Hispanopedia Wiki
Articulo de referencia

Imágenes computacionales

La imagen computacional es una clase de métodos de imagen en los que se reconstruyen imágenes o mapas cuantitativos a partir de mediciones mediante algoritmos. En una cámara o m...

Hispanopedia WikiContenido en espanolLectura gratuita

La imagen computacional es una clase de métodos de imagen en los que se reconstruyen imágenes o mapas cuantitativos a partir de mediciones mediante algoritmos. En una cámara o microscopio convencional, el hardware suele generar una imagen directamente reconocible en un detector. En la imagen computacional, el detector puede registrar datos indirectos, como proyecciones, mediciones codificadas, patrones de difracción, imágenes con desplazamiento de fase, señales de tiempo de vuelo o imágenes capturadas bajo diferentes condiciones de iluminación. Un modelo computacional estima entonces el objeto o la propiedad que se está midiendo, como la intensidad, la fase, la profundidad, la composición química, la densidad electrónica, la deformación, el índice de refracción o el movimiento. [ 1 ]

La imagen computacional se utiliza en microscopía computacional , imagen médica , tomografía computarizada , resonancia magnética , ultrasonido , radar de apertura sintética , imagen sísmica , fotografía computacional , imagen de apertura codificada e imagen hiperespectral . Se diferencia del procesamiento de imágenes convencional en que el sistema de medición y el algoritmo de reconstrucción suelen diseñarse conjuntamente, en lugar de aplicar software solo después de que se haya formado una imagen convencional.

Un área importante de la imagen computacional es la microscopía computacional , que incluye la imagen difractiva coherente (CDI), la pticografía y la pticografía de Fourier . Estos métodos utilizan luz coherente, rayos X o electrones junto con algoritmos de recuperación de fase para reconstruir imágenes cuando una lente está ausente, es imperfecta o insuficiente para capturar la información deseada. Pueden recuperar tanto la amplitud como la fase, lo que permite la obtención de imágenes cuantitativas de especímenes transparentes, nanomateriales, dispositivos electrónicos y muestras biológicas. [ 2 ] [ 3 ]

Historia

La imagen computacional surgió de varias tradiciones anteriores, como la reconstrucción tomográfica, el procesamiento de señales de radar, los problemas inversos en geofísica, las aperturas codificadas para radiación de alta energía y la fotografía digital . En la tomografía computarizada , se combinan matemáticamente múltiples proyecciones de rayos X para reconstruir una imagen transversal o tridimensional. Ideas similares de problemas inversos se utilizan en la resonancia magnética , la ecografía , el radar de apertura sintética y la imagen sísmica .

El desarrollo de detectores digitales, computadoras rápidas y optimización numérica hizo posible diseñar hardware de imágenes y algoritmos de reconstrucción como un sistema combinado. En imágenes médicas, se han utilizado métodos de reconstrucción iterativos y basados ​​en modelos para mejorar la calidad de la imagen y reducir la dosis de radiación en la tomografía computarizada (TC). [ 4 ] En resonancia magnética (RM), se ha utilizado la detección comprimida para acelerar la adquisición de imágenes aprovechando la escasez en la imagen reconstruida. [ 5 ]

En óptica y microscopía, la recuperación de fase se convirtió en un fundamento importante. En 1972, Gerchberg y Saxton introdujeron un algoritmo iterativo práctico para recuperar información de fase a partir de datos del plano de imagen y del plano de difracción. [ 6 ] Posteriormente, Fienup desarrolló algoritmos de reducción de errores y de entrada-salida híbridos ampliamente utilizados para la recuperación de fase. [ 7 ] Estos algoritmos ayudaron a que fuera posible reconstruir información que los detectores no miden directamente, especialmente la fase óptica o electrónica. Matemáticamente, la recuperación de fase a partir de la intensidad de difracción es posible en principio cuando el número de puntos de intensidad medidos independientemente supera el número de variables de objeto desconocidas en una cantidad suficiente. [ 8 ]

