Următorul conținut este furnizat sub o licență Creative Commons. Sprijinul dumneavoastră va ajuta MIT OpenCourseWare să continue să ofere gratuit resurse educaționale de înaltă calitate. Pentru a face o donație sau pentru a vizualiza materiale suplimentare din sute de cursuri MIT, vizitați MIT OpenCourseWare la ocw.mit.edu. INSTRUCTOR: El este expertul mondial în înțelegerea lungimilor de undă și așa mai departe. [Râsete] Nu, a fost colaborator cu grupul nostru și a lucrat mult în spațiu. A construit tot felul de aparate foto interesante, de asemenea, detecție comprimată, iar acum lucrează pentru o organizație numită MITRE, M-I-T-R-E. MICHAEL STENNER: Corect. INSTRUCTOR: Și ne va spune... a făcut acest studiu foarte frumos al diferitelor moduri de a capta imagini multispectrale. Deci el este... suntem încântați să te avem aici. Ne va spune mai detaliat. MICHAEL STENNER: Bine, deci cu titlu introductiv, și voi vorbi despre asta un moment, dar este un lucru interesant. Cred că în această comunitate de fotografie computațională sau imagini computaționale, cred că este o disciplină suficient de nouă încât foarte, foarte puțini oameni o studiază efectiv. Majoritatea oamenilor care au venit în această comunitate au venit fie dintr-o viziune computerizată, fie din grafică, fie dintr-un alt mediu informatic, iar alții provin din mediul optică, fizică și eu am venit din cealaltă parte. din ea, care poate străluci în unele dintre lucrurile pe care vi le spun astăzi. Așa că voi vorbi, în general, despre această imagistică spectrală. Și aceasta este o discuție pe care am ținut-o nu tocmai pentru un grup ca acesta. Așa că este puțin scurt în diapozitivele introductive. Așa că am de gând să vorbesc un moment și o să vorbesc puțin. Băieții ăștia mi-au oferit niște diapozitive de fundal, deoarece voi băieți nu ați vorbit încă despre tomografie, ceea ce va apărea la un moment dat în discursul meu. Așa că va fi puțin dezarticulat, dar luați în considerare acest context înainte de a intra în corpul discuției în general. Așa că unele dintre tehnicile despre care voi vorbi se bazează pe tomografie, despre care, cel mai probabil, toată lumea a auzit. Acesta este T într-o scanare CAT sau CT. Este, de asemenea, o parte importantă a modului în care funcționează scanările RMN. Și ideea de bază din spatele tomografiei este că faci o măsurătoare în care integrezi ceva de-a lungul unei căi printr-un obiect și apoi măsori, de exemplu, intensitatea acestor lucruri. Deci, ajungi cu aceasta, practic, integrale de linie prin acest lucru cu o anumită proprietate. În acest caz, este , în mod efectiv, densitatea unui obiect, iar apoi o măsori în partea de jos pe cealaltă parte. Faceți asta pentru o grămadă de unghiuri diferite în timp ce rotiți sursa și detectorul în jurul obiectului. Și din asta, despre cum vom vorbi într-un minut, puteți reconstrui obiectul care vă interesează. Acum acest diapozitiv demonstrează doar că există câteva geometrii diferite pentru a face acest lucru. Într-un caz, aveți această tomografie cu fascicul paralel. În alte cazuri, aveți această tomografie cu fascicul ventilator. Adică, în mare măsură, o alegere făcută exclusiv pe baza confortului sistemului tău fizic. Așa că, de exemplu, aici, dacă fasciculele tale sunt raze X sau ceva, atunci generarea unui număr întreg de raze X paralele este un fel de durere, în timp ce generarea unei-- crearea unei surse punctiforme de raze X care se stinge doar radial, și apoi detectezi, aici, că e ceva mai ușor. Deci, aveți doar o rearanjare a razelor de care trebuie să vă ocupați pe [? editor,?] dar asta e ideea de bază. Așa că apoi mergeți cu două diapozitive înainte. Ei bine, nu, al doilea e distractiv. Deci hai să facem asta. Așadar, iată un exemplu de analiză a tomografiei computerizate în viitor, aparent. Deci aceasta este funcția de densitate. Și dacă te uiți la proiecțiile fasciculului paralel, aceasta este... matematic, aceasta se numește transformarea radonului. Dar dacă te uiți, acesta este unghiul prin care trec grinzile paralele , gardul viu, în acest caz. Și această axă este care dintre acele multe fascicule paralele la care te uiți. Deci vezi asta... este foarte greu de descris fără o anumită familiaritate cu această problemă. Dar acesta este genul de model pe care îl obțineți. Și, practic, există suficiente informații aici pentru a reconstrui acest lucru. INSTRUCTOR: Deci vă puteți gândi la fiecare felie verticală ca la o imagine luată din fiecare direcție... MICHAEL STENNER: Ca una... da, de exemplu, dacă ar fi să faceți doar o radiografie standard, așa cum vă uitați la aici, așa cum a pus medicul dumneavoastră pe perete, dacă o felie verticală este o versiune 1D a acelei radiografii, nu? Deci faci același tip de radiografie, dar te uiți prin o grămadă de direcții diferite și asta este ceea ce obții. Același lucru aici, cu excepția faptului că sunt doar puțin rearanjate. În loc de o felie verticală, acum este o suprafață curbată este lucrul normal. Acum, pe măsură ce obțineți toate aceleași raze paralele, pur și simplu nu se mai întâmplă toate în același timp. Următorul. Următorul acum. Deci, acum, întrebarea este, cum transformi asta înapoi în imaginea pe care o cauți. Și după cum se dovedește, practic,... și apoi, a trecut ceva timp de când m-am gândit la asta. Deci s-ar putea să greșesc detaliile. Simțiți-vă liber să mă ajutați aici dacă dau peste cap asta. Deci, dacă proiectați prin acest fel, atunci acea felie verticală este ceea ce obțineți pentru un singur unghi, iar acea felie verticală este practic o linie prin transformarea Fourier 2D a imaginii dvs. BINE? Așa că iei toate acele felii verticale și, în loc să le trasezi acest lucru dreptunghiular frumos, le iei pe fiecare și le așezi în unghiul în care a fost luată. Și vă va oferi o estimare a transformării Fourier a obiectului dvs. Doar că vei avea mostre de-a lungul acestor linii radiale pe baza modului în care ai scanat, bine. INSTRUCTOR: Poate o poți desena repede? MICHAEL STENNER: Este o idee foarte bună. Pot observa asta. Da, pot face asta, mulțumesc. Deci iată spațiul meu Fourier. Aici este spațiul meu fizic. Începeți cu razele mele paralele. Măsurez rezultatul cu detectorul meu de aici. Și asta îmi spune transformarea Fourier - deci aceasta este o transformată Fourier 2D - și acum știu transformarea Fourier eșantionată de-a lungul acelei linii. BINE? Așa că acum o fac din nou în această direcție. Și acum, cunosc transformarea Fourier 2D aici. În regulă, e grozav. Așa că s-ar putea crede doar puțin naiv că, hei, dacă cunosc