se projev´ı lepˇs´ı rekonstrukc´ı sc´eny. V nˇekter´ych pˇr´ıpadech u tohoto m´odu rekon-strukci zlepˇsuje jak parametr
”RMinInitGuess“, tak i nahrazov´an´ı z´aporn´ych prvk˚u (v tomto pˇr´ıpadˇe nastaveno na hodnotu
”zero“, kde jsou tedy z´aporn´e prvky na-hrazeny nulov´ymi hodnotami). Stejnˇe jako u m´odu 1 k rekonstrukci vˇzdy pˇrisp´ıvaly parametry lze lepˇs´ıch v´ysledk˚u dos´ahnout niˇzˇs´ımi hodnotami regularizaˇcn´ıho parametru (kolem hodnoty 500), ˇc´ım vyˇsˇs´ı je pak jeho hodnota, t´ım h˚uˇre je patrn´y kˇr´ıˇz a pokud se parametr nav´yˇs´ı na pˇr´ıliˇs vysok´e hodnoty (3000 a v´ıce), algoritmus d´av´a na v´ysledku pouze jednolitou plochu bez kˇr´ıˇze. Zapnut´ı nebo vypnut´ı parametru
”RMinInitGuess“ pak nemˇelo na kvalitu t´eto rekonstrukce ˇz´adn´y vliv. Pˇri nastaven´ı regularizaˇcn´ıho parametru na hodnotu 500 jsem dos´ahl podobnosti datakrychl´ı 4, 8 · 10−3, coˇz je lepˇs´ı v´ysledek neˇz u m´odu 1.
• Sc´ena s kˇr´ıˇzem osvˇetlen´a lampou - Pro tento typ sc´eny se uk´azal m´od 2 jako nejlepˇs´ı. Pro spr´avn´e zobrazen´ı kˇr´ıˇze zde bylo stejnˇe jako u m´odu 1 nutn´e zapnout parametr
”ZOmean“ a nastavit vysokou hodnotu regula-rizaˇcn´ıho parametru (kolem 5000). Podobnost datakrychl´ı se pak pohybovala kolem 4, 7 · 10−4.
• Sc´ena s barevn´ymi filtry osvˇetlen´a lampou - U tˇechto dat se nejlepˇs´ıch v´ysledk˚u podaˇrilo dos´ahnout opˇet pˇri nastaven´ı regularizaˇcn´ıho parametru na hodnotu 5000 a pˇri pouˇzit´ı parametr˚u
”RMinInitGuess“ a
”imEncZeroing“ na-staven´eho na hodnotu
”zero“. V takov´emto pˇr´ıpadˇe byla hodnota podobnosti datakrychl´ı 2, 5·10−4, coˇz je pro tato data nejlepˇs´ı v´ysledek, jak´eho se podaˇrilo dos´ahnout.
Zaj´ımav´e je, ˇze pˇri nastaven´ı regularizaˇcn´ıho parametru pˇribliˇznˇe do hod-noty 2000, celkov´e rekonstrukci pom´ahal i parametr
”ZOmean“, nicm´enˇe po pˇrekroˇcen´ı hranice 2000 naopak jeho pouˇzit´ı rekonstrukci zhorˇsovalo.
Re´aln´a data:
• Sc´ena s kˇr´ıˇzem osvˇetlen´a laserem - Na tomto typu dat vykazoval m´od 2 obecnˇe lepˇs´ı v´ysledky neˇz m´od 1, projevuj´ıc´ı se pˇredevˇs´ım uˇzˇs´ı ˇspiˇckou intenzity v okol´ı vlnov´e d´elky, na kter´e laser vyzaˇruje (to znamen´a, ˇze se kˇr´ıˇz zobrazoval na menˇs´ım poˇctu vlnov´ych d´elek). Nejlepˇs´ı rekonstrukce se podaˇrilo dos´ahnout pˇri pouˇzit´ı parametr˚u
”RMinInitGuess“ a
”imEncZeroing“
(opˇet nastaven´eho na hodnotu
”zero“) a nastaven´ı regularuzaˇcn´ıho parame-tru na hodnotu pˇribliˇznˇe 700. Parametr
”ZOmean“ zde rekonstrukci z´asadnˇe zhorˇsoval.
