Современные рентгеновские лучи используются для определения характеристик материалов. Эти эксперименты часто проводятся на "синхротронах" - круговых ускорителях электронов, используемых для создания ярких и коллимированных рентгеновских лучей. Различные экспериментальные типы и связанные с ними методы измерения дают различные виды изображений, которые предоставляют различную информацию о структуре исследуемого материала.
Эти рентгеновские изображения отличаются от изображений естественного происхождения (видимого света), поскольку они не описывают непосредственно внешний вид, а отражают затухание, дифракцию или рассеивание материалов в дальнем поле. Такие изображения могут выглядеть весьма схожими при случайном осмотре, даже для материалов, структура которых сильно отличается.
Небольшие различия в этих изображениях трудно заметить, поскольку они представляют собой данные в шкале серого в широком динамическом диапазоне, характеристики которых могут быть узнаваемы только обученными специалистами. Поэтому, обычные инструменты просмотра изображений, в основном ориентированные на фотографии, дают лишь самое элементарное представление о наборе данных.
Еще одна проблема в работе с этими образами, кроется в их неоднородной природе. Например, каждое рентгеновское изображение может быть также связано с несколькими атрибутами, включая его химические или физические свойства, параметры анализа и экспериментальные метаданные. В научных экспериментах эти атрибуты обычно зависят друг от друга и поэтому многомерны. Полученные данные могут представлять собой комбинацию номинальных, численных, категориальных и пространственно-временных данных.
Кроме того, современные научные эксперименты генерируют данные более быстрыми темпами. В целом, это немного затрудняет визуализацию и исследование больших массивов научных данных в этой области. Это важно, чтобы достичь полного понимания всего объема данных и применения результатов анализа. В настоящее время не проводится работа по визуализации, сосредоточенная на этом типе анализа и проблем с данными.
Специалисты-практики могут визуализировать эти данные только отдельно, собирая набор значимых графиков вручную и скучно применяя ассоциацию.
Недостаток современного разведочного инструмента значительно затрудняет понимание научных рентгеновских данных для получения новых результатов.
Есть ряд проблем, которые необходимо решить, чтобы восполнить этот пробел. Однако, есть предложение "Multiscreen"- многомерной научной рентгеновской системы визуализации изображений, которая позволит устранить это недостающее звено. В общем, набор методов визуализации и исследования позволяет ученым легко взаимодействовать как с исходными данными, так и с результатами анализа в едином контексте. В результате чего они подтверждают, а главное понимают полученные сведения. В частности, это двухступенчатая методология исследования наборов экспериментальных изображений.
Во-первых, многоуровневое исследование изображения и проекция соотношения атрибутов позволяют эффективно использовать крупномасштабное пространство изображения и понимать пространство атрибутов, соответственно. Во-вторых, пространства изображений и атрибутов унифицируются с помощью совместной фильтрации для скоординированного изучения экспериментального набора данных.
Для того чтобы оценить метод, используются рентгеновские сценарии измерения: рентгеновское рассеяние, популярный и мощный метод измерения физической структуры материалов на молекулярном и наноуровне.
Однако методология не ограничивается рамками рентгеновского рассеяния. На самом деле, для большинства многомерных научных рентгеновских изображений - рентгеновских медицинских изображений, рентгеновских дифракционных изображений и изображений с электронными потерями энергии - где исследование изображений играет важную роль для понимания, метод также применим. Насколько известно, не существует другой работы по визуализации, оптимизированной для изучения и понимания больших массивов данных рентгеновского рассеяния.
Эта система может эффективно исследовать крупномасштабные рентгеновские изображения, точно идентифицировать предпочтительные образцы изображений, аномальные изображения и ошибочные экспериментальные настройки и эффективно улучшать понимание свойств наноструктуры материала.