La imagen difractiva coherente fue demostrada experimentalmente por Miao y colaboradores en 1999 al extender ideas cristalográficas a muestras no cristalinas. En CDI, una lente objetivo se reemplaza por mediciones de difracción coherente y recuperación de fase computacional. [ 9 ] [ 2 ] La pticografía , propuesta originalmente en el contexto del problema de fase cristalográfica, se desarrolló en un método general de imagen computacional en la década de 2000 al combinar patrones de difracción coherente superpuestos con algoritmos de reconstrucción iterativos. [ 10 ] [ 11 ] [ 2 ] [ 3 ] La pticografía de Fourier se introdujo en la microscopía óptica en 2013 para sintetizar una apertura numérica mayor a partir de múltiples imágenes de baja resolución registradas bajo diferentes ángulos de iluminación. [ 12 ] [ 13 ]

La fotografía computacional también se desarrolló rápidamente con las cámaras digitales y los dispositivos móviles. Técnicas como la imagen de alto rango dinámico , la imagen panorámica , la imagen de campo de luz y la fusión de imágenes de múltiples fotogramas utilizan algoritmos para combinar mediciones que no estarían disponibles en una sola exposición convencional. [ 14 ] [ 15 ]

Técnicas

Microscopía computacional

La microscopía computacional utiliza algoritmos de iluminación, dispersión, detección y reconstrucción diseñados para recuperar información que no es registrada directamente por el detector. En muchas formas de microscopía computacional, los datos medidos son patrones de difracción o pilas de imágenes registradas bajo diferentes condiciones de iluminación. El resultado reconstruido puede ser una imagen de intensidad, un mapa de fase óptica, un mapa de densidad electrónica, un mapa de deformación, un mapa de índice de refracción o una estructura tridimensional. [ 2 ]

Un problema central en la microscopía computacional coherente es el problema de la fase . Los detectores suelen medir la intensidad, pero no la fase de la onda dispersada. Dado que la fase contiene información estructural, los algoritmos computacionales deben recuperarla a partir de datos que solo miden la intensidad. Los enfoques comunes utilizan algoritmos iterativos que se mueven entre el espacio real y el espacio recíproco, al tiempo que imponen restricciones físicas, como soporte de muestra finito, positividad, escasez, superposición entre posiciones de escaneo vecinas o consistencia con un modelo de propagación de ondas. [ 6 ] [ 7 ] [ 16 ]

Imágenes difractivas coherentes

La técnica CDI reconstruye un objeto a partir de un patrón de difracción sobremuestreado registrado con rayos X, electrones o luz coherente. En un experimento típico de CDI, un haz coherente ilumina un objeto aislado o delimitado, la onda dispersa forma un patrón de difracción en un detector y los algoritmos de recuperación de fase reconstruyen el objeto en el espacio real. [ 9 ]

La CDI puede evitar las aberraciones asociadas con las lentes objetivo porque la imagen se reconstruye computacionalmente en lugar de formarse directamente mediante una lente. Sin embargo, una reconstrucción exitosa depende de la coherencia de la fuente, el rango dinámico del detector, la relación señal-ruido, la dosis de radiación, la estabilidad de la muestra y la precisión del modelo físico. El daño por radiación es una limitación importante en muestras biológicas y otras muestras sensibles al haz. [ 2 ]

Se han desarrollado varias variantes de CDI, incluyendo CDI convencional, CDI de Bragg, CDI de Fresnel, CDI de reflexión o incidencia rasante, imágenes de modulación coherente y CDI holográfica. La CDI de Bragg es especialmente útil para mapear deformaciones y distorsiones de la red en nanocristales. Los láseres de electrones libres de rayos X se pueden utilizar para imágenes difractivas de una sola toma de muestras que cambian rápidamente o son sensibles a la radiación. [ 17 ] [ 2 ]

Ptychografía y pticografía de Fourier

La pticografía amplía la obtención de imágenes de difracción coherente mediante el registro de múltiples patrones de difracción de regiones superpuestas de una muestra. Una sonda coherente localizada se desplaza a través de la muestra y se registra un patrón de difracción en cada posición. La superposición entre posiciones de sonda adyacentes proporciona redundancia, lo que permite a los algoritmos reconstruir tanto el objeto como, en las implementaciones modernas, la propia sonda. [ 10 ] [ 11 ]

