectral camera based on com-pressed sensing”. In: Optics and Measurement International Conference 2016.
Ed. Jana Kovacicinova. Sv. 10151. International Society for Optics a Pho-tonics. SPIE, 2016, s. 165 –171. doi: 10 . 1117 / 12 . 2250268. url: https : //doi.org/10.1117/12.2250268.
[21] G-507. c 2020. url: https : / / www . alliedvision . com / en / products / cameras/detail/Manta/G-507.html (cit. 22. 05. 2020).