逐一走訪電磁波段
選讀・IP 01・緒論 的補充資料(第 2/2 則)。主線不依賴這則補充;引用編號對應本頁底部的參考文獻。
導覽:本頁與本系列: 導覽:本頁與本系列
這份筆記依光子能量由高到低,逐一走訪電磁波譜的各個波段,並介紹每個波段的主要成像應用。
伽瑪射線成像
伽瑪射線是能量最高的光子。在核子醫學中,病人接受放射性示蹤劑,偵測器記錄示蹤劑放出的伽瑪射線;影像呈現的是示蹤劑聚集在哪裡,因此它描繪的是功能(例如代謝),而不是解剖構造。正子斷層掃描(positron emission tomography,PET)是這個概念的斷層版本,使用與 CT 相同的重建數學。在天文學中,伽瑪射線望遠鏡拍攝爆炸恆星殘骸這類劇烈事件。伽瑪射線影像通常雜訊很多,因為每個像素只累積到有限數量的光子事件;因此去雜訊與復原(第 3、5 章)在這裡特別重要。
X 光成像
X 光是最古老的醫學成像來源。在一般的 X 光攝影(radiograph)中,X 光穿過人體後讓偵測器曝光;骨骼等高密度組織吸收較多,因此看起來較亮。血管攝影(angiography)把顯影劑注入血管,再把注射前與注射後的影像相減以凸顯血管——這是第 2 章會介紹的影像算術運算。正文介紹的 CT 則把大量 X 光投影轉成切面,並堆疊成立體資料 [4]。醫學以外,X 光可以檢查焊接點與電路板裡看不見的瑕疵,X 光望遠鏡則能拍攝星系團中的高溫氣體。
紫外線成像
紫外線(UV)位於紫光之外。它最重要的應用是螢光顯微術(fluorescence microscopy):有些物質吸收紫外線光子後,會再放出能量較低的可見光。在一台濾掉紫外激發光、只讓放射光通過的顯微鏡下,會發螢光的構造就在黑色背景上發亮。生物學家用螢光標記特定蛋白質,觀察它們在細胞中的位置。紫外線成像也用於天文與工業檢測,例如找出白光下看不見的殘留物。
可見光與紅外線成像
日常的成像大多發生在可見光波段:攝影、光學顯微術、工業機器視覺(machine vision;例如檢查藥片包裝是否填滿、辨識車牌、量測零件尺寸)、文件掃描,以及人臉與指紋分析。可見光常與相鄰的紅外線(IR)波段搭配使用。
遙測(remote sensing)衛星會在從藍光到紅外線的數個窄波段中記錄同一個場景,稱為多光譜(multispectral)影像。由於植被、水與土壤對這些波段的反射率不同,組合不同波段就能繪製作物、洪水或都市擴張的地圖。熱紅外線相機感測的是物體放出的熱,而不是反射光,因此能用於夜間、消防與建築檢測。氣象衛星也利用紅外線頻道全天候追蹤雲層與暴風。
微波成像(雷達)
微波成像的主力是成像雷達。雷達自帶照明:它發出微波脈衝並記錄回波。由於微波能穿透雲、霾與黑暗,雷達可以拍攝光學衛星可能連續數週都看不到的地區,例如終年雲霧籠罩的雨林。合成孔徑雷達(synthetic aperture radar,SAR)利用飛機或衛星的移動,合成出一面非常大的天線,以獲得很高的解析度;把記錄下來的回波變成影像,本身就是一個計算步驟 [8]。
無線電波段成像
在長波長的一端,醫學上的主要應用是磁振造影(magnetic resonance imaging,MRI)。病人躺在強磁場中,短暫的射頻脈衝激發氫原子核,再記錄它們放出的微弱無線電訊號。1973 年,Paul Lauterbur 證明加上磁場梯度後,這些訊號會隨位置而不同,因此可以由它們形成影像 [6]。和 CT 一樣,MRI 必須經過計算才會產生影像:原始量測值位於頻率域(第 4 章的主題),必須轉換回來。
在電波天文學中,波長很長意味著單一碟形天線的解析度很差,所以天文學家會結合許多望遠鏡的訊號。2019 年,事件視界望遠鏡合作團隊(Event Horizon Telescope Collaboration)發表了第一張超大質量黑洞陰影的影像,位於 M87 星系中心,由結合全球各地電波天文台的資料而成 [9]。這張影像既是望遠鏡的成果,也同樣是重建演算法的成果。
參考文獻
- R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed., Pearson, 2018, Ch. 1. publisher page
- K. Kobayashi, “Birth of a Digital Phototelegraph — the Bartlane System,” Journal of the Institute of Image Electronics Engineers of Japan, vol. 31, no. 2, pp. 244–249, 2002. J-STAGE
- NASA, “First Image of the Moon Taken by a U.S. Spacecraft” (Ranger 7, PIA02975), NASA Photojournal. NASA
- G. N. Hounsfield, “Computerized transverse axial scanning (tomography): Part 1. Description of system,” British Journal of Radiology, vol. 46, no. 552, pp. 1016–1022, 1973. doi:10.1259/0007-1285-46-552-1016
