Escuela de Ingeniería de Sistemas e Informática

Permanent URI for this community

https://noesis.uis.edu.co/handle/20.500.14071/9008

Browse

Now showing 1 - 12 of 12

A Deep Distillation Algorithm for Non-linear Gradient Preconditioning in Inverse Problems
(Universidad Industrial de Santander, 2025-05-19) Gualdrón Hurtado, Yesid Romario; Argüello Fuentes, Henry; Fajardo Ariza, Carlos Augusto; Monsalve Salazar, Jonathan Arley
Los algoritmos de reconstrucción que combinan optimización y regularización permiten la integración de los modelos físicos bien definidos con eliminadores de ruido para resolver problemas inversos en imagenología. Sin embargo, la solución del término de fidelidad de datos plantea desafíos significativos debido a la matriz de adquisición mal condicionada ocasionada por las restricciones físicas en el sistema de adquisición. Los algoritmos han adoptado técnicas de preacondicionamiento para abordar el mal condicionamiento, mejorando así la optimización del término de fidelidad y la velocidad de convergencia. No obstante, los diseños actuales del operador de preacondicionamiento (PO) se basan en la estructura de la matriz de adquisición o en diseños de extremo a extremo, lo que puede limitar el rendimiento, debido a que la estructura puede ser suboptima y por el desvanecimiento del gradiente, respectivamente. Por lo tanto, introducimos la destilación de conocimiento (KD) en algoritmos para diseñar un preacondicionamiento del gradiente no lineal (D2GP) mediante la guía controlada de un algoritmo mejor condicionado. Se construyó un algoritmo maestro (TA) que emplea una matriz de adquisición simulada (virtual) con pocas restricciones físicas —solo factible en simulaciones—, lo que permite un alto rendimiento en la recuperación. El algoritmo estudiante (SA) utiliza una matriz de adquisición físicamente factible, que limita el rendimiento en la recuperación. El PO se diseña de tal manera que, al integrarse en el SA, puede alcanzar un rendimiento similar al del TA. Se diseñaron diferentes funciones de pérdida de destilación para transferir distintas propiedades del TA al SA. Se validó el diseño propuesto del PO en varias modalidades de imagenología, tales como la resonancia magnética, la cámara de un solo píxel y superresolución.
Adquisición adaptativa de imágenes espectrales comprimidas en el infrarrojo cercano basada en el sistema de captura de único píxel mediante aprendizaje profundo
(Universidad Industrial de Santander, 2024-11-12) Monroy Chaparro, Brayan Esneider; Bacca Quintero, Jorge Luis; Argüello Fuentes, Henry; Díaz Díaz, Nelson Eduardo; Giraldo, Jhony H.
La adquisición de imagenes espectrales comprimidas (CSI, por sus siglas en inglés) son una tecnología eficiente utilizada para obtener información espacial y espectral. A diferencia de las técnicas convencionales de escaneo espectral, CSI captura solo unas pocas imágenes instantáneas, evitando largos tiempos de adquisición y sensores especializados costosos. Este enfoque tiene aplicaciones en la agricultura de precisión y en la teledetección. En el rango del infrarrojo cercano (NIR), más allá del espectro visible, CSI es particularmente valiosa ya que no se dispone de sensores con alta resolución espacial y espectral. Específicamente, la técnica de imagen de un solo píxel basada en Hadamard (HSPI) presenta sistemas de adquisición rentables para capturar imágenes NIR de alta calidad. Sin embargo, la captura de imágenes comprimidas conlleva una pérdida de información, lo que requiere algoritmos de restauración de imágenes para la reconstrucción espectral. En HSPI, la pérdida de información ocurre al utilizar solo un subconjunto de capturas en lugar de todo el conjunto de la matriz Hadamard, lo que afecta directamente la calidad de las imágenes espectrales adquiridas. Por lo tanto, es crucial desarrollar un sistema de adquisición que optimice la extracción de información y minimice el número de capturas necesarias. Mientras que la literatura existente se centra en algoritmos computacionales y modelos de aprendizaje profundo para un sistema de captura fijo, el desafío radica en diseñar un sistema que aborde eficazmente las características únicas de cada imagen espectral para extraer la información más relevante. En consecuencia, este trabajo presenta dos modelos adaptativos de aprendizaje profundo para la selección de patrones de modulación adaptativa en el sistema de imágenes de un solo píxel basado en Hadamard para imágenes