transformarea Fourier a acestui lucru, atunci știu lucrul în sine. Tot ce trebuie să fac este transformarea Fourier înapoi. Corect, este aproape complet adevărat, cu excepția faptului că îți dai seama că modelul pe care îl ai, acest lucru în care Fourier a transformat , nu este o grilă dreptunghiulară. Deci, nu o puteți introduce pur și simplu în algoritmul standard de transformare Fourier 2D și obțineți înapoi transformarea Fourier sau funcția directă înapoi. Există o mulțime de probleme nebunești de interpolare și devine puțin urâtă. Deci, există un-- Nu știu dacă aveți-- da, așa că există-- Nu voi vorbi despre cum funcționează-- dar există și un alt algoritm care este foarte popular pentru acest lucru numit filtrat înapoi proiecție. Într-adevăr, se încurcă cu locul în care faci interpolarea. Și, în general, trece peste o mulțime de artefacte pe care altfel le-ai vedea. Concluzia, lucrul de luat din această mică discuție prealabilă este conceptul de bază al tomografiei, adică efectuați integrale printr-un obiect dintr-o grămadă de unghiuri diferite. Și apoi îți oferă tot ce trebuie să știi pentru a-ți da seama de structura completă a obiectului în sine. INSTRUCTOR: Este clar? MICHAEL STENNER: Aveți întrebări? INSTRUCTOR: Deci tomografie cu raze X, trebuie să pui radiografie cu senzorul, să faci mai multe proiecții, de acolo reconfigurezi ce este înăuntru. Și vom folosi exact același principiu acum, dar gândiți-vă la lungimea de undă. MICHAEL STENNER: Da, vom înceta să ne uităm la capete și ne vom uita la cuburi de date. Daţi-i drumul. PUBLIC: Deci aveți un fel de obiect care este simetric sferic, dar dacă îl tăiați, de fapt are straturi diferite, cum scoateți straturile? MICHAEL STENNER: Cum vrei să spui că este simetric sferic? PUBLIC: Deci, să spunem că densitatea sau orice măsurați este exact aceeași pentru fiecare direcție, dar în interior, este de fapt eterogen, în loc de omogen? INSTRUCTOR: Îți place părul? PUBLIC: Ei bine, asta nu este perfect sferic. MICHAEL STENNER: Deci vrei să spui că are straturi? PUBLIC: Da, dar ca niște straturi perfect simetrice. MICHAEL STENNER: OK-- [VOCI INTERPUSE] MICHAEL STENNER: Deci, o carcasă sferică de sticlă, o carcasă sferică de metal, așa cum a fost construită? PUBLIC: Da. MICHAEL STENNER: Nu este o problemă, pentru că ceea ce îmi spui, adică ceea ce sugerezi că ar putea fi o problemă este că fiecare măsurătoare pe care o faci, fiecare imagine pe care o faci, va arăta exact la fel. PUBLIC: Corect, am înțeles acum. MICHAEL STENNER: Dar obiectul arată într-adevăr exact la fel din toate direcțiile. Deci e în regulă. PUBLIC: OK. INSTRUCTOR: Dar acesta este un mod bun de a gândi această problemă, pentru că este un [INAUDIBIL]---- dacă arată la fel din cealaltă parte, atunci într-o cameră tradițională, trebuie să fie o sferă. Dar în tomografia cu raze X, sau tomografia generală, dacă arată la fel din fiecare proiecție, atunci trebuie să fie concentrică sferic. MICHAEL STENNER: Sunt un mare fan al simetriei. Bine, deci această discuție este practic o comparație - a fost creată pentru un client care dorea un studiu al tehnicilor de imagistică hiperspectrală și a compromisurilor dintre ele. Deci nu există o mulțime de intro aici, dar ceea ce încercăm să facem -- Voi vorbi despre un cub de date, care este x, y și lambda. Și avem o anumită rezoluție în toate cele trei -- în general, voi numi asta și nx, ny și L -- deci numărul de elemente de rezoluție în lambda. Ce altceva aveam de gând să spun? OK, deci este o introducere rezonabilă. Deci acestea sunt toate... nu cred că niciuna dintre acestea... unele dintre acestea au devenit produse comerciale. Dar toate acestea sunt, practic, dispozitive la nivel de cercetare, care se uită nominal la același lucru, cu excepția ultimului cuplu. Unul dintre ele este al lui Ramesh și [INAUDIBIL].. Și celălalt este totul... ei bine, poate că nu contează de unde vine, dar este altul care nu este tocmai un aparat de imagine spectrală. Încă un lucru, din punct de vedere al terminologiei, aparatul de imagini spectrale înseamnă că obțineți niște canale spectrale - câteva, cinci, 10. Multispectral înseamnă, în general, că obțineți o grămadă, zeci. Hiperspectral înseamnă, în general, că obții cam 1.000. Așa că tind să fiu foarte neglijent cu acești termeni. Dar asta este cu adevărat tot ceea ce înseamnă. INSTRUCTOR: Există unii oameni care fac multispectral la fel de vizibil și hiperspectral ca suprafața [INAUDIBILĂ]. MICHAEL STENNER: Este adevărat. INSTRUCTOR: Oamenii folosesc tot felul de terminologii diferite. MICHAEL STENNER: Da, deci practic, mă înțeleg doar că sunt la fel de neglijent cu acești termeni ca toți ceilalți. OK, așa că haide, vom începe. Deci, punctele de comparație despre care voi vorbi aici sunt volumul de date al scenei la care ne uităm -- pentru aproape toate acestea, acesta va fi de nx ori de ny ori numărul de canale spectrale. Volumul fizic, cât de mare este dispozitivul fizic, impactul arhitectural asupra timpului de achiziție. Unele dintre acestea sunt dispozitive pe care le îndreptați spre ceva, apăsați un buton și totul este achiziționat într-o clipă. Alte lucruri trebuie scanate. Un altul este reconstrucția computațională și scalarea. Sunteți destul de confortabili în acest moment că uneori datele trebuie procesate după ce le achiziționați. Eficiența fotonului -- aceasta este una mare la care Ramesh făcea aluzie mai devreme, că în multe dintre aceste dispozitive, ajungi să arunci multă lumină care chiar trece prin deschiderea ta, dar nu se obișnuiește niciodată. Și apoi compresia este una interesantă - ați vorbit despre senzorul de compresie? INSTRUCTOR: Nu, nu încă. MICHAEL STENNER: Bine, deci detecția compresivă este aceasta-- practic ideea că, dacă încerc să măsoare un volum de date, de nx ori ny ori L, aș putea face un număr de măsurători mai mic decât atât. Și pe baza unor presupuneri despre spațiu, aș putea încerca să reconstruiesc acel volum complet de date. S- ar putea să fie implicate artefacte, dar aceasta este ideea generală. Deci câteva avertismente... unele dintre aceste cantități sunt practic aproximative. Și nu mă refer aici la calitatea datelor , pentru că depinde foarte, foarte mult de dispozitivul specific și de modul în care operezi. În regulă, mai întâi și cel mai ușor, ca introducere, este aceasta... ce fel de cameră de bază, unde ai doar un filtru de scanare. Și acesta este unul despre care Anka a vorbit mai devreme. Ai doar un obiectiv, imaginezi o scenă pe un senzor. Dar înainte de a face asta, aveți un filtru de lungime de undă reglabil . Și așa, doar pentru a vă familiariza cu limba pe care o voi folosi, cubul de date în acest caz este într-adevăr acesta lucrul standard. Volumul este practic oricât de mare este obiectivul dvs. și indiferent de distanța focală a acestuia. Timpul de achiziție - impactul aici este că trebuie să scanați acest filtru. Deci, trebuie să îndreptați camera către o scenă, să scanați filtrul și să așteptați până se întâmplă asta. Eficiența fotonului aici este probabil unul dintre punctele mai relevante sau mai interesante. Și despre asta vorbea Ramesh mai devreme-- este 1 peste L. Bine, când vorbești despre lumină vizibilă, 1 peste 3 nu pare așa de mare lucru. 