Ny forskning ger forskare som tittar på enstaka molekyler eller i rymden ett mer exakt sätt att analysera bilddata som fångas av mikroskop, teleskop och andra apparater.

Den förbättrade metoden för att bestämma positionen för objekt som fångas av bildsystem är resultatet av ny forskning av forskare vid University of Chicago. Resultaten, publicerad 26 december in Proceedings of the National Academy of Sciences , tillhandahåller en mekanism – känd som en-pixel inre fyllningsfunktion, eller SPIFF – för att upptäcka och korrigera systematiska fel i data- och bildanalys som används inom många områden inom vetenskap och teknik.

"Alla som arbetar med avbildningsdata på små föremål – eller föremål som verkar små - och som vill bestämma och spåra sina positioner i tid och rum kommer att dra nytta av den inre fyllningsfunktionen med en pixel, " sa medföreståndare Norbert Scherer, en kemiprofessor i UChicago.

Forskare över hela vetenskapen använder bildbehandling för att lära sig om föremål på skalor som sträcker sig från de mycket små, som nanometer, till de mycket stora, såsom astrofysiska vågar. Deras arbete inkluderar ofta att spåra rörelsen av sådana föremål för att lära sig om deras beteende och egenskaper.

Många bildsystem och bildbaserade detektorer består av pixlar, som med en megapixel mobiltelefon. Så kallad partikelspårning gör det möjligt för forskare att bestämma ett objekts position ner till en enda pixel och till och med utforska subpixellokalisering med bättre än en tiondels pixelnoggrannhet. Med ett optiskt mikroskops upplösning på cirka 250 nanometer och en effektiv pixelstorlek på cirka 80 nanometer, partikelspårning gör det möjligt för forskare att lokalisera mitten eller platsen för ett objekt inom några få nanometer, förutsatt att tillräckligt många fotoner mäts.

Men en sådan subpixelupplösning beror på algoritmer för att uppskatta positionen för objekt och deras banor. Att använda sådana algoritmer resulterar ofta i fel i precision och noggrannhet på grund av faktorer som närliggande eller överlappande objekt i bilden och bakgrundsbrus.

SPIFF kan korrigera felen med små extra beräkningskostnader, enligt Scherer. "Tills detta arbete, det fanns inga enkla sätt att avgöra om spårningen och subpixellokaliseringen var korrekt och att korrigera felet om det inte var det, " han sa.

Gäller många discipliner

"Analysera en bild för att få en grov uppskattning av ett objekts position är inte alltför svårt, men att optimalt använda all information i en bild för att få bästa möjliga spårningsinformation kan vara riktigt utmanande, sa David Grier, professor i fysik vid New York University, som inte var involverad i forskningen. "Med tanke på hur brett bildbaserad partikelspårning har penetrerat fysiken, kemi, biologi och många ingenjörsdiscipliner, denna metod bör användas i stor utsträckning."

Analys av subpixeldata kan vara partisk av subtila egenskaper i bildbildningsprocessen, enligt Grier, och dessa förspänningar kan förskjuta en banas skenbara position med så mycket som en halv pixel i förhållande till dess verkliga position. "För känsliga mätningar av känsliga fysiska processer, det är en katastrof, " sa Grier.

"Metoden som beskrivs i PNAS-tidningen, dock, förklarar hur man upptäcker dessa fördomar och hur man korrigerar för dem, därigenom hjälpa till att bekräfta att spårningsinformationen är tillförlitlig, " han lade till.

Forskningen som beskrivs i artikeln tillämpade SPIFF på experimentella data om fasta ämnen (dvs. kolloidala sfärer) suspenderade i en vätska, men forskarna har nu tillämpat sin metod på många andra datauppsättningar, inklusive nanoskala egenskaper hos celler (t.ex. vesiklar), metalliska nanopartiklar och till och med enskilda molekyler, Scherer sa, tillägger att SPIFF-metoden är tillämplig på alla spårningsalgoritmer.

"Vi tror att SPIFF kommer att vara viktigt för många studier inom biologi och nanovetenskap och, även om vi inte har arbetat med bilder från teleskop, SPIFF kan till och med hjälpa till att fastställa och korrigera fel i stjärnspårningsdata, " sa Scherer.