espectrales en el infrarrojo cercano. En concreto, los modelos propuestos realizan la selección adaptativa de patrones de modulación en dos modalidades. En los casos en los que se dispone de información previa, se propone la estimación de superpíxeles de imagen para mejorar la información espacial-estructural de las imágenes. Para escenarios sin información previa, se propone una estrategia de ordenación adaptativa, donde se adquiere un subconjunto fijo inicial, y un modelo de aprendizaje profundo guía la estimación del subconjunto subsiguiente. Este enfoque incluye el modelado del proceso de propagación del sistema de detección, el diseño de una arquitectura de aprendizaje profundo adaptativo, definir una función de costes y una estrategia de entrenamiento adecuadas para optimizar conjuntamente los parámetros de la red y el sistema de adquisición de imágenes, y la validación del rendimiento del modelo mediante métricas de calidad espacial y espectral en imágenes espectrales NIR. El conjunto de datos EuroSAT de la misión Sentinel-2 se emplea para la validación. El rendimiento del modelo adaptativo se analizo a partir adquisiciones realizadas en el Laboratorio Óptico HDSP. El resultado de esta investigación es un modelo de aprendizaje profundo capaz de adquirir imágenes espectrales de forma adaptativa y mejorar su calidad espacial y espectral a través de la extracción de información relevante.
Algoritmo de destilación basado en aprendizaje profundo para el diseño de un sistema de imágenes computacionales con altas restricciones físicas
(Universidad Industrial de Santander, 2025-08-13) Suárez Rodríguez, León Santiago; Argüello Fuentes, Henry; Galvis Carreño, Laura Viviana; Vargas Díaz, Edwin Mauricio
Los sistemas de adquisición de imágenes computacionales (CI, por sus siglas en inglés) extienden las capacidades de los sistemas de imágenes tradicionales al codificar información de señales de alta dimensión en proyecciones codificadas de baja dimensión, que posteriormente se decodifican mediante algoritmos computacionales. El diseño del codificador físico es crucial para una reconstrucción precisa de la imagen, ya que determina cómo se muestrea y codifica la escena, afectando directamente la calidad y cantidad de la información codificada y su posterior reconstrucción. Actualmente, los sistemas CI se diseñan mediante un enfoque de optimización de extremo a extremo (E2E), donde el codificador se representa como una capa de red neuronal y se optimiza conjuntamente con el decodificador computacional. Sin embargo, el rendimiento de la optimización E2E se ve significativamente reducido por las restricciones físicas impuestas al codificador, como la binarización, la transmisión de luz y la relación de compresión. Además, dado que E2E aprende los parámetros del codificador retropropagando el error de reconstrucción, no promueve salidas intermedias óptimas y sufre del problema de desaparición del gradiente. Para abordar estas limitaciones, esta investigación reinterpreta el concepto de destilación de conocimiento—tradicionalmente utilizado para entrenar redes neuronales más pequeñas transfiriendo conocimiento desde un modelo preentrenado más grande—para diseñar un sistema CI físicamente restringido transfiriendo conocimiento desde un sistema CI preentrenado con menos restricciones. El enfoque propuesto implica tres pasos: Primero, dado el sistema CI original (estudiante), se crea un sistema maestro relajando las restricciones en el codificador del estudiante. Segundo, el maestro se optimiza para resolver una versión menos restringida del problema del estudiante. Tercero, el maestro guía el entrenamiento del estudiante altamente restringido mediante dos funciones de transferencia de conocimiento propuestas, dirigidas tanto a la estructura del codificador como al espacio de características del decodificador. Este enfoque fue validado en tres modalidades representativas de CI: resonancia magnética, imagen de un solo píxel e imagen espectral compresiva. Las simulaciones demuestran que un sistema maestro con una estructura de codificador similar a la del estudiante—con un número comparable de mediciones o una naturaleza similar en la base de codificación—proporciona una guía efectiva. Esto conduce a una mejora significativa en el rendimiento de reconstrucción y en el diseño del codificador del estudiante, superando tanto la optimización E2E como los diseños de codificadores tradicionales no basados en datos.