La pticografía es útil para objetos extensos que son difíciles de visualizar mediante CDI de patrón único. Se utiliza con rayos X, electrones, luz visible y radiación ultravioleta extrema. La pticografía de rayos X se utiliza ampliamente para la obtención de imágenes de fase cuantitativas y la tomografía tridimensional de materiales, muestras biológicas y dispositivos microelectrónicos. La pticografía electrónica, a menudo implementada en la microscopía electrónica de transmisión de barrido de cuatro dimensiones, puede alcanzar una resolución sub-ångström y es sensible tanto a átomos ligeros como pesados. [ 3 ] [ 17 ] [ 2 ]

La pticografía de Fourier es una variante óptica en la que un microscopio convencional registra una serie de imágenes de baja resolución bajo diferentes ángulos de iluminación, a menudo producidas por una matriz de LED. Las mediciones muestrean diferentes regiones del espectro de Fourier de la muestra. Posteriormente, los algoritmos combinan los datos para sintetizar una mayor apertura numérica y reconstruir una imagen de alta resolución con fase cuantitativa en un amplio campo de visión. [ 12 ] [ 13 ]

Imágenes tomográficas y médicas

La tomografía reconstruye la estructura interna a partir de múltiples mediciones tomadas desde diferentes direcciones, posiciones, frecuencias o condiciones de codificación. La tomografía computarizada de rayos X reconstruye imágenes transversales o tridimensionales a partir de múltiples proyecciones de rayos X. La resonancia magnética reconstruye imágenes a partir de mediciones en el espacio k , utilizando gradientes de campo magnético y señales de radiofrecuencia. La ecografía médica forma imágenes a partir de ecos de ondas acústicas y puede utilizar formación de haces, reconstrucción basada en modelos o inversión cuantitativa.

Los métodos computacionales en imágenes médicas pueden mejorar la calidad de la imagen, reducir el ruido, disminuir el tiempo de adquisición o reducir la dosis de radiación. Estos beneficios dependen de la precisión del modelo de medición y de la validación clínica, ya que los algoritmos de reconstrucción pueden introducir artefactos cuando se incumplen los supuestos. [ 4 ] [ 5 ]

Imágenes de radar y sísmicas

El radar de apertura sintética utiliza el movimiento de la plataforma de radar para sintetizar una gran apertura efectiva. Los ecos de radar recibidos se procesan computacionalmente para formar imágenes de alta resolución del terreno, edificios, barcos, hielo u otros objetivos. Ideas similares se utilizan en el sonar y otros sistemas de teledetección basados ​​en ondas.

La obtención de imágenes sísmicas y la inversión sísmica utilizan ondas sísmicas medidas para estimar la estructura subterránea. Estos métodos son importantes en geofísica, estudios sísmicos y exploración de recursos. Al igual que muchas otras formas de procesamiento de imágenes computacional, la obtención de imágenes sísmicas depende de un modelo físico de propagación de ondas y de algoritmos que resuelven un complejo problema inverso.

Imágenes con apertura codificada y sin lentes

En la imagen de apertura codificada, una máscara con un patrón conocido modula la radiación incidente antes de que llegue al detector. Los datos registrados no se parecen al objeto en sí, pero este puede estimarse mediante decodificación computacional. Las aperturas codificadas son útiles cuando las lentes convencionales no son prácticas, como en el caso de rayos X, rayos gamma o algunos sistemas infrarrojos y de terahercios.

Una cámara estenopeica es el sistema de imagen sin lente más sencillo, pero presenta una disyuntiva entre la captación de luz y la resolución. Un orificio más pequeño mejora la nitidez, pero capta menos fotones. Una abertura más grande capta más fotones, pero difumina la imagen. Las aperturas codificadas solucionan este problema mediante el uso de múltiples aberturas dispuestas en un patrón conocido, lo que aumenta el rendimiento a la vez que conserva información que puede decodificarse computacionalmente. [ 18 ]

Los métodos de apertura codificada se han utilizado en imágenes astronómicas, imágenes nucleares, espectroscopia e imágenes espectrales instantáneas. A menudo se combinan con deconvolución, correlación, detección comprimida o reconstrucción estadística.

