Imagem de dispersão óptica

Princípios básicos da imagem de espalhamento óptico:
Quando a luz encontra dispersores (por exemplo, mídia turva, tecidos biológicos) durante a propagação, sua direção muda - um fenômeno conhecido como dispersão. Na imagem de dispersão óptica, os fótons que transportam informações do alvo são interrompidos pela distribuição não homogênea de partículas e índices de refração dentro do meio de espalhamento, levando a imagens distorcidas de detecção direta. Por exemplo, em condições de neblina, a dispersão da luz por gotículas de água causa observação borrada de objetos. No entanto, a imagem de dispersão óptica depende da análise e processamento desses fótons dispersos para reconstruir imagens. Os fótons dispersos podem ser categorizados como:

• Fótons balísticos (viajando quase retos, carregando informações claras do alvo),

• Fótons semelhantes a cobras (passando por múltiplas espalhamentos, mantendo informações parciais do alvo),

• Fótons difusos (altamente randomizados após espalhamento extenso).
  Diferentes tipos de fótons desempenham papéis distintos na imagem. As técnicas tradicionais de imagem de dispersão geralmente se concentram em otimizar a coleta de fótons balísticos para a reconstrução da imagem.

Técnicas tradicionais de imagem de espalhamento óptico:
Os métodos convencionais baseados na coleção de fótons balísticos tentam extrair informações do alvo, isolando esses fótons da luz dispersa. As abordagens iniciais utilizaram projetos ópticos específicos e configurações de detector para priorizar a captura de fótons balísticos. No entanto, em cenários práticos, os fótons balísticos são escassos, e a maioria dos fótons em meios fortemente dispersos são não-balísticos devido à dispersão múltipla. Consequentemente, essas técnicas têm um desempenho ruim em mídia com grande espessura óptica e têm aplicabilidade limitada.

Imagem de espalhamento óptico computacional:
Com os avanços tecnológicos, surgiu imagens de espalhamento computacional, enfatizando a utilização de fótons não balísticos em meios de dispersão grossos. As principais abordagens incluem:

• Efeito da memória óptica e algoritmos de recuperação de fases:
  O efeito da memória óptica descreve como a mídia de dispersão mantém a "memória" da luz incidente sob certas condições - pequenas mudanças no ângulo ou posição da iluminação produzem variações correlacionadas no campo disperso. A alavancagem desse efeito com os algoritmos de recuperação de fases permite a recuperação de informações de fase do alvo de campos dispersos. Por exemplo, experimentos reconstruem as imagens de destino correlacionando a luz dispersa com os alvos através do efeito da memória e resolvendo iterativamente as informações de fase. Este método mostra promessa para meios de espalhamento espesso dinâmico e potencial em imagens de campo largo e longo alcance.

• Imagem de difração coerente:
  Essa técnica emprega iluminação de luz coerente e algoritmos iterativos para reconstruir a amplitude e a fase do alvo a partir de padrões de difração medidos. Ao registrar a intensidade da luz dispersa (falta de dados de fase), os algoritmos de recuperação de fase resolvem iterativamente para obter informações ausentes. A imagem de difração coerente supera os limites tradicionais de resolução, permitindo imagens de alta resolução de microestruturas na ciência e biomedicina de materiais.

• Engine iterativo ptychográfico:
  A ptychography reconstrói imagens de alta resolução, sobrepostas de regiões-alvo e processando iterativamente os dados de intensidade dispersa. O ajuste continuamente as posições e os ângulos da varredura aumenta a aquisição de informações, melhorando a resolução e a qualidade. Este método se destaca na imagem de alvos não escolares e mantém um valor significativo em aplicações práticas de imagem de dispersão.

Desafios e limitações:
Apesar do progresso notável, a imagens de dispersão óptica enfrenta desafios:

• Ambientes dinâmicos: Mídias de dispersão em rápida mudança (por exemplo, fumaça fluida, tecidos biológicos dinâmicos) exigem processamento em tempo real da evolução de dados de espalhamento, exigindo algoritmos e energia computacional altamente eficientes.

• Resolução e qualidade: a mídia de espalhamento grossa geralmente degradam a qualidade da imagem devido à perda de informações e ruído da dispersão múltipla, levando a desfoque ou distorção.

• Especificidade do cenário: muitas técnicas se destacam em condições específicas, mas carecem de generalização, limitando sua robustez em diversas aplicações do mundo real.

Aplicações:

• Biomedicina: permite a imagem de estruturas de tecido interno através da dispersão da luz, ajudando o diagnóstico de doenças (por exemplo, detectando o câncer de estágio inicial por meio da análise da luz dispersa dos tecidos).

• Monitoramento ambiental: facilita a imagem através da névoa, fumaça ou neblina para monitorar fontes de poluição distantes ou fenômenos meteorológicos.

• Inspeção industrial: suporta testes não destrutivos de materiais opacos, analisando a luz dispersa para identificar defeitos internos, melhorando a qualidade e a segurança do produto.