Algoritmo de recuperación de fase de súper resolución basada en información de escasas
(Universidad Industrial de Santander, 2021) Bacca Quintero, Jorge Luis; Argüello Fuentes, Henry; Meneses Fonseca, Jaime Enrique; Bautista Rozo, Lola Xiomara; Ramírez Silva, Ana Beatriz
La recuperación de la fase de alta resolución RFAR es un problema matemático inverso presente en imágenes óptica difractivas, el cual consiste en estimar una imagen de alta resolución a partir de medidas sin fase de baja resolución. Esta tesis estudia RFAR en un sistema ´óptico de patrones difractivos codificados, el cual introduce una apertura codificada (AC) para modular la fase, permitiendo adquirir múltiples proyecciones desde el mismo objeto. Esta tesis doctoral considera dos escenarios de superresolución (i) computacional, donde las características del sensor determinan la resolución de la imagen recuperada, es decir, el tamaño de píxel del sensor es menor que el del AC, y (ii) físico, donde la resolución de la imagen esta´ determinada por la resolución de la AC, asumiendo que el tamaño de píxel de AC es menor que la del sensor. Además, la estructura espacial de las AC puede diseñarse para mejorar la calidad de la estimación por lo tanto se desarrollan diferentes estrategias de diseño. Po otro lado, la literatura en algoritmos de recuperación han demostrado que las formulaciones no convexas superan los métodos convexos, requiriendo menos mediciones y complejidad computacional para recuperar la imagen. Sin embargo, la mayoría de los métodos no convexos se basan en una función de perdida no suave y no incluyen información previa sobre la señal, como los escases. Por lo tanto, esta tesis estudia una función objetivo de mínimos cuadrados no convexos suavizada, donde se incluye algunos conocimientos previos sobre la señal, como escases, variación total y aprendizaje de los datos. Los resultados de la simulación muestran que los esquemas propuestos superan los métodos más avanzados en la reconstrucción de la imagen de alta resolución. Esta tesis también muestra que la calidad de la reconstrucción utilizando AC diseñada es superior a la de los conjuntos no diseñados.
Algoritmo eficiente, robusto y con restricciones de similitud para el aprendizaje subespacial y la agrupación en clústeres con aplicaciones en imágenes comprimidas
(Universidad Industrial de Santander, 2022-05-04) Hinojosa Montero, Carlos Alberto; Argüello Fuentes, Henry; Pertuz Arroyo, Said David; Bautista Rozo, Lola Xiomara; Galvis Carreño, Laura Viviana; Carlsson, Marcus; Niebles, Juan Carlos
El uso directo del algoritmo Sparse Subspace Clustering (SSC) en HSI presenta tres problemas principales: (1) Las HSI generalmente tienen ruido debido a su alta variabilidad de la información espectral y el ruido del sensor, lo que puede disminuir el rendimiento del agrupamiento si no se maneja adecuadamente; (2) Debido a la alta dimensionalidad de las HSI y la complejidad computacional de SSC, la mayoría de los algoritmos de agrupamiento trabajan en pequeñas regiones de interés seleccionadas; (3) dado que SSC ignora la información espacial en los HSI, su capacidad de discriminación es limitada, lo que dificulta la homogeneidad espacial de los resultados del agrupamiento. Esta tesis propone diseñar, desarrollar y simular un método eficiente, robusto y con restricciones de similitud para el agrupamiento subespacial, el cual pretende abordar estos tres problemas mencionados anteriormente. Específicamente, el capítulo 2 explora la inclusión de un término de regularización que reduce el ruido y mejora la precisión del agrupamiento. El capítulo 3 propone un algoritmo escalable que extrae características espaciales y realiza la agrupación de manera eficiente con alta precisión. El capítulo 4 adopta ideas de los dos capítulos anteriores para desarrollar un algoritmo rápido y robusto para HSI. Finalmente, los capítulos 5 y 6 proponen diferentes estrategias para realizar el agrupamiento directamente en las medidas comprimidas, evitando la reconstrucción.
