Цифровая голография используется сегодня в самых разных сферах – от медицинской диагностики до неразрушающего контроля материалов и качества деталей в промышленности. К числу главных сложностей при обработке данных в таких системах относится значительный уровень шума на восстанавливаемых из голограмм изображениях объектов и сечениях трехмерных сцен. Основной тип шума – спекл-шум (от английского слова speckle — «крапинка, пятнышко») – связан с использованием лазерного излучения при записи голограмм и проявляется как мелкое «зерно» на восстановленных изображениях объектов. Его можно представить как мелкие точки и пятнышки, которые снижают качество гладких и равномерно меняющихся линий на фотографиях. Спекл-шум скрывает важные детали объектов, делает изображение менее контрастным и мешает качественному анализу полученных данных.
Традиционно с «зерном» в цифровой голографии борются с помощью компьютерных фильтров – специальных алгоритмов, которые исправляют искажения. Однако обычно эти алгоритмы не учитывают или слабо учитывают локальные статистические изменения яркости в кадрах, что приводит к снижению детализации на восстановленных изображениях объектов.
Научный коллектив Лаборатории фотоники и оптической обработки информации Института Лазерных и плазменных технологий Плаз НИЯУ МИФИ предложил принципиально отличный метод. Вместо обработки одиночных изображений, они работают сразу с целой серией фотографий (голограмм, зарегистрированных цифровой камерой) одного и того же объекта.
Основа этого подхода заключается в следующем: на каждом новом кадре «зерно» распределяется случайно и различается от кадра к кадру, тогда как сам объект съёмки остаётся неизменным. На компьютере все эти кадры объединяются в один трёхмерный массив данных. Затем предложенный алгоритм анализирует эту «стопку» и определяет, где находится случайный шум (он отличается на каждом кадре) и где расположены реальные детали объекта (они видны на всех кадрах одинаково). В результате программа отсекает шум и формируется одно итоговое изображение объекта с гораздо более высокой чёткостью и детализацией.
«Наш метод позволяет обрабатывать сразу набор цифровых голограмм, каждая из которых имеет свою спекл-структуру, с использованием адаптированного 3D-фильтра, – рассказывает к.ф.-м.н., доцент Павел Черëмхин. – В отличие от традиционных методов фильтрации, наш подход использует статистическую адаптивность для улучшения подавления шума при сохранении мелких деталей в восстановленных изображениях объектов из голограмм. Это подтверждают как результаты численного моделирования, так и оптических экспериментов».
Метод продемонстрировал значительно более высокие результаты по шумоподавлению, чем популярные и современные передовые алгоритмы (такие как BM3D и BM4D). Так, он на 30–40% эффективнее подавляет «зернистость» и на 50% лучше сохраняет точность передачи мелких деталей на изображениях объектов.
«Метод работает в 200 раз быстрее передовых алгоритмов и обрабатывает кадры практически в реальном времени, - сообщил магистрант и инженер Андрей Керов. – При этом требуется минимум исходных данных: всего 10-15 голограмм уже достаточно для получения высококачественного результата».
Разработка имеет широкие возможности для применения в различных областях, где требуется точная визуализация или качественная характеризация 2D- и 3D-объектов. Например, в медицине она позволит разглядеть мельчайшие детали клеток и тканей для более точной диагностики. В промышленности её можно использовать для контроля качества микросхем и обнаружения микроскопических дефектов на поверхностях. В области нано- и микроскопии технология обеспечит получение высокодетальных изображений. Кроме того, метод позволит повысить качество и скорость работы голографических систем кодирования и защиты информации.
Исследование, проведённое учёными, демонстрирует, как эффективное сочетание лазерных оптико-цифровых систем и продвинутых компьютерных алгоритмов позволяет решить давнюю техническую задачу. Это открывает новые возможности для создания более точных и информативных систем визуализации в науке, медицине и промышленности.
Работа выполнена при финансовой поддержке Российского научного фонда (РНФ), грант № 24-19-00899.