• Sc´ena s kˇr´ıˇzem osvˇetlen´a lampou - Podobnˇe jako u simulovan´ych dat byl pro tato data nejlepˇs´ı m´od 2 a to pˇri zapnut´ı parametru
”RMinInitGuess“
Obr´azek 4.7: Sc´ena s kˇr´ıˇzem osvˇetlen´a halogenovou lampou - rekonstrukce pomoc´ı m´odu 2
a ”ZOmean“, kter´y sice ˇc´asteˇcnˇe zkresloval v´ysledn´e spektrum, nicm´enˇe se d´ıky nˇemu spr´avnˇe zobrazoval kˇr´ıˇz t´emˇeˇr ve vˇsech vlnov´ych d´elk´ach. Ide´aln´ı hod-nota regularizaˇcn´ıho parametru se uk´azala kolem 2000, pˇri vyˇsˇs´ıch hodnot´ach pak zaˇc´ınal b´yt kˇr´ıˇz h˚uˇre patrn´y. Nˇekolik ˇrez˚u z rekonstruovan´e datakrychle je vidˇet na obr´azku4.7.
• Sc´ena s barevn´ymi filtry osvˇetlen´a lampou - U tˇechto dat v´ysledn´y pr˚ubˇeh spektra jednotliv´ych filtr˚u odpov´ıdal namˇeˇren´ym dat˚um nejpˇresnˇeji z testovan´ych m´od˚u. Ide´aln´ı hodnotou regularizaˇcn´ıho parametru se zde uk´azala hodnota kolem 1000, pˇri vyˇsˇs´ıch hodnot´ach pak od sebe neˇsly jednotliv´e fil-try odliˇsit a v´ysledn´e spektrum bylo zkreslen´e. Pouˇzit´ı parametru
” RMinInit-Guess“ na rekonstrukci nemˇelo t´emˇeˇr ˇz´adn´y vliv a parametry pro nahrazen´ı z´aporn´ych prvk˚u a
”ZOmean“ zkreslovali v´yslednou intenzitu spektra. Rekon-strukci spektra pomoc´ı t´eto konfigurace je moˇzn´e vidˇet na obr´azku4.8.
4.3.3 M´ od 3
V m´odu 3 opˇet vyuˇz´ıv´ame informaci z cel´eho detektoru. Ve v´ysledku vˇsak algorit-mus pracuje pouze s jednou matic´ı, kter´a je sloˇzena z prvn´ıho ˇr´adu, kter´y odpov´ıd´a odeˇcten´ym prvn´ım ˇr´ad˚um z vrchn´ı a spodn´ı ˇc´asti, a z nult´eho ˇr´adu, kter´y odpov´ıd´a seˇcten´ym nult´ym ˇr´ad˚um. Pro vˇsechny typy dat bylo nutn´e u tohoto m´odu vyuˇz´ıvat parametr
”imEncZeroing“ nastaven´y na hodnotu
”abs“ (nahrazen´ı z´aporn´ych prvk˚u jejich absolutn´ı hodnotou), bez kter´eho nebyl algoritmus schopen spr´avnˇe zobrazit
Obr´azek 4.8: Rekonstruovan´e spektrum sc´eny s barevn´ymi filtry osvˇetlen´e halogeno-vou lampou - rekonstrukce pomoc´ı m´odu 2 (barvy kˇrivek odpov´ıdaj´ı barv´am filtr˚u)
sc´enu ani intenzitu spektra. Obdobnˇe jako u dvou dˇr´ıve zm´ınˇen´ych m´od˚u, i zde k re-konstrukci pˇrisp´ıvaly parametry
”useZOinInitGuess“ a
”useZOinCalc“ a v nˇekter´ych pˇr´ıpadech i parametr
”RMinInitGuess“.
Simulovan´a data:
• Sc´ena s kˇr´ıˇzem osvˇetlen´a laserem - Pro laser a obecnˇe pro rekonstrukci sc´en o nˇekolika vlnov´ych d´elk´ach s v´yraznou intenzitou se m´od 3 uk´azal jako nejlepˇs´ı. Konkr´etnˇe u tˇechto simulovan´ych dat se ve v´ysledn´e datakrychli kˇr´ıˇz zobrazoval pouze na tˇrech ˇrezech datakrychle a na ostatn´ıch ˇrezech byly nulov´e nebo t´emˇeˇr nulov´e hodnoty, coˇz odpov´ıd´a simulovan´ym dat˚um, kde byly nenu-lov´e hodnoty takt´eˇz pouze na tˇrech ˇrezech datatkrychle. Takov´ychto v´ysledk˚u jsem dos´ahl pˇri nastaven´ı regularizaˇcn´ıho parametru na hodnotu 1000 a pˇri pouˇzit´ı parametru i zde bylo podm´ınkou spr´avn´e rekonstrukce zapnut´ı parametru
”ZOmean“. Po-rovn´an´ı vlivu tohoto parametru na rekonstrukci je moˇzn´e vidˇet na obr´azku4.9.