Imágenes espectrales y hiperespectrales compresivas

La imagen espectral convencional suele escanear una escena punto por punto, línea por línea o longitud de onda por longitud de onda para construir un cubo de datos espectrales. La imagen espectral compresiva, en cambio, registra mediciones multiplexadas que combinan información espacial y espectral. Los algoritmos de reconstrucción estiman entonces el cubo de datos completo a partir de menos mediciones de las que se requerirían con el escaneo directo. [ 19 ] [ 20 ]

El generador de imágenes espectrales de instantáneas con apertura codificada (CASSI) es un ejemplo bien conocido. Utiliza una apertura codificada y un elemento dispersivo para mapear información espacial y espectral en un detector de forma comprimida. Posteriormente, se utiliza la optimización numérica para reconstruir el cubo de datos espectrales. [ 21 ] [ 22 ]

La imagen espectral compresiva está estrechamente relacionada con la detección comprimida , que aprovecha la escasez u otra estructura en el objeto que se está midiendo. Puede reducir el tiempo de adquisición y permitir mediciones instantáneas, pero la calidad de la reconstrucción depende de la calibración, la relación señal-ruido, la complejidad de la escena y las suposiciones utilizadas en el modelo de reconstrucción. [ 23 ] [ 24 ]

Fotografía computacional

La fotografía computacional utiliza algoritmos para ampliar o modificar las capacidades de las cámaras. Algunos ejemplos son la obtención de imágenes de alto rango dinámico, la creación de panorámicas, la fotografía de campo de luz, la estimación de profundidad, la eliminación de desenfoque, la reducción de ruido y la fusión de múltiples fotogramas. Estos métodos suelen emplear múltiples imágenes, óptica codificada, iluminación estructurada o datos de sensores desde diferentes puntos de vista. [ 14 ] [ 15 ]

En las cámaras de consumo y los teléfonos móviles, la fotografía computacional puede mejorar el rendimiento en condiciones de poca luz, ampliar la profundidad de campo, estimar mapas de profundidad y combinar múltiples exposiciones en una sola imagen. En la imagen científica, se utilizan métodos similares para la medición cuantitativa, más que para la mera mejora visual.

Algoritmos

Los algoritmos de procesamiento de imágenes computacionales suelen formularse como problemas inversos . Las mediciones se relacionan con el objeto desconocido mediante un modelo matemático del sistema de imagen. El algoritmo de reconstrucción estima entonces el objeto que mejor explica los datos medidos según dicho modelo.

Un flujo de trabajo típico incluye los siguientes pasos:

  1. Defina un modelo predictivo que arroje resultados a partir de un objeto candidato. Por ejemplo, en la tomografía computarizada de rayos X, el modelo describe cómo se atenúan los rayos X a lo largo de su recorrido a través del objeto. En la imagen por difracción coherente, el modelo describe cómo se dispersa una onda coherente y forma un patrón de difracción.
  2. Elija una función objetivo o un estimador. Puede tratarse de un error de mínimos cuadrados, una función de verosimilitud basada en estadísticas de ruido o una función objetivo regularizada que incluya información previa sobre el objeto.
  3. Aplicar un algoritmo para estimar el objeto. Los métodos comunes incluyen inversión directa, retroproyección filtrada, reconstrucción de Fourier, reconstrucción iterativa, optimización convexa, optimización basada en gradientes, proyecciones alternas y reconstrucción basada en aprendizaje automático.
  4. Valide la reconstrucción utilizando simulaciones, objetos de calibración, mediciones independientes, estimaciones de incertidumbre o pruebas de reproducibilidad.

Muchos métodos de imagen computacional utilizan restricciones o información previa. Algunos ejemplos incluyen la no negatividad, el soporte finito, la escasez, la suavidad, las restricciones de propagación de ondas físicas y la consistencia de superposición en pticografía. Estas restricciones pueden mejorar la reconstrucción a partir de datos incompletos o ruidosos, pero también pueden sesgar el resultado si no coinciden con el objeto real o las condiciones de medición. [ 16 ] [ 23 ] [ 24 ]

Limitaciones y validación

La imagen computacional permite recuperar información difícil o imposible de obtener con la imagen directa convencional, pero no es independiente de las suposiciones experimentales. La imagen reconstruida es un resultado inferido. Errores en la calibración, la alineación, el modelado del ruido, la respuesta del detector, la iluminación, el movimiento o el modelo físico asumido pueden producir artefactos.

Por lo tanto, la validación es fundamental para obtener imágenes computacionales fiables. Los enfoques habituales incluyen la obtención de imágenes de objetos de prueba conocidos, la comparación con métodos independientes, el uso de datos simulados con datos de referencia conocidos, la comprobación de la estabilidad de la reconstrucción ante cambios en los parámetros, la estimación de la incertidumbre y la disponibilidad de datos y código para análisis independientes. Estas cuestiones son especialmente importantes en entornos de alto riesgo, como la obtención de imágenes médicas, y en afirmaciones científicas que dependen de pequeñas diferencias cuantitativas.

Software

Algunos ejemplos de paquetes de software utilizados en procesamiento de imágenes computacionales, reconstrucción de imágenes, microscopía o análisis de imágenes biomédicas son:

Véase también

Referencias

  1. ↑ Brady, David J. (27 de abril de 2009). Imagen óptica y espectroscopia . Wiley. ISBN 978-0-470-44372-9. Consultado el 17 de mayo de 2026 .
  2. 1 2 3 4 5 6 7 Miao, Jianwei (2025-01-09). "Microscopía computacional con imágenes difractivas coherentes y pticografía". Nature . 637 (8045): 281– 295. Bibcode : 2025Natur.637..281M . doi : 10.1038/s41586-024-08278-z . PMID 39780004 . 
  3. 1 2 3 Rodenburg, J.; Maiden, A. (2019). "Ptychography". En Hawkes, PW; Spence, JCH (eds.). Springer Handbook of Microscopy . Springer. pp. 819–904 . doi : 10.1007/978-3-030-00069-1_17 . ISBN  978-3-030-00068-4.
  4. 1 2 Willemink, Martin J.; Noël, Peter B. (2019). "La evolución de la reconstrucción de imágenes para TC: de la retroproyección filtrada a la inteligencia artificial". European Radiology . 29 (5): 2185– 2195. doi : 10.1007/s00330-018-5810-7 . PMID 30377791 . 
  5. 1 2 Lustig, Michael; Donoho, David; Pauly, John M. (2007). "Sparse MRI: La aplicación de detección comprimida para imágenes de RM rápidas". Magnetic Resonance in Medicine . 58 (6): 1182– 1195. doi : 10.1002/mrm.21391 . PMID 17969013 . 
  6. 1 2 Gerchberg, RW; Saxton, WO (1972). "Un algoritmo práctico para la determinación de la fase a partir de imágenes del plano de imagen y difracción". Optik . 35 : 237– 246.
  7. 1 2 Fienup, JR (1982). "Algoritmos de recuperación de fase: una comparación". Applied Optics . 21 (15): 2758– 2769. Bibcode : 1982ApOpt..21.2758F . doi : 10.1364/AO.21.002758 .
  8. ↑ Miao, J.; Sayre, D.; Chapman, HN (1998). "Recuperación de fase a partir de la magnitud de las transformadas de Fourier de objetos no periódicos". Journal of the Optical Society of America A . 15 (6): 1662– 1669. Bibcode : 1998JOSAA..15.1662M . doi : 10.1364/JOSAA.15.001662 .
  9. 1 2 Miao, J.; Charalambous, P.; Kirz, J.; Sayre, D. (1999). "Extending the methodology of X-ray crystallography to allow imaging of micrometer-sized non-crystalline specimens". Nature . 400 (6742): 342– 344. Bibcode : 1999Natur.400..342M . doi : 10.1038/22498 .
  10. 1 2 Rodenburg, JM; Hurst, AC; Cullis, AG; Dobson, BR; Pfeiffer, F.; Bunk, O. (2007). "Imágenes sin lentes de rayos X duros de objetos extendidos". Physical Review Letters . 98 (3) 034801. Bibcode : 2007PhRvL..98c4801R . doi : 10.1103/PhysRevLett.98.034801 . PMID 17358687 . 
  11. 1 2 Thibault, P.; Dierolf, M.; Menzel, A.; Bunk, O.; David, C.; Pfeiffer, F. (2008). "Microscopía de difracción de rayos X de barrido de alta resolución". Science . 321 (5887): 379– 382. Bibcode : 2008Sci...321..379T . doi : 10.1126/science.1158573 .