1 peste 1.000, asta devine o problemă. INSTRUCTOR: Vrei să explici cum funcționează filtrul reglabil? Sau ce face? MICHAEL STENNER: Da, așa că, așa cum vorbea Anka aici, aceasta ar putea fi o roată de culori. Deci aceasta ar putea fi o roată care are părți diferite ale ei cu filtre spectrale diferite. Și fiecare dintre filtrele spectrale dintr-un dispozitiv ca acesta va fi un filtru cu crestătură, în mod eficient. O să blocheze totul, cu excepția unui interval îngust, poate 5, 10, 20 de nanometri. Sau ar putea-- există-- nici măcar nu știu cum să le descriu-- acele filtre reglabile bazate pe cavitate care sunt reglabile electric. Deci nu aveau piese reale în mișcare, exact. Dar puteți apela filtrul-- INSTRUCTOR: Își poate schimba răspunsul de culoare schimbând de obicei distanța dintre plăci. Și dacă bulele de săpun plutesc, îți vei da seama că, în funcție de grosimea bulei, are și o culoare diferită. Sau dacă vărsați ulei deasupra apei, atunci, în funcție de grosimea stratului de apă uleioasă, iată. MICHAEL STENNER: Da, deci, dar prin analogie, dacă ai vreodată aceste două straturi, creezi o cavitate, care acționează ca un filtru. Și vă puteți gândi la asta ca -- este o analogie liberă, nu luați asta prea la propriu -- este ca un domeniu electronic, un singur filtru de tragere. Puteți adăuga straturi suplimentare și ajungeți la ceva de genul unui grătar Bragg, dacă vă sună familiar, sau o stivă dielectrică multistrat, dacă acest termen funcționează mai bine - unde puteți obține limite și mai precise și rezoluție mai îngustă , și benzi de oprire mai mari pe laterale. Deci, puteți ajunge să obțineți filtre foarte extrem de selective în situații ca aceasta. INSTRUCTOR: Din păcate, cele care sunt programabile sunt... MICHAEL STENNER: De obicei, nu așa. Da, sunt de obicei ca o singură cavitate [INAUDIBILĂ]. PUBLIC: Da, deci ce este în filtrul optic acustic? Cum functioneazã? MICHAEL STENNER: Scuză-mă? PUBLIC: Optică acustică? MICHAEL STENNER: Asta e... optică acustică, oh, băiete... oh, da, OK, optică acustică. Deci este unul dintre dispozitivele mele preferate. Da, o să încerc să mă feresc să nu înnebunesc prea mult aici. PUBLIC: Puteți reveni oricând săptămâna viitoare. MICHAEL STENNER: Da, de fapt, voi reveni săptămâna viitoare. Dar aveam un plan să vorbesc... Nu vreau să-i fur timpul lui Robbie. PUBLIC: E în regulă. MICHAEL STENNER: Cred că are o idee mai bună. PUBLIC: Nu, lipsește [INAUDIBIL] MICHAEL STENNER: Oh, lucrez [INAUDIBIL].. Bine, deci optică acustică-- deci ai ceva fizică, o bucată de sticlă, sau de obicei nu este tocmai sticlă, dar substanță asemănătoare sticlei. Și, în general, aveți aici un traductor piezoelectric. Deci se transformă electrică în mișcare mecanică, sau invers. În acest caz, vom face primul - îl vom conduce cu un semnal tipic RF. Deci 100 de megaherți. Dacă lucrezi cu unul dintre acestea în laborator și încerci să asculți un radio FM, devine foarte enervant. Și ceea ce face acest lucru, dacă îl conduceți cu o anumită frecvență, este că va genera o undă care călătorește - pe care acest lucru este de obicei construit pentru a o arunca la capăt - va genera o undă călătorie de undă de presiune, o undă sonoră. , în interiorul dispozitivului dvs. Și dacă treceți lumina prin aceasta, se va împrăștia din acel lucru, la fel ca orice altă rețea de difracție. Sincer, nu știu cum faci asta... Sunt familiarizat cu acestea în setarea laserului. Cum obții... INSTRUCTOR: Este un val staționar, apoi tu... primești un model de undă staționară. PUBLIC: Nu este un val staționar, ci călătorește. MICHAEL STENNER: În general, este de călătorie. PUBLIC: Are o schimbare Doppler. MICHAEL STENNER: Nu știu... INSTRUCTOR: [INAUDIBIL] MICHAEL STENNER: Deci felul în care poți selecta lungimea de undă cu aceste lucruri este că este în principiu o notare, nu? Deci, dacă vă imaginați că o lungime de undă care intră va merge în acest fel, o altă lungime de undă va merge în acest sens și așa mai departe. Și este la fel ca orice altă notare. Și apoi puteți pur și simplu să puneți o deschidere aici. Și apoi, schimbând frecvența cu care modulați, puteți schimba perioada de gradare și puteți alinia diferite lungimi de undă cu tracțiunea și diafragma. Deci, practic, este nota dvs. standard, cu excepția faptului că puteți regla perioada. INSTRUCTOR: În mediile bazate pe obiecte , grupul meu, Jack Smiley, el le construiește de fapt pentru a face holograme. Deci, dacă vreți să vedeți, este ca un lucru mic de genul ăsta plin de modalități de a obține o schimbare de frecvențe. PUBLIC: Pentru direcția laserelor. MICHAEL STENNER: Da, unul dintre dispozitivele mele preferate, care este cu adevărat minunat... O să mai spun un lucru, doar pentru că trebuie să o fac pentru că este atât de tare. În calitate de fizician ca mine, vă puteți gândi exact cum funcționează aceste lucruri în ceea ce privește unghiul pe care îl obțineți și, de fapt, schimbă lungimea de undă a luminii în timp ce face acest lucru. Deci, ceea ce iese nu este același lucru cu ceea ce intră. Și vă puteți da seama de toate acestea dacă pur și simplu conservați energia și impulsul și tratați lumina primită ca fotoni cu impuls energetic cunoscut și tratați unda sonoră ca fononi cu impuls cunoscut. energie și impuls. Dacă faci asta, atunci totul este doar o chestiune standard de fizică 101 de tip minge de biliard. Este foarte tare. OK, înapoi pe drumul de aici. Da, deci asta e chestia cu filtrul nostru de scanare de bază. Alte întrebări despre acest tip? Dacă nu ai... INSTRUCTOR: A fost cât se poate de simplu. MICHAEL STENNER: Da, dacă ești pierdut acum, ai probleme. Deci vorbește. OK, bine. Următorul. Deci, a doua noastră linie de referință... Anka a vorbit și despre asta. Aceasta este mătura standard. Acesta este practic foarte asemănător doar cu un spectrometru standard. De fapt, lucrul pe care îl treci pe aici în cutia mică