Nejlepˇs´ıch v´ysledk˚u se podaˇrilo dos´ahnout pˇri nastaven´ı regularizaˇcn´ıho para-metru na hodnotu 5000 a pouˇzit´ı parametru
”imEncZeroing“. V´ysledn´a po-dobnost datakrychl´ı byla 7, 3·10−4, coˇz je v´ysledek horˇs´ı neˇz u obou pˇredeˇsl´ych m´od˚u. Na obr´azku4.10 je pak moˇzn´e vidˇet porovn´an´ı rekonstruovan´eho spek-tra s p˚uvodn´ım simulovan´ym spektrem datakrychle.
• Sc´ena s barevn´ymi filtry osvˇetlen´a lampou - U tˇechto dat se nepodaˇrila za pomoci m´odu 3 prov´est rekonstrukci s dobr´ymi v´ysledky.
(a) Rekonstrukce bez parametru
”ZOmean“ - podobnost datakrychl´ı 8, 7 · 10−4
(b) Rekonstrukce s parametrem
”ZOmean“ - podobnost datakrychl´ı 7, 3 · 10−4 Obr´azek 4.9: Uk´azka rekonstrukce simulovan´e sc´eny (kˇr´ıˇz osvˇetlen´y halogenovou lampou) pomoc´ı m´odu 3 s vypnut´ym a zapnut´ym parametrem
”ZOmean“
(a) Rekonstruovan´e spektrum (b) Spektrum simulovan´e sc´eny Obr´azek 4.10: Spektrum simulovan´e sc´eny s kˇr´ıˇzem osvˇetlen´e lampou - rekonstrukce pomoc´ı m´odu 3 (vlevo) a p˚uvodn´ı spektrum datakrychle (vpravo)
Re´aln´a data:
• Sc´ena s kˇr´ıˇzem osvˇetlen´a laserem - Jak jiˇz bylo ˇreˇceno u simulovan´ych dat laseru, m´od 3 se uk´azal pro takov´yto typ dat ide´aln´ı. Nejlepˇs´ıch v´ysledk˚u se podaˇrilo dos´ahnout obdobnˇe jako u simulovan´ych dat za pouˇzit´ı
” imEncZe-roing“ a nastaven´ı regularizaˇcn´ıho parametru na hodnotu kolem 400. V tomto pˇr´ıpadˇe se kˇr´ıˇz zobrazoval pouze na dvou ˇrezech datakrychle (vlnov´e d´elky 528 nm a 532 nm), coˇz pˇribliˇznˇe koresponduje s vlnovou d´elkou, na kter´e laser vyzaˇruje. Nˇekolik ˇrez˚u z v´ysledn´e datakrychle a pr˚ubˇeh spektra je moˇzn´e vidˇet na obr´azku 4.11.
• Sc´ena s kˇr´ıˇzem osvˇetlen´a lampou - U tˇechto dat jsem zprvu oˇcek´aval, ˇze ke spr´avn´emu zobrazen´ı kˇr´ıˇze bude opˇet nutn´e pouˇz´ıt parametr
”ZOmean“.
Nicm´enˇe se uk´azalo, ˇze m´od 3 vykazuje pomˇernˇe dobr´e v´ysledky i bez vyuˇzit´ı tohoto parametru a jeho zapnut´ı na rekonstrukci nem´a pˇr´ıliˇs velk´y vliv. Hlavn´ım probl´emem t´eto rekonstrukce (a obecnˇe rekonstrukce re´aln´ych sc´en osvˇetlen´ych lampou pomoc´ı tohoto m´odu) bylo posunut´ı maxima intenzity k vyˇsˇs´ım vl-nov´ym d´elk´am, neˇz co jsme namˇeˇrili spektrometrem. Nejlepˇs´ıch v´ysledk˚u se pak dos´ahlo pˇri nastaven´ı regularizaˇcn´ıho parametru na hodnotu 600 a zapnut´ı parametr˚u
”imEncZeroing“ a
”RMinInitGuess“. Nˇekolik ˇrez˚u z rekonstruovan´e datakrychle je moˇzn´e vidˇet na obr´azku 4.12.
