完整搜尋頁面 →

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

  1. R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed., Pearson, 2018, Ch. 1. publisher page
  2. 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
  3. NASA, “First Image of the Moon Taken by a U.S. Spacecraft” (Ranger 7, PIA02975), NASA Photojournal. NASA
  4. 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
  5. 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
  6. 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
  7. R. Szeliski, Computer Vision: Algorithms and Applications, 2nd ed., Springer, 2022. book site
  8. 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
  9. 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
  10. M. Delbracio, D. Kelly, M. S. Brown and P. Milanfar, “Mobile Computational Photography: A Tour,” arXiv:2102.09000, 2021. arXiv
  11. G. Gallego et al., “Event-based Vision: A Survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020. arXiv
  12. 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
  13. Y. LeCun, Y. Bengio and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, 2015. doi:10.1038/nature14539
  14. 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
  15. C. Chen, Q. Chen, J. Xu and V. Koltun, “Learning to See in the Dark,” CVPR, 2018. arXiv
  16. 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
  17. A. Ignatov, L. Van Gool and R. Timofte, “Replacing Mobile Camera ISP with a Single Deep Learning Model,” arXiv:2002.05509, 2020. arXiv
  18. 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