- L. A. Shepp and B. F. Logan, “The Fourier reconstruction of a head section,” IEEE Transactions on Nuclear Science, vol. 21, no. 3, pp. 21–43, 1974. doi:10.1109/TNS.1974.6499235
- P. C. Lauterbur, “Image formation by induced local interactions: examples employing nuclear magnetic resonance,” Nature, vol. 242, pp. 190–191, 1973. doi:10.1038/242190a0
- R. Szeliski, Computer Vision: Algorithms and Applications, 2nd ed., Springer, 2022. book site
- J. N. Mait, G. W. Euliss and R. A. Athale, “Computational imaging,” Advances in Optics and Photonics, vol. 10, no. 2, pp. 409–483, 2018. doi:10.1364/AOP.10.000409
- The Event Horizon Telescope Collaboration, “First M87 Event Horizon Telescope Results. I. The Shadow of the Supermassive Black Hole,” The Astrophysical Journal Letters, vol. 875, no. 1, 2019. doi:10.3847/2041-8213/ab0ec7
- M. Delbracio, D. Kelly, M. S. Brown and P. Milanfar, “Mobile Computational Photography: A Tour,” arXiv:2102.09000, 2021. arXiv
- G. Gallego et al., “Event-based Vision: A Survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020. arXiv
- G. Wang, J. C. Ye and B. De Man, “Deep learning for tomographic image reconstruction,” Nature Machine Intelligence, vol. 2, no. 12, pp. 737–748, 2020. doi:10.1038/s42256-020-00273-z
- Y. LeCun, Y. Bengio and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, 2015. doi:10.1038/nature14539
- R. Ramanath, W. E. Snyder, Y. Yoo and M. S. Drew, “Color image processing pipeline,” IEEE Signal Processing Magazine, vol. 22, no. 1, pp. 34–43, 2005. doi:10.1109/MSP.2005.1407713
- C. Chen, Q. Chen, J. Xu and V. Koltun, “Learning to See in the Dark,” CVPR, 2018. arXiv
- T. Brooks, B. Mildenhall, T. Xue, J. Chen, D. Sharlet and J. T. Barron, “Unprocessing Images for Learned Raw Denoising,” arXiv:1811.11127, 2018. arXiv
- A. Ignatov, L. Van Gool and R. Timofte, “Replacing Mobile Camera ISP with a Single Deep Learning Model,” arXiv:2002.05509, 2020. arXiv
- M. H. M. da Silva et al., “ISP meets Deep Learning: A Survey on Deep Learning Methods for Image Signal Processing,” arXiv:2305.11994, 2023. arXiv