• Sc´ena s barevn´ymi filtry osvˇetlen´a lampou - Jak se uk´azalo na simu-lovan´ych datech, tento m´od nen´ı pˇr´ıliˇs vhodn´y pro podobn´y typ sc´eny. Sice jsem zde byl schopen dos´ahnout lepˇs´ıch v´ysledk˚u, neˇz pˇri testov´an´ı na simu-lovan´ych datech, nicm´enˇe spektrum jednotliv´ych filtr˚u zde bylo st´ale velmi zkreslen´e a neodpov´ıdalo zmˇeˇren´emu spektru. Nejlepˇs´ıch v´ysledk˚u se dos´ahlo pˇri pouˇz´ıt parametru
”imEncZeroing“ a nastaven´ı regularizaˇcn´ıho parametru k hodnot´am kolem 1000.
(a) Vybran´e ˇrezy z datakrychle (b) Rekonstruovan´e spektrum laseru Obr´azek 4.11: Uk´azka sc´eny s kˇr´ıˇzem osvˇetlen´e zelen´ym laserem rekonstruovan´e pomoc´ı m´odu 3
Obr´azek 4.12: Sc´ena s kˇr´ıˇzem osvˇetlen´a halogenovou lampou - rekonstrukce pomoc´ı m´odu 3 bez zapnut´eho parametru
”ZOmean“
Tabulka 4.1: Pˇrehled jednotliv´ych simulovan´ych sc´en a m´od˚u s nejlepˇs´ımi podob-nostmi datakrychl´ı, jak´e se u nich podaˇrilo pˇri rekonstrukci dos´ahnout
4.3.4 Shrnut´ı
V pr˚ubˇehu testov´an´ı se uk´azalo, ˇze nen´ı moˇzn´e zvolit ide´aln´ı kombinaci parametr˚u, kter´a by u vˇsech sc´en a m´od˚u vykazovala vˇzdy nejlepˇs´ı v´ysledky. Jako takov´y kom-promis, kdy je algoritmus schopn´y rekonstruovat pomˇernˇe dobˇre vˇsechny testovan´e sc´eny za pouˇzit´ı jak´ehokoliv m´odu, se uk´azala kombinace tˇechto parametr˚u - zapnut´e parametry
”useZOinInitGuess“,
”useZOinCalc“ a regularizaˇcn´ı parametr nastaven´y na hodnotu 400. Ostatn´ı testovan´e parametry pak bylo obecnˇe lepˇs´ı nechat vypnut´e, protoˇze pro urˇcit´e sc´eny a m´ody sice k rekonstrukci pˇrisp´ıvaly, nicm´enˇe pro jin´e na-opak rekonstrukci znaˇcnˇe zhorˇsovaly. V´yjimkou pak byl m´od 3, kde bylo nutn´e m´ıt parametr
”imEncZeroing“ nastaven´y na hodnotu
”abs“ (nahrazen´ı z´aporn´ych prvk˚u jejich absolutn´ı hodnotou), jinak nebyl algoritmus schopen prov´adˇet pˇr´ıliˇs dobr´e re-konstrukce, tato hodnota byla pozdˇeji u m´odu 3 nastavena jako fixn´ı. V pˇr´ıpadˇe, ˇze bylo nutn´e zlepˇsit prostorovou informaci se pak vyplatilo zapnout parametr
” ZO-mean“, d´ıky kter´emu vˇsak doch´azelo ke zkreslen´ı spektra.
V tabulce 4.2 je moˇzn´e vidˇet pˇrehled jednotliv´ych sc´en s nejlepˇs´ı volbou pˇr´ıstup˚u a parametr˚u, v tabulce 4.1 je pak pˇrehled simulovan´ych sc´en a m´od˚u s nejlepˇs´ımi podobnostmi datakrychl´ı, jak´e se u nich podaˇrilo dos´ahnout. Jak bylo ˇreˇceno na zaˇc´atku t´eto kapitoly, kvalita rekonstrukce se hodnotila u simulovan´ych dat podle podobnosti datakrychl´ı (hodnota pˇredstavuj´ıc´ı minimum funkce 4.1) a u re´aln´ych dat subjektivnˇe z porovn´an´ı pr˚ubˇehu intenzity spektra dan´e sc´eny a podle vizu´aln´ıho vzhledu sc´eny na jednotliv´ych vlnov´ych d´elk´ach.
Tabulka 4.2: Pˇrehled jednotliv´ych sc´en s parametry rekonstrukce, kter´e se pro da-nou sc´enu nejv´ıce osvˇedˇcily (λ je regularizaˇcn´ı parametr a parametry, kter´e nejsou v tabulce u jednotliv´ych sc´en uvedeny, jsou u dan´e konfigurace vypnut´e)
4.4 Dalˇ s´ı pokusn´ a mˇ eˇ ren´ı
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).