Coded Aperture Design for Compressive Spectral Image Classification Using Deep Learning
(Universidad Industrial de Santander, 2022-09-07) Silva Maldonado, Nelson Mauricio; Argüello Fuentes, Henry; Galvis Carreño, Laura Viviana; Díaz Díaz, Nelson Eduardo; Medina Rojas, Ferley
La teoría del sensado compresivo habilita la reconstrucción de imágenes espectrales usando un número menor de observaciones que las dictadas por el enfoque tradicional basado en el teorema de Shannon-Nyquist a través de sistemas de imágenes compresivos (CSI). Estos sistemas CSI se apoyan en un montaje óptico basado en un elemento dispersivo acoplado a una o más aperturas codificadas para capturar y comprimir una escena espectral de manera simultánea. Después, la reconstrucción de la escena subyacente se obtiene a través de algoritmos computacionales. Luego las tareas de procesamiento como clasificación, detección de objetos y segmentación son ejecutadas sobre las imágenes reconstruidas. Sin embargo, este proceso de reconstrucción es costoso desde el punto de vista computacional. La descompresión hace que se requiera más tiempo y recursos para realizar este tipo de tareas . En este trabajo de investigación la clasificación espectral se realiza directamente sobre las medidas comprimidas que se adquirieron a través de una arquitectura óptica que sigue los lineamientos de la teoría de sensado compresivo (CS). Se propone un método de extremo a extremo para la optimización conjunta de las aperturas codificadas y los parámetros del modelo de aprendizaje profundo que se usará para la clasificación. Este enfoque se aplicó a la clasificación de afecciones particulares del limón Tahití (Citrus latifolia), pero puede ser usado para distintos productos agrícolas. Además, con el objetivo de comparar los resultados obtenidos, se encontró que nuestros experimentos mejoraron hasta en un 6\% la precisión en clasificación cuando las aperturas codificadas fueron optimizadas respecto al uso de aperturas aleatorias.
Diseño de aperturas codificadas en un sistema tridimensional de superresolución de tomografía computarizada compresiva
(Universidad Industrial de Santander, 2022-03-31) Mojica Rodríguez, Edson Fabián; Argüello Fuentes, Henry; Rodríguez Ferreira, Julián Gustavo; Ramírez Silva, Ana Beatriz; Rueda Chacón, Hoover Fabián; Meza Narváez, Pablo Francisco; Ramírez Rondón, Juan Marcos
El muestreo compresivo (MC) en tomografía computarizada (TC) de rayos-X se ha convertido en una herramienta esencial para conocer la estructura interna de un objeto a través de un procedimiento no invasivo. Estos enfoques utilizan aperturas codificadas (AC) a lo largo de múltiples ángulos de captura para bloquear una parte de la energía de rayos-X que viaja hacia los detectores. Sin embargo, la mayoría de los diseños de AC se centran en sistemas de haz en abanico de múltiples disparos, que manejan una proporción de 1:1 entre las características de AC y los elementos detectores. En consecuencia, la resolución de la imagen está sujeta al tamaño de píxel del detector. Como alternativa, en lugar de utilizar un arreglo de detectores más denso, esta tesis presenta un método para diseñar los patrones de AC en un sistema de haz cónico (CBTC) compresivo bajo una configuración de súper resolución (SR), donde la AC de alta resolución está diseñada para obtener imágenes de alta resolución de proyecciones de menor resolución. El diseño de AC explota el teorema de Gershgorin al minimizar sus radios, mejorando el condicionamiento de la matriz del sistema. Las simulaciones muestran que el diseño obtenido logra imágenes de alta resolución a partir de detectores de menor resolución en un escenario SR-CBTC de disparo único, donde se mejora el PSNR de las imágenes reconstruidas en comparación con patrones AC no diseñados. Además, esta tesis amplía su alcance principal para incluir un diseño de AC en un sistema imagenes espectrales conocido como CASSI, que permite aplicar de manera eficiente el concepto de MC para adquirir información espacio-espectral de una escena. La optimización incluye una máscara litográfica de colores en movimiento, en donde se alcanza una calidad de reconstrucción similar en comparación con un diseño de AC de última generación.