  12. 1 2 Zheng, G.; Horstmeyer, R.; Yang, C. (2013). "Microscopía ptychográfica de Fourier de campo amplio y alta resolución" . Nature Photonics . 7 (9): 739– 745. Bibcode : 2013NaPho...7..739Z . doi : 10.1038/nphoton.2013.187 . PMC 4169052. PMID 25243016 .  
  13. 1 2 Zheng, Guoan; Shen, Cheng; Jiang, Shuai; Song, Pengming; Yang, Changhuei (2021). "Concepto, implementaciones y aplicaciones de la pticografía de Fourier". Nature Reviews Physics . 3 : 207–223 . doi : 10.1038/s42254-021-00289-4 .
  14. 1 2 Debevec, Paul E.; Malik, Jitendra (1997). "Recuperación de mapas de radiancia de alto rango dinámico a partir de fotografías". Actas de SIGGRAPH 1997. ACM. págs. 369–378 . doi : 10.1145/258734.258884 . 
  15. 1 2 Levoy, Marc; Hanrahan, Pat (1996). "Renderizado de campo de luz". Actas de SIGGRAPH 1996. ACM. págs. 31–42 . doi : 10.1145/237170.237199 . 
  16. 1 2 Shechtman, Yoav; Eldar, Yonina C.; Cohen, Oren; Chapman, Henry N.; Miao, Jianwei; Segev, Mordechai (2015). "Recuperación de fase con aplicación a imágenes ópticas: una visión general contemporánea". IEEE Signal Processing Magazine . 32 (3): 87– 109. Bibcode : 2015ISPM...32...87S . doi : 10.1109/MSP.2014.2352673 .
  17. 1 2 Pfeiffer, Franz (2018). "Ptychografía de rayos X". Nature Photonics . 12 (1): 9– 17. Bibcode : 2018NaPho..12....9P . doi : 10.1038/s41566-017-0072-5 .
  18. ↑ Fenimore, EE; Cannon, TM (1978). "Imágenes de apertura codificada con matrices uniformemente redundantes". Applied Optics . 17 (3): 337– 347. Bibcode : 1978ApOpt..17..337F . doi : 10.1364/AO.17.000337 .
  19. ↑ Hagen, Nathan (2012-06-13). "Ventaja de la instantánea: una revisión de la mejora de la recolección de luz para sistemas de medición paralelos de alta dimensión" . Optical Engineering . 51 (11) 111702. Bibcode : 2012OptEn..51k1702H . doi : 10.1117/1.OE.51.11.111702 . PMC 3393130. PMID 22791926 .  
  20. ↑ Hagen, Nathan; Kudenov, Michael W. (23 de septiembre de 2013). "Revisión de tecnologías de imágenes espectrales instantáneas". Optical Engineering . 52 (9) 090901. Bibcode : 2013OptEn..52i0901H . doi : 10.1117/1.OE.52.9.090901 .
  21. ↑ Wagadarikar, Ashwin; John, Renu; Willett, Rebecca; Brady, David (2008-02-08). "Diseño de dispersor único para imágenes espectrales instantáneas de apertura codificada". Applied Optics . 47 (10): B44– B51. Bibcode : 2008ApOpt..47B..44W . doi : 10.1364/AO.47.000B44 . PMID 18382550 . 
  22. ↑ Arce, Gonzalo R.; Rueda, Hoover; Correa, Claudia V.; Ramirez, Ana; Arguello, Henry (15 de febrero de 2017). «Cámaras multiespectrales compresivas de instantánea». Enciclopedia Wiley de Ingeniería Eléctrica y Electrónica . Wiley. págs. 1–22 . doi : 10.1002/047134608X.W8345 . ISBN  978-0-471-34608-1.
  23. 1 2 Candès, Emmanuel J.; Romberg, Justin; Tao, Terence (2006). "Principios de incertidumbre robustos: reconstrucción exacta de señales a partir de información de frecuencia altamente incompleta". IEEE Transactions on Information Theory . 52 (2): 489– 509. doi : 10.1109/TIT.2005.862083 .
  24. 1 2 Donoho, David L. (2006). "Compressed sensing". IEEE Transactions on Information Theory . 52 (4): 1289– 1306. Bibcode : 2006ITIT...52.1289D . doi : 10.1109/TIT.2006.871582 .

Lecturas adicionales

Obtenido de " https://en.wikipedia.org/w/index.php?title=Computational_imaging&oldid=1358138134 "