Imágenes de dispersión óptica

Principios básicos de imágenes de dispersión óptica:
Cuando la luz encuentra dispersores (por ejemplo, medios turbios, tejidos biológicos) durante la propagación, su dirección cambia, un fenómeno conocido como dispersión. En la imagen de dispersión óptica, los fotones que transportan información objetivo se ven interrumpidas por la distribución no homogénea de partículas e índices de refracción dentro del medio de dispersión, lo que lleva a imágenes distorsionadas de detección directa. Por ejemplo, en condiciones de niebla, la dispersión de la luz por las gotas de agua provoca la observación borrosa de los objetos. Sin embargo, las imágenes de dispersión óptica se basan en el análisis y el procesamiento de estos fotones dispersos para reconstruir imágenes. Los fotones dispersos se pueden clasificar como:

• Fotones balísticos (viajar casi recto, llevar información objetivo clara),

• Fotones tipo serpiente (sometidos a múltiples dispersión, retención de información objetivo parcial),

• Fotones difusos (altamente aleatorizados después de una dispersión extensa).
  Diferentes tipos de fotones juegan roles distintos en las imágenes. Las técnicas de imagen de dispersión tradicionales a menudo se centran en optimizar la colección de fotones balísticos para la reconstrucción de imágenes.

Técnicas tradicionales de imagen de dispersión óptica:
Métodos convencionales basados ​​en la recolección de fotones balísticos intentan extraer información objetivo aislando estos fotones de la luz dispersa. Los primeros enfoques utilizaron diseños ópticos específicos y configuraciones de detectores para priorizar la captura de fotones balísticos. Sin embargo, en escenarios prácticos, los fotones balísticos son escasos, y la mayoría de los fotones en medios de dispersión fuertemente no son balísticos debido a la dispersión múltiple. En consecuencia, tales técnicas funcionan mal en los medios con un gran grosor óptico y tienen una aplicabilidad limitada.

Imágenes de dispersión óptica computacional:
Con los avances tecnológicos, ha surgido imágenes de dispersión computacional, enfatizando la utilización de fotones no balísticos en medios de dispersión gruesos. Los enfoques clave incluyen:

• Efecto de memoria óptica y algoritmos de recuperación de fase:
  El efecto de memoria óptica describe cómo los medios de dispersión retienen la "memoria" de la luz incidente en ciertas condiciones: los cambios pequeños en el ángulo o posición de iluminación producen variaciones correlacionadas en el campo disperso. Aprovechar este efecto con algoritmos de recuperación de fase permite la recuperación de la información de fase objetivo de los campos dispersos. Por ejemplo, los experimentos reconstruyen las imágenes objetivo correlacionando la luz dispersa con objetivos a través del efecto de memoria y resolviendo iterativamente la información de fase. Este método es prometedor de medios de dispersión gruesos dinámicos y potencial en imágenes de largo alcance de campo amplio.

• Imágenes de difracción coherente:
  Esta técnica emplea iluminación de luz coherente y algoritmos iterativos para reconstruir la amplitud y fase objetivo a partir de patrones de difracción medidos. Al registrar la intensidad de la luz dispersa (sin datos de fase), los algoritmos de recuperación de fase resuelven de forma iterativa la información faltante. La imagen de difracción coherente supera los límites de resolución tradicionales, lo que permite imágenes de alta resolución de microestructuras en ciencia de materiales y biomedicina.

• Motor iterativo ptychográfico:
  Ptychography reconstruye imágenes de alta resolución mediante la superposición de las regiones objetivo y procesando iterativamente datos de intensidad dispersa. Ajustar continuamente las posiciones y ángulos de escaneo mejora la adquisición de información, mejorando la resolución y la calidad. Este método sobresale en los objetivos no del páramo de imágenes y tiene un valor significativo en aplicaciones prácticas de dispersión de imágenes.

Desafíos y limitaciones:
A pesar del progreso notable, las imágenes de dispersión óptica enfrenta desafíos:

• Entornos dinámicos: los medios de dispersión que cambian rápidamente (por ejemplo, humo fluido, tejidos biológicos dinámicos) exigen el procesamiento en tiempo real de los datos de dispersión en evolución, que requieren algoritmos altamente eficientes y potencia computacional.

• Resolución y calidad: los medios de dispersión gruesos a menudo degradan la calidad de la imagen debido a la pérdida de información y el ruido de la dispersión múltiple, lo que lleva a desenfoque o distorsión.

• Especificidad del escenario: muchas técnicas sobresalen en condiciones específicas pero carecen de generalización, limitando su robustez en diversas aplicaciones del mundo real.

Aplicaciones:

• Biomedicina: permite la imagen de las estructuras de tejido interno a través de la dispersión de la luz, ayudando al diagnóstico de enfermedad (p. Ej., Detección de cáncer en etapa temprana mediante el análisis de la luz dispersa de los tejidos).

• Monitoreo ambiental: facilita la imagen a través de la niebla, el humo o la neblina para monitorear fuentes de contaminación distantes o fenómenos meteorológicos.

• Inspección industrial: admite pruebas no destructivas de materiales opacos mediante el análisis de la luz dispersa para identificar defectos internos, mejorar la calidad y la seguridad del producto.