este cam exact acesta. Adică, există mici diferențe în modul în care este făcut. INSTRUCTOR: Este în cutie [INAUDIBIL].. MICHAEL STENNER: Da, deci în acea cutie, când te uitai prin ea... PUBLIC: E aici. MICHAEL STENNER: Da, grozav. În timp ce te uiți prin această gaură, vezi că aici este această fantă, mergând în locul greșit, o fantă acolo. O poți vedea chiar acolo. Și fanta, practic, fanta este... lumina este în această arhitectură, lumina este imaginea pe fantă. Acea lumină este apoi făcută din nou paralelă. Pe măsură ce ajunge la gradare, acum este răspândit în direcții diferite . Deci direcția luminii este legată în mod unic de lungimea de undă. Și apoi, acesta este reorientat pe senzor. Deci, acum, dacă avem o scenă plată, uniformă, ceea ce vom vedea pe senzor sunt dungi verticale - exact așa cum ați văzut prin chestia asta. Și unde fiecare dungă corespunde lungimii de undă. Deci, dacă măsurați câtă intensitate obțineți în fiecare dintre acele dungi, știți câtă intensitate sau câtă putere aveți în fiecare lungime de undă. Acum, dacă scena are o anumită structură pe verticală, atunci structura de-a lungul liniei verticale este legată de structura fizică a obiectului, pe verticală. Dacă obiectul este uniform întunecat în partea de sus și chiar în partea de jos, atunci asta este ceea ce veți vedea pe senzor. Și structura orizontală a ceea ce obțineți pe senzor este direct legată de lungimea de undă. Asta este complet. Așa că obțineți-- ce vă oferă acest lucru, dacă aveți acest cub de date 3D, un singur cadru al senzorului vă va oferi un plan solid prin acel cub de date, cu excepția cazului în care x și y, ca o cameră normală, vă oferă x și lambda. BINE? INSTRUCTOR: Deci y este pierdut. MICHAEL STENNER: y este pierdut. INSTRUCTOR: Dar medie. Publicul: Ce ai scris... MICHAEL STENNER: Nu, nu este media, este... INSTRUCTOR: Pierdut, doar un punct. MICHAEL STENNER: Este un punct. INSTRUCTOR: Asta este. MICHAEL STENNER: Exact, și deci în mod normal ceea ce faci în acest caz este să-l scanezi. Deci, fie mutați camera și luați mai multe cadre în diferite locații, fie Anka a fost complet corect, multe dintre aceste aplicații standard sunt aeropurtate, fie în scopuri militare, fie pentru sondaje agricole, sau orice altceva. Deci zburați într-un avion și, practic, obțineți scanarea gratuită. Folosiți doar avionul pentru a face scanarea. OK, deci volumul este un pic mai mare, ai mai multă optică. Nu există nicio reconstrucție aici, construiți direct cubul de date . Și cealaltă notă interesantă este că acest lucru nu este deosebit de eficient din punct de vedere fotonic, deoarece obțineți lumină din alte locații, alte valori x. Pur și simplu sunt aruncați de această fantă, adică dacă nu lovesc fanta, ci lovesc cealaltă parte a fantei, aruncăm lumina. Așa că acea lumină devine irosită. Și, deci, acest lucru nu este deosebit de eficient fotonic. Bine, așa că acum intrăm în prima versiune ciudată a asta. Este, de asemenea, poate cel mai complicat. Îmi pare rău , prezentarea grațioasă s-a încheiat. Deci, din punct de vedere arhitectural, acesta este complet identic cu lucrul pe care tocmai l-ați văzut, cu excepția faptului că acum am înlocuit fanta cu un fel de cod. Așa că acum, toată lumina care este fotografiată pe acest lucru, va fi modulată de cod. Dar apoi, totul este la fel. Deci lumina este modulată de cod. Vă puteți gândi, dacă preferați, apropo, dacă acest lucru vă ajută, vă puteți gândi la fantă ca pe un cod deosebit de plictisitor. Bine, este un cod perfect legitim. Este doar una cu adevărat plictisitoare. Deci acesta este un cod mai interesant. În general, acestea vor fi pe jumătate umplute și pe jumătate blocate. Dar apoi, se întâmplă toate lucrurile obișnuite: citim coloane, trecem prin gradare, iar biții se separă și cad pe senzorul nostru. INSTRUCTOR: OK, deci avem noțiunea de multiplexare, unde am vorbit despre dacă vreți să măsurați nouă pungi, le putem măsura pe rând. Sau putem lua combinații liniare aleatoare și apoi invers. Deci, este același concept, din nou, făcut pentru lumină. MICHAEL STENNER: Corect, deci acest dispozitiv a fost construit inițial pentru a fi un spectrometru exact ca acesta. Așa că ne vom întoarce conceptual pentru un moment și ne vom gândi la asta în acest context. Nu vă faceți griji pentru imagini, nu vă faceți griji pentru x și y. De fapt, puteți presupune că toată lumina lovește poate un difuzor în fața acestui lucru, de exemplu. Deci nu există nicio structură aici. Așa că imaginați-vă pentru o clipă că acesta a fost doar un spectru interesant - poate una dintre aceste lumini fluorescente, sau orice altceva. Dar uniformă spațial. Avantajul acestui lucru este că acum, în loc de doar o singură fantă prin mijlocul acestui lucru, acum colectăm mult mai multă lumină - am trecut de la un factor de 1 peste n, sau -- îmi pare rău, 1 peste ny la 1 peste 2, efectiv. Bine, așa că îl modulăm pe tipul ăsta. Și acum avem această problemă. Aceasta este problema în general cu fanta... Voi face înapoi încă o dată. De ce nu facem fanta mai mare dacă vrem să colectăm mai multă lumină? Vreun interlocutor despre asta? Du-te. PUBLIC: Pentru că atunci probabil că nu eșantionați doar o singură sursă de lumină care vă interesează, probabil eșantionați o porțiune mai mare a scenei, ceea ce nu vă va oferi [INAUDIBILUL] specific pe care îl căutați. MICHAEL STENNER: Da, deci dacă ne uităm la senzorul nostru... dacă ne uităm la planul senzorului și ne uităm la o coloană de pixeli de aici, dacă avem o fantă infinit de îngustă, știm că această locație fizică pe senzor este asociat cu o lungime de undă. BINE? Dacă acum avem o fantă mai largă, atunci aceasta este asociată cu o lungime de undă din jumătatea stângă a despărțirii, dar cu o lungime de undă diferită față de jumătatea dreaptă a fantei. Deci, acum, avem această amestecare de informații spațiale și spectrale care este problematică. Acum, presupunerea că întreaga scenă este uniformă spațial ajută, dar aceasta nu este, în general, o presupunere realistă. Deci, ceea ce face acest lucru este să ne ajute să ocolim asta. Deci, acum, ceea ce avem -- pentru că am codificat asta -- este că avem o modalitate de a dezambigua această amestecare spațială și spectrală altfel ambiguă. Deci acum, să ne întoarcem. Avem această singură linie pe detectorul nostru. Avem într-adevăr locații spațiale diferite pe codul nostru, pe diafragma noastră, amestecare - toate se combină pe această coloană de pixeli. Cu excepția faptului că acesta de aici are o contribuție la lungime de undă , pentru că acele