Diseño e Implementación de un Algoritmo para la Reducción de los Efectos de la Variabilidad Espectral en la Fusión de Imágenes Multiespectrales e Hiperespectrales
(Universidad Industrial de Santander, 2022-09-20) Camacho Velasco, Ariolfo; Argüello Fuentes, Henry; Castillo Castelblanco, Sergio Fernando; Bautista Rozo, Lola Xiomara; Meneses Fonseca, Jaime Enrrique; Prieto Ortiz, Flavio Augusto; Meza Narváez, Pablo Francisco
Las técnicas de fusión de imágenes han abordado el problema de formación de imágenes de alta resolución a partir de información de múltiples sensores como cámaras hiperespectrales (HS) y multiespectrales (MS), donde los primeros ofrecen alta resolución espectral y los segundos aportan alta resolución espacial. En la práctica, los espectros observados a partir de muestras de un mismo material no son idénticos. Adicionalmente, existen variaciones en la información espectral dentro de experimentos controlados en los laboratorios. Tales variaciones en forma y escala de las firmas espectrales de un mismo material en diferentes píxeles a lo largo de una imagen HS se conoce como variabilidad espectral. Recientemente, la comunidad científica se ha interesado en los efectos de la variabilidad espectral debido a que representan una fuente de error en el análisis de imágenes HS. Sin embargo, los enfoques clásicos de fusión de imágenes MS e imágenes HS aún no han abordado el fenómeno de la variabilidad espectral. Por otro lado, recientes desarrollos de sensores y métodos de procesamiento de datos han conllevado a un mayor uso de imágenes espectrales, principalmente MS e HS en la agricultura mundial. En un contexto colombiano, el desarrollo de aplicaciones e investigaciones científicas de técnicas de teledetección hiperespectral son requeridas en la agricultura, dado el gran potencial agrícola de Colombia por sus condiciones geográficas y climáticas. No obstante, el estudio de la vegetación usando información espectral es afectado por la variabilidad espectral. Por lo tanto, en esta tesis doctoral se diseñó e implementó un algoritmo para la reducción de los efectos de la variabilidad espectral en la fusión de imágenes MS y HS basado en el desmezclado espectral. La principal contribución consiste en el desarrollo de un algoritmo de fusión que combina el modelo de degradación espacio-espectral con el modelo de variabilidad espectral. Particularmente, el desempeño del algoritmo propuesto fue evaluado sobre datos semi-sintéticos, datos reales de escenas de cultivos agrícolas en Colombia y datos espectrales adquiridos en laboratorio, obteniendo una ganancia de hasta 4 dB en términos de la calidad de las imágenes fusionada en comparación con los métodos del estado del arte de fusión de imágenes MS-HS.
Diseño y optimización de un sistema compresivo para la adquisición de video espectral
(Universidad Industrial de Santander, 2022-03-31) León López, Kareth Marcela; Argüello Fuentes, Henry; Romo Buchelli, David Edmundo; Pertuz Arroyo, Said David; Correa Pugliese, Claudia Victoria; Marrugo Hernández, Andrés Guillermo; Vera Rojas, Esteban Mauricio
Los videos espectrales contienen información espacial y espectral de una escena en el tiempo, implicando un conjunto de cubos de datos tridimensionales. Los sistemas de adquisición de video espectral compresivo (CSVS) adquieren de manera comprimida los videos mediante la codificación y proyección de cada cuadro espectral en un sensor bidimensional, resultando en un conjunto de cuadros espectrales comprimidos. El video es reconstruido a partir de estas medidas comprimidas usando un algoritmo de recuperación, asumiendo que la señal tiene una representación escasa en una base de transformación. La calidad del video espectral reconstruido depende de la base de transformación, la apertura codificada (CA) usada en el sistema CSVS y el método de reconstrucción. Hasta la fecha, se han realizado diferentes esfuerzos para incrementar la calidad de reconstrucción de estos videos tal como agregar una cámara extra para adquirir información adicional. Sin embargo, éstas soluciones son costosas o ineficientes en aplicaciones prácticas. Según la literatura, es posible obtener un alto rendimiento diseñando conjuntamente la base, la CA y el procedimiento de recuperación. Sin embargo, hasta donde se tiene conocimiento, no existe trabajos previos sobre el diseño conjunto de éstas etapas en sistemas CSVS, donde la información espectral es valiosa. Esta tesis estudia diferentes estrategias para diseñar y optimizar un sistema CSVS para mejorar la calidad de los cuadros espectrales reconstruidos. Una primera estrategia implica el diseño conjunto de la base de transformación y del método de recuperación usando una representación tensorial de orden superior. Y una segunda estrategia implica la optimización del sistema usando redes neuronales convolucionales, aprovechando la creciente cantidad de datos disponibles en la comunidad científica. Los experimentos numéricos sobre diferentes bases de datos a partir de las metodologías propuestas muestran calidades de reconstrucción superiores en comparación con técnicas de la literatura.
End-to-End Optimization of a Coded Stereo Imaging System for Depth Estimation
(Universidad Industrial de Santander, 2023-02-17) López Durán, Jhon Edinson; Argüello Fuentes, Henry; Meneses Fonseca, Jaime Enrique; Ramírez Rondón, Juan Marcos
La estimación de la profundidad es esencial para la comprensión de escenas, la conducción autónoma, la robótica y otras áreas. Sin embargo, la estimación de la profundidad sigue siendo un reto debido a la pérdida de información 3D durante el proceso de captura de imágenes RGB. A lo largo de los años, se han propuesto diferentes arquitecturas ópticas para capturar las escenas, desde una sola cámara hasta múltiples cámaras con iluminación activa o pasiva. También hay que desarrollar arquitecturas y métodos para la estimación de la profundidad en cualquier entorno. En este sentido, la adquisición de imágenes estereoscópicas es una arquitectura de adquisición eficiente, ya que imita el sistema de visión humano y estima la profundidad mediante estereopsis. Aunque las redes neuronales profundas mejoran el rendimiento de la estimación de la profundidad, sigue habiendo dificultades para predecir la profundidad absoluta y generalizar fuera de un entorno predeterminado. Por ello, recientemente se ha propuesto un enfoque denominado óptica profunda, que diseña elementos ópticos, como máscaras de fase y lentes difractivas, junto con el algoritmo de procesamiento de imágenes de forma integral. Por lo tanto, este trabajo propone utilizar el paradigma de la óptica profunda en la estimación de profundidad estereoscópica mediante el diseño de aperturas codificadas bajo un enfoque de optimización de extremo a extremo. El enfoque profundo propuesto se evalúa utilizando un conjunto de datos de última generación y, además, el método propuesto se valida en una configuración óptica real.
Generación de imágenes espectrales mediante redes generativas adversarias usando imágenes RGB
(Universidad Industrial de Santander, 2024-11-06) Martínez Estrada, Emmanuel David; Argüello Fuentes, Henry; Romo Bucheli, David Edmundo; Monsalve Salazar, Jonathan Arley
La obtención de imágenes espectrales consiste en capturar y procesar la radiación electromagnética que luego se almacena como una imagen. Se adquieren mediante métodos de escaneo o imágenes espectrales compresivas (CSI), y aunque su uso es amplio en aprendizaje profundo para tareas como reconstrucción, clasificación o detección de anomalías, la captura de estas imágenes es desafiante por sus limitaciones físicas y costos elevados. Esta investigación propone generar imágenes espectrales mediante redes generativas adversarias (GAN) utilizando imágenes RGB. Para ello, un modelo generador, entrenado con ruido aleatorio, produce imágenes espectrales. Estas imágenes se procesan con una función de respuesta espectral que las mapea en RGB, y luego un modelo discriminador evalúa si la imagen mapeada es real o falsa. Se propone además una regularización implícita que emplea un modelo preentrