A detecção comprimida é uma nova técnica computacional excitante para extrair grandes quantidades de informações de um sinal. Em uma demonstração de alto nível, por exemplo, pesquisadores da Rice University construíram uma câmera que podia produzir imagens 2-D usando apenas um único sensor de luz, em vez dos milhões de sensores de luz encontrados em uma câmera comum.

Mas usar sensor compactado para aquisição de imagem é ineficiente:essa "câmera de pixel único" precisou de milhares de exposições para produzir uma imagem razoavelmente clara. Relatando seus resultados no jornal Transações IEEE em imagens computacionais , pesquisadores do MIT Media Lab agora descrevem uma nova técnica que torna a aquisição de imagens usando detecção comprimida 50 vezes mais eficiente. No caso da câmera de pixel único, poderia reduzir o número de exposições de milhares para dezenas.

Um aspecto intrigante dos sistemas de imagem de detecção por compressão é que, ao contrário das câmeras convencionais, eles não requerem lentes. Isso pode torná-los úteis em ambientes hostis ou em aplicações que usam comprimentos de onda de luz fora do espectro visível. Livrar-se das lentes abre novas perspectivas para o design de sistemas de imagem.

"Anteriormente, a imagem exigia uma lente, e a lente mapearia pixels no espaço para sensores em uma matriz, com tudo precisamente estruturado e projetado, "diz Guy Satat, um estudante de pós-graduação no Media Lab e primeiro autor do novo artigo. "Com imagens computacionais, começamos a perguntar:uma lente é necessária? O sensor precisa ser uma matriz estruturada? Quantos pixels o sensor deve ter? Um único pixel é suficiente? Essas questões essencialmente quebram a ideia fundamental do que é uma câmera. O fato de que apenas um único pixel é necessário e uma lente não é mais necessária relaxa as principais restrições de design, e permite o desenvolvimento de novos sistemas de imagem. O uso de detecção ultrarrápida torna a medição significativamente mais eficiente. "

Aplicativos recursivos

Um dos co-autores de Satat no novo artigo é seu orientador de tese, professor associado de artes e ciências da mídia Ramesh Raskar. Como muitos projetos do grupo de Raskar, a nova técnica de sensoriamento comprimido depende da imagem do tempo de voo, em que uma pequena explosão de luz é projetada em uma cena, e os sensores ultrarrápidos medem quanto tempo a luz leva para refletir de volta.

A técnica usa imagens de tempo de voo, mas um tanto circular, uma de suas aplicações potenciais é melhorar o desempenho das câmeras de tempo de vôo. Isso poderia, portanto, ter implicações para uma série de outros projetos do grupo de Raskar, como uma câmera que pode ver em torno dos cantos e sistemas de imagem de luz visível para diagnóstico médico e navegação veicular.

Muitos sistemas de protótipo do grupo de cultura de câmera de Raskar no Media Lab usaram câmeras de tempo de voo chamadas câmeras de sequência, que são caros e difíceis de usar:Eles capturam apenas uma linha de pixels da imagem por vez. Mas, nos últimos anos, assistimos ao advento de câmeras comerciais de tempo de voo chamadas SPADs, para diodos de avalanche de fóton único.

Embora não seja tão rápido quanto as câmeras fotográficas, SPADs ainda são rápidos o suficiente para muitas aplicações de tempo de voo, e podem capturar uma imagem 2-D completa em uma única exposição. Além disso, seus sensores são construídos usando técnicas de fabricação comuns na indústria de chips de computador, portanto, sua produção em massa deve ser econômica.

Com SPADs, os componentes eletrônicos necessários para conduzir cada pixel do sensor ocupam tanto espaço que os pixels ficam distantes uns dos outros no chip do sensor. Em uma câmera convencional, isso limita a resolução. Mas com sensoriamento comprimido, na verdade, aumenta.

Obtendo alguma distância

O motivo pelo qual a câmera de pixel único pode se contentar com um sensor de luz é que a luz que a atinge é padronizada. Uma maneira de padronizar a luz é colocar um filtro, como um tabuleiro de xadrez preto e branco aleatório, na frente do flash iluminando a cena. Outra maneira é refletir a luz de retorno de um conjunto de pequenos microespelhos, alguns dos quais são direcionados ao sensor de luz e outros não.

O sensor faz apenas uma única medição - a intensidade cumulativa da luz que entra. Mas se ele repetir a medição várias vezes, e se a luz tem um padrão diferente a cada vez, o software pode deduzir as intensidades da luz refletida em pontos individuais na cena.

A câmera de pixel único foi uma demonstração de mídia amigável, mas de fato, a detecção comprimida funciona melhor quanto mais pixels o sensor tiver. E quanto mais distantes os pixels estão, quanto menos redundância houver nas medições que eles fazem, da mesma forma que você vê mais da cena visual à sua frente se der dois passos para a direita em vez de um. E, claro, quanto mais medições o sensor realiza, quanto maior a resolução da imagem reconstruída.

Economias de escala

A imagem do tempo de voo essencialmente transforma uma medição - com um padrão de luz - em dezenas de medições, separados por trilionésimos de segundos. Além disso, cada medição corresponde a apenas um subconjunto de pixels na imagem final - aqueles que representam objetos na mesma distância. Isso significa que há menos informações para decodificar em cada medição.

Em seu jornal, Satat, Raskar, e Matthew Tancik, um estudante de pós-graduação do MIT em engenharia elétrica e ciência da computação, apresentar uma análise teórica de sensoriamento comprimido que usa informações de tempo de vôo. Sua análise mostra o quão eficientemente a técnica pode extrair informações sobre uma cena visual, em diferentes resoluções e com diferentes números de sensores e distâncias entre eles.

Eles também descrevem um procedimento para calcular padrões de luz que minimiza o número de exposições. E, usando dados sintéticos, eles comparam o desempenho de seu algoritmo de reconstrução ao dos algoritmos de sensoriamento compactado existentes. Mas no trabalho em andamento, eles estão desenvolvendo um protótipo do sistema para que possam testar seu algoritmo em dados reais.