îndoiri spun mai puțin. Și acesta de aici contribuie cu o lungime de undă diferită, pentru că acela se îndoaie mult. Corect, deci ce facem? Luăm aici valorile noastre măsurate și luăm produsul punctual cu codul corespunzător -- și aceste coduri, dacă ați vorbit despre codurile Hadamard, de exemplu -- sunt concepute astfel încât produsul punctual al oricăror două coduri nepotrivite să fie doar fi zero. Și produsul punct cu un singur cod corect singur are o valoare mare. Deci, ceea ce facem este pentru aceasta, luăm produsul punctual cu fiecare dintre acestea, iar asta ne spune câtă lumină a intrat prin această parte a deschiderii și a aterizat în acest loc. Și faci asta pentru toate acestea și ajungi să-ți dai seama care este fiecare dintre aceste contribuții și le poți reasambla. OK, deci așa funcționează chestia asta ca spectrometru. Acum, transformarea acestuia într- un aparat de imagine spectral este doar puțin diferit. Avem doar unul... încercăm doar să facem din acesta un spectrometru cu mătură, așa că avem un singur grad de libertate spațială pe care încercăm să-l recuperăm. Și în acest caz, o vom face de fapt în direcția verticală. Este corect? Am înțeles bine? Scanarea lată... nu, faceți-o în direcția orizontală. Pentru că știm cât de mult... acum ne-am dat seama exact câtă lumină din fiecare lungime de undă a trecut prin fiecare dintre aceste coloane verticale, așa că știm câtă lumină a venit din acea locație și care a fost lungimea de undă a fiecărei contribuții. Așa că suntem aproape acolo-- mai rămâne o singură problemă, și anume, dacă scena are structură, atunci aceasta este o problemă. Codul Hadamard presupune că lucrul de bază pe care încercăm să-l reconstruim este neted, este plat, este nestructurat. Deci istețimea de aici vine din următoarele. Putem glisa codul pe verticală și îl înfășuram în jos, în dreapta, și luăm fiecare dintre acele versiuni în care îl glisăm una, luăm un cadru, îl glisăm din nou, luăm un cadru. Și reasamblați- le la sfârșit, astfel încât să puteți, să zicem, să luați asta... alegeți-l chiar aici... acest loc din acest cod. Și uitați-vă la ce sa întâmplat când a fost aici, apoi uitați-vă la ce sa întâmplat când a fost aici, și uitați-vă la ce sa întâmplat când a fost aici și așa mai departe. Sau, în mod echivalent, puteți să vă uitați la acest punct de pe imagine și să spuneți, ce s-a întâmplat când această parte a codului era acolo, apoi această parte a codului era acolo, și această parte a codului era acolo și așa mai departe. Și puteți sintetiza o versiune completă, o versiune full-frame a acesteia care de fapt folosește numai acest rând de date din nou și din nou și din nou. Este îngrozitor de neclar și îmi cer scuze, dar asta e tot ce pot face. Ideea este că puteți depăși limitările privind structura spațială pe care acest spectrometru le are în general prin scanarea acestui lucru în direcția y în acest caz. Și asta e în regulă, pentru că intenționăm să facem asta, oricum în aceste arhitecturi push broom . Așa că facem asta, obținem direcția verticală. Aveam deja direcția orizontală. Și astfel obțineți cele două grade spațiale de libertate. Și ai spectrul tău. Rezultatul acestui tip este că aruncă doar jumătate din fotoni, ceea ce pentru aceste lucruri este de fapt destul de bun. Și cam asta este. Există puțină reconstrucție - fiecare punct al acestui lucru este de fapt creat prin luarea unui produs punct cu codul, dar asta nu este chiar atât de rău. Deci chestia asta este de fapt un sistem destul de grozav. Acesta este, într-un fel, preferatul meu. INSTRUCTOR: Și mă tot întorc la comentariul pe care l-a făcut Mike, acesta poate fi considerat cel mai simplu -- cel anterior al unei linii, care este doar un cod plictisitor. MICHAEL STENNER: Așa este. INSTRUCTOR: Și operațiunea ar fi identică. Ai presupune că, de parcă nu ai ști care este codul... Adică, nu știai că codul este atât de simplu. Și ați face în continuare aceleași operațiuni, cu excepția faptului că acum, în loc să măsurați mai multe cantități în același timp, de fapt măsurăm doar un rând, cred. Doar un rând o dată. MICHAEL STENNER: Da, lasă-mă să încerc încă o dată în acest fel. Dacă chestia asta ar fi... dacă fiecare coloană ar avea o valoare uniformă aici, suntem cu toții destul de încrezători că ar funcționa, nu? Codul Hadamard face o treabă bună, permițându-ne să distingem cât de mult a contribuit fiecare coloană la fiecare coloană de pe senzor. Deci, asta ne spune, pentru o coloană dată, ce a venit din ce loc în cod și ce a avut ce lungime de undă în cod. Deci e destul de simplu. Singurul truc adevărat este ceea ce se întâmplă atunci când nu este uniform pe verticală și pe care îl putem simula. Putem falsifica prin alunecarea... De fapt, hai să o facem așa. Acesta este un mod mult mai ușor de a spune asta. Avem ceva structurat aici și vom simula doar un singur cadru care are o structură uniformă pe verticală. Cum vom face asta, voi spune că ne interesează doar această linie. Pe măsură ce scanăm obiectul dincolo de acest lucru, când această linie este aici, voi colecta acest rând. Și voi ignora orice altceva. O clipă mai târziu, când acea linie este aici sus, voi face clic pe acest rând și voi ignora orice altceva. Și așa mai departe, fă asta până la capăt. Și, pe rând, construiești exact cadrul pe care l-ai avea dacă totul ar fi uniform cu această linie. Așa falsificăm. Doar că nu facem o rând pe rând, facem un întreg. INSTRUCTOR: Tu faci Hadamard multiplex [INAUDIBIL].. MICHAEL STENNER: Facem Hadamard, exact. Deci tipul ăsta face o treabă destul de bună și este destul de-- INSTRUCTOR: După cum veți vedea din nou și din nou, acest truc este folosit în mod constant pentru a lua combinații liniare de cantități multiple. Pentru că vrem să facem ca eficiența fotonului să ajungă cât mai aproape de jumătate posibil. MICHAEL STENNER: Acesta este un factor mare, aici, eficiența fotonului. Deoarece principala problemă cu aceste două linii de bază este că ambele au o eficiență proastă a fotonului. Bine, da, așa că cred că am vorbit deja despre toate chestiile astea. Deci aceasta este reconstrucția. Opțiunile de scanare, apropo, putem fie muta scena peste cod, ca în cazul avionului în mișcare, fie putem scana codul circular într-un fel de instantaneu în cerc. Adică, îndreptați doar camera-- nimic nu se mișcă în afară de codul. Da, haide. OK, deci acesta nu face parte din același grup. Deci, apropo, notarea mea aici, persoana din paranteză este profesorul din grup, iar numele din față este persoana care a făcut toată munca. INSTRUCTOR: [INAUDIBIL] chiar primesc meritul. MICHAEL STENNER: Așa este, așa este, deci este persoana reală, și apoi între paranteze, nu uita de tipul ăsta. A plătit pentru asta. Deci, aceasta este o arhitectură similară în anumite privințe. În acest caz, facem același lucru. Ei bine, stai... Am crezut că a fost pe cea greșită. Deci, aceasta este exact aceeași piesă de hardware, în regulă, așa că va dura mult mai puțin timp pentru că tot ce v-am spus înainte, este complet adevărat aici, cu excepția unui singur lucru. Nu o vom muta pe rând și vom face fiecare măsurătoare. Vom face mai puține măsurători. Cu câte mai puțin? Eh, depinde de tine. Deci, în acest caz, știm că nu avem suficiente informații pentru a reconstrui complet întregul cub de date. Așa că vom folosi niște trucuri algoritmice inteligente și de aici intervine această scalare oribilă, pentru a încerca să reconstruim acel cub de date complet. Bine, deci băieți nu ați vorbit despre detectarea compresiei. Îți voi oferi versiunea mea de un minut a detectării compresive. Aveți o problemă de algebră liniară aici, sau aveți un vector mare de 1V și o veți opera cu o matrice non-pătrată. INSTRUCTOR: Este puțin colorat [INAUDIBIL]? MICHAEL STENNER: Ar fi util. Și nici eu nu pot șterge foarte bine , așa că scuze pentru asta. Lasă-mă să încerc asta. Acest lucru este pe cât de complicat devine. O, nu, Dumnezeule dragă. PUBLIC: Sper că asta a însemnat da. MICHAEL STENNER: În regulă, deci asta este la fel de complicat pe cât ajunge aici mica mea diagramă. Avem un număr de parametri care descriu o scenă și avem o matrice care efectuează o operație pe aceasta. Și, ca rezultat, avem un număr de măsurători. Dacă acest tip nu este pătrat și, în special, dacă este mai lat decât înalt, atunci numărul de măsurători pe care îl avem este mai mic decât numărul de parametri care descriu pe deplin scena. Deci asta... ce ne spune asta? INSTRUCTOR: Într-o chestie cu multiplexuri numerotate tradiționale, este o matrice pătrată exactă. Cu un număr de necunoscute, numărul de cunoscute este egal. MICHAEL STENNER: Corect. INSTRUCTOR: Și acum, avem mai puține măsurători decât acestea. MICHAEL STENNER: Deci, chiar dacă nu știi nimic despre structura acestui tip, ce știm din asta? Și nu te gândi prea mult. Aceasta este algebră interliniară. PUBLIC: Sub constrângere pentru tot. MICHAEL STENNER: Da, este sub constrângere sau sub determinat. PUBLIC: Știți lucrul pe care îl capturați în dreapta? MICHAEL STENNER: Ce este asta? PUBLIC: Știți lucrul pe care îl capturați deja? MICHAEL STENNER: Nu știm. De aceea facem asta. INSTRUCTOR: Corect, este necunoscutul. MICHAEL STENNER: Da, deci aceasta este scena, aceasta este lumea. Și acestea sunt datele pe care camera noastră, în acest caz, le scuipă. Deci scopul nostru este să... din aceste măsurători, să ne dăm seama ce a fost chestia asta. Cunoaștem această matrice... Adică, nu contează care este structura în acest moment, dar, în general, făcând aceste probleme, știi ce este această matrice. Și ai măsura ta, dar încerci să te întorci la tipul ăsta. Bine, deci aceasta este o problemă subdeterminată. Și există multe abordări algoritmice pentru a estima acest lucru, și oricine a folosit vreodată un pseudo-invers Moore Penrose, puteți încerca să inversați acest lucru. Și apoi, cu asta, acest tip vă va oferi o estimare a acestui lucru. În general, nu va fi atât de bine. Depinde de detalii. Dar există asta... și acestea sunt atât de multe detalii în care voi intra cu adevărat. Există o disciplină relativ nouă numită detecție compresivă, care este dedicată găsirii unor modalități mai bune de a face acest lucru. În general, ei presupun că aveți control asupra naturii acestei matrice. Dar ideea este că veți colecta mult mai puține măsurători decât ceea ce încercați să reconstruiți. Și modul de bază în care fac asta este prin utilizarea algoritmilor care presupun ceva despre obiect. Și lucrul pe care ei îl presupun în general este rarefianța într-un anumit domeniu. Deci, de exemplu, dacă te uiți la stele noaptea, poți presupune că, în comparație cu numărul de pixeli, nu avem atât de multe stele. Majoritatea pixelilor sunt negri, doar câțiva dintre ei vor fi albi. Deci, dacă obțineți o mulțime de lucruri neclare, puteți presupune în general că, într-un caz foarte simplu în centrul fiecărei neclare, aveți o singură stea. În aplicațiile de imagistică mai generale, puteți presupune că obiectul este rar, să zicem, în domeniul wavelet. Nu avem zgomot alb, dar avem fețe drăguțe și rotunde, ochi, păr și așa ceva. Și dacă waveletele nu ar funcționa atât de bine, atunci nu le-am folosi pentru JPEG 2000 și alte lucruri de genul ăsta. Deci, dacă presupuneți că lucrul este rar într-un anumit domeniu, atunci puteți face, în general, mult mai bine în ceea ce privește reconstrucția acestui tip. Deci asta este ideea de bază. Proiectați bine acest lucru și apoi reconstruiți cu acești algoritmi inteligenți, presupunând raritate, pentru a obține obiectul original. Aveți întrebări despre aceasta introducere cu adevărat, foarte rapidă la detecția compresivă? Deci de aici vine această scalare proastă. Din păcate, algoritmii utilizați în mod obișnuit pentru detectarea compresivă nu sunt deosebit de rapizi. Se scalează prost cu un număr de puncte. Deci ceea ce face acest tip este că, folosind același hardware despre care tocmai vorbeam , putem face o măsurătoare compresivă în care pur și simplu nu scanăm atât de mult pe cât ne-am dori. Semnalele se amestecă într-un mod în care nu le putem decripta în mod unic, dar utilizând aceste abordări, presupunând rarefie și altele, putem face o treabă destul de decentă. Din nou, acesta este un exemplu bun în care nu vorbesc despre calitatea imaginii, pentru că există probleme cu ea. Nu există o modalitate ușoară de a o caracteriza și de a compara. OK, hai să mergem mai departe. Deci acesta este unul similar din același grup. Nu o să mă opresc prea mult pe asta. Arhitectura va fi familiară. În acest caz, ne imaginăm... permiteți-mă să mă asigur că am înțeles clar... așa că trecem printr-un spectrometru standard, cu excepția faptului că punem... acum avem codul nostru aici. Și apoi trecem printr-o gradare complet identică și o formare a lentilelor pentru a elimina practic această pată de lungime de undă pe care o aveam înainte. INSTRUCTOR: Optic. MICHAEL STENNER: Optic. De exemplu, dacă tocmai am îndepărtat această deschidere acoperită și doar am lăsat-o deschisă, fără a lăsa nimic în acel spațiu, atunci ceea ce am obține la sfârșit aici ar fi doar o imagine normală. Aceasta este gradarea separă lungimile de undă și această gradare le pune din nou împreună. Acest lucru nu ar face absolut nimic decât să facă o imagine frumoasă în tonuri de gri normală. Ceea ce schimbă lucrurile este că avem această deschidere acoperită acolo și este acolo, este acolo într-un loc interesant. Este acolo unde informațiile spațiale și spectrale au fost amestecate. Adică unele lungimi de undă au fost deplasate mai mult decât altele. Și astfel lucrurile se încurcă totul. Și apoi puneți la loc. Deci, ceea ce se întâmplă este... și din nou, poate putem ucide din nou acei fluorescenți, mulțumesc... deci este puțin greu de văzut. Dar aici aveți ceea ce pare o imagine relativ normală, cu excepția faptului că la diferiți pixeli, aveți coduri diferite care au fost aplicate spectrului. Deci da, așa că puteți decoda din nou pe partea din spate pentru a reconstrui imaginea. Aceasta este, de asemenea, o problemă de detectare a compresiei. Este din nou eficient pe jumătate de fotoni, ceea ce vă va suna familiar dacă auziți mai multe despre aceste lucruri cu deschidere codificată , pentru că aproximativ jumătate dintre acești tipi sunt închiși. Este compresiv, în sensul că faci o singură fotografie spațială și asta conține toate informațiile care te interesează. Așa că putem compara puțin acești tipi în ceea ce privește modul în care funcționează. Dacă ne uităm la aceeași scenă pentru ambele - și aceasta este intenționată să fie în trei culori, o culoare roșie, o culoare verde și o culoare albastră, cu puțină suprapunere între ele - ca în dispersorul unic , chestia asta este modulată de mască înainte de orice schimbare. În dispersorul dublu, vă schimbați mai întâi și apoi modulați. Și apoi, în dispersorul dublu, puneți lucrurile la loc. În dispersorul unic, modulezi și apoi schimbi. Așadar, acest lucru vă oferă doar o idee despre modul în care lucrurile sunt amestecate. Trecând la următoarea -- unele dintre implicațiile sunt dacă aveți trei surse albe, în acest caz, dispersorul dublu, deoarece le-ați împărțit mai întâi și apoi le-ați modulat, s- ar putea să pierdeți unele dintre benzile de culoare asociate cu sursă unică punctuală. Deci roșul și verdele pentru această sursă punctuală tocmai au dispărut. Dar șansele sunt că atunci când puneți ceva la loc, toate cele trei surse punctuale vor fi reprezentate. Pentru dispersorul unic, pe de altă parte, deoarece modulația are loc mai întâi în domeniul imaginii, dacă o sursă punctuală se întâmplă să cadă într-un punct închis din mască, pur și simplu a dispărut. Ghinion. Vestea bună este că păstrați informații spectrale mai bune despre locațiile pe care le vedeți. Deci, este într-adevăr un fel de compromis în ceea ce privește informațiile care au prioritate mai mare pentru tine și ce funcționează mai bine pentru aplicația ta. Și ultimul exemplu, același lucru de bază - pierzi structura spațială aici, dar obții informații spectrale bune. Aici, mai puține informații spectrale, dar aveți totuși o idee mai bună despre cum arată structura spațială. Bine, ce urmează? Bine, minunat. Deci, aici intervine tomografia. Deci aceasta este o altă arhitectură care funcționează într-un mod complet diferit. Modul în care funcționează tipul ăsta este că vom avea un fel de lentilă să treacă prin sistemul nostru de imagistică, să coloaneze lumina și apoi să trecem printr-o gradare de difracție. OK, acum aceasta este o gradare de difracție special creată care se împrăștie în multe direcții bidimensionale diferite . PUBLIC: 16 [? pic? ?] MICHAEL STENNER: Da, deci da și nu. Este una... este greu de spus, exact. INSTRUCTOR: 3, 4, 5-- MICHAEL STENNER: Cred că sunt șase direcții, dar apoi obții combinații. Deci, acesta de aici este o combinație între asta și asta. Și acestea sunt două ordine ale acestui lucru. Deci, acesta... acești șase de aici sunt primele ordine de difracție. INSTRUCTOR: Arată aceeași eficacitate... MICHAEL STENNER: OK, da. INSTRUCTOR: Așa că gândiți-vă la unul dintre aceștia ca la acest tip de aici. Așa că, dacă vei lumina pe asta, vei obține o sferă. Și pe măsură ce îl rotești pe acest tip, acești băieți vor apărea. Deci [INAUDIBLE] orientare aceasta. Dar imaginați-vă dacă există note finale care se vor oglindi și mai mult. MICHAEL STENNER: De fapt, ceea ce cred că este fizic, este... da, o voi spune peste asta într-o clipă... dacă ai luat trei dintre acești tipi și i-ai rotit fiecare la 120 de grade unul față de celălalt, asta este practic ceea ce ai primi. Deci aceasta este împrăștierea unuia dintre ei. Du-te. Oh, hei, bine. Pot să fac mai bine decât atât... uite aici. INSTRUCTOR: Acum avem doar monocromatic. MICHAEL STENNER: Da, este adevărat. Dar vă puteți face ideea de comenzi multiple aici. Deci, unul dintre acestea, acela , este fasciculul meu de ordin zero prin această gradare de difracție. INSTRUCTOR: Cel mic de aici? MICHAEL STENNER: Și fiecare dintre ei, mergând mai departe... INSTRUCTOR: 1, 2, 3, minus 1, minus 2, minus 3. MICHAEL STENNER: Corect. Deci, la ce ne uităm aici, dacă am avea doar unul dintre acești tipi, am avea 0, 1, 2, iar 1 și 2 doar se contopesc unul cu celălalt. Pare unul lung , dar de fapt sunt doi. Deci 0, 1, 2, negativ 1, negativ 2. Deci acesta este unul, doi dintr-o gradare la acest tip de unghi. Acesta este aproape sigur unul din asta și unul din gradare care se află în acest unghi. Deci obțineți aceste note multiple pe același material. Și obțineți această împrăștiere în unghiuri diferite. Putem transmite asta dacă oamenilor le pasă să se uite din nou. INSTRUCTOR: Și din nou, dacă privești lumea prin asta și ai zero [? tech, ?] o să vezi că există copii ale lui [INAUDIBLE].. MICHAEL STENNER: Așa este. Deci în regulă, acum, aici se întâmplă magia. La ce ne folosește asta? Dreapta? Gândiți-vă la ce înseamnă să mânjiți aceste lungimi de undă și apoi lăsați acea lumină să cadă pe o cameră sau pe un senzor. Nu avem aici doar un singur fascicul unidirecțional, ci avem o imagine. Avem o scenă care este propagată prin chestia asta. Și dacă ne imaginăm că scena are mai multe culori, sau mai multe lungimi de undă, așa cum trebuie dacă suntem interesați de ea, atunci ceea ce se va întâmpla este să spunem, o parte cu lungime de undă albastră a scenei și o parte roșie cu lungime de undă a scenei... - care au început unul peste altul - vor fi mutate și adăugate împreună pe senzor. Deci, dacă ne imaginăm roșul... lasă-mă să fac asta... OK, poate putem aprinde luminile din nou pentru o clipă. Imaginează-ți că acesta este un strat roșu, iar acum voi lua stratul albastru. Va fi mutat și adăugat împreună. Aceste două lucruri vor fi mutate unul față de celălalt și se vor adăuga împreună. Care este un alt mod de a gândi la asta? O să-mi desenez aici cubul de date, despre care am tot vorbit. Și îmi place să desenez... iată-ne , OK. Dacă acesta este x, y și lambda, ce face o cameră monocromă normală ? Ne oferă o valoare. Așa că reprezint scena aici -- o cameră monocromă normală ne oferă integrala verticală prin lambda a acelei scene. Este nevoie doar de toate valorile diferite la fiecare lambda diferită, le adună pe toate împreună, doar ne oferă cantitatea totală de putere pentru toate lungimile de undă din scenă. Ceea ce face schimbarea noastră acum este că ne oferă integrala de-a lungul unei linii, la un unghi non-vertical. INSTRUCTOR: Care este același concept cu câmpul luminos pentru sarcina a doua. Ați văzut că [INAUDIBIL]. MICHAEL STENNER: Deci, pentru un singur... deci dacă măsurăm asta aici, de exemplu, ceea ce obținem este o imagine completă făcută de multe integrale de linii la un anumit unghi prin acest cub de date. Dreapta? Și acum, dacă măsurăm această cale de ieșire aici pe margine, unde lucrurile au fost deplasate mult în cealaltă direcție, obținem niște integrale de linii foarte abrupte în cealaltă direcție. Bine, acum, dacă începe să pară tomografie, ar trebui, pentru că exact asta facem aici. Luăm multe integrale de linii prin acest cub de date, în multe unghiuri diferite și putem folosi tehnici tomografice standard pentru a le reconstrui. INSTRUCTOR: Să ne asigurăm că toată lumea este cu asta. Vedeți analogia dintre tomografia cu raze X și ceea ce am făcut aici? MICHAEL STENNER: Lucrul ciudat este că acesta nu mai este un cap sau un obiect fizic, tridimensional. Nu mai sunt x, y și z, care sunt trei dimensiuni în acest caz. INSTRUCTOR: Este x, y și lambda. MICHAEL STENNER: Este x, y și lambda. Și integralele noastre de cale nu mai sunt densitate, ci sunt doar cantitatea de energie reprezentată de acel x, y și lambda Voxel. Bine, matematic, complet identic. Doar luăm integrale de cale prin mai multe unghiuri diferite. Avem destui, putem reconstrui întregul cub de date. INSTRUCTOR: Și dacă aveți, să zicem, am uitat câți au fost? 25 aici, aproximativ? Să presupunem că aveți 25 de astfel de săgeți aici, care corespund cu ce în următorul [INAUDIBLE]? PUBLIC: Unghiuri? INSTRUCTOR: Corespunde la 25 de unghiuri. Ca și cum ai pune pozițiile cu raze X 1, 2, 3, 4, 5, 6 și 1, 2, 3, 4-- 1, 2, 3, 4, 5, 1, 2, 3, 4, 5, 1, 2, 3, 4, 5 și, practic, puneți acele 25 de proiecții. Exact asta este. Ceea ce înseamnă și în ceea ce privește rezoluția, ce se întâmplă aici? În ceea ce privește simțul tău de rezoluție? Pierzi rezoluția cu cel puțin un factor de 25. De obicei, mult mai mult, pentru că nu îi poți împacheta foarte bine pe acești tipi . MICHAEL STENNER: Corect, da, deci una dintre problemele acestei arhitecturi este că acesta este senzorul... această cutie pătrată este senzorul. Și puteți obține un senzor de 12, 14 megapixeli, aruncați o mulțime de pixeli la chestia asta. Dar pierzi multe dintre ele. Nicio lumină nu cade asupra lor. Și asta pentru că trebuie să te asiguri că acestea nu se suprapun între ele. Asta e o problemă reală. Deci, ca rezultat, ajungi cu un spațiu mort între ele. INSTRUCTOR: Dar este o schemă foarte inteligentă. MICHAEL STENNER: Este o schemă foarte inteligentă. INSTRUCTOR: Când vă gândiți la modul în care tomografia [INAUDIBLE] este utilizată pentru imagistica hiperspectrală. MICHAEL STENNER: Bine, haide. INSTRUCTOR: Să ne oprim aici, pentru că alergăm peste timp. Și să vedem dacă există întrebări despre asta. Și apoi, ești aici săptămâna viitoare, nu? MICHAEL STENNER: De fapt, sunt. Fă-mi doar o favoare. Răsfoiți doar pentru a- mi aminti ce a mai rămas și voi vedea dacă am vreun comentariu. Nu am de gând să vorbesc prea mult despre a ta. Este doar un tabel rezumativ. [VOCI INTERPUSE] INSTRUCTOR: Există întrebări despre [INAUDIBIL]? Ultimul? [VOCI INTERPUSE] PUBLIC: Deci singura la care nu am ajuns a fost Isis? MICHAEL STENNER: Deci da, este foarte asemănător de văzut, deci nu este atât de interesant. Isis și apoi marginea spectrului, despre care Anka a vorbit puțin... ei bine, multe, de fapt. Mai mult decât voi. Am de gând să vorbesc despre asta. Deci, aceștia... Voi spune doar că acești doi nu sunt aparate de imagine hiperspectrale sau spectrale tradiționale. INSTRUCTOR: Deci scopul acolo nu este măsurarea cubului, cub tradițional. MICHAEL STENNER: Așa este. PUBLIC: Deci toate acestea sunt imaginile dezvoltate de compania dumneavoastră? MICHAEL STENNER: Oh, nu, acesta este un studiu al literaturii academice. Am făcut... Roark a lucrat la ceva care ar putea fi o arhitectură de câmp luminos , care ar putea fi folosit ca un aparat de imagine spectrală. Asta nici nu a intrat aici. PUBLIC: L-am prezentat acum câteva săptămâni. MICHAEL STENNER: Deci ai văzut altfel. PUBLIC: Probabil că nu vă amintiți. INSTRUCTOR: Deci misiunea ta numărul patru este imagistica multispectrală. Și nu vom construi hardware, pentru că asta durează prea mult. Dar vă vom oferi un set de date care are 32 de canale, câte 10 pe 12 fiecare, pentru flori, oameni, bere și așa mai departe. Și apoi vom face ceva, ca ceea ce spunea Anka, în care lucrurile folosind răspunsul standard de culoare RGB, vi se va permite să amestecați și să potriviți acele spectre și să creați imagini interesante. Deci, aceasta ar trebui să fie o sarcină relativ simplă, deoarece pur și simplu adunați începutul imaginilor și creați imaginea cu trei canale la sfârșit. Dar, sperăm, că te va intrigă cu privire la modul în care arată lucrurile diferite într-un spectru diferit. Deci, misiunea numărul patru este de fapt deschisă. Aceasta este doar o sugestie. Dacă vrei să faci ceva foarte simplu, ceva care durează puțin mai mult de șase ore, propune-mi și mie asta. Putem sprijini asta ca a patra misiune. Sau dacă nu vrei să iei prea mult, atunci poți să faci asta și să-ți concentrezi energia creativă spre proiectul final. Deci, săptămâna viitoare, vom vorbi mai mult despre imagistica științifică -- microscopie, tomografie -- am făcut-o într-o secvență ușor opusă. Am vrut să facem mai întâi tomografia, dar sperăm că acum aveți deja o idee, deconvoluție și așa mai departe. Despre asta vom vorbi săptămâna viitoare. Și avem și un vorbitor invitat. Și apoi, vom face o scurtă prezentare generală pentru examenul din 13, care este carte deschisă, laptop deschis, deschide totul. Deci nu trebuie să studiezi pentru asta. Chiar ar trebui să vă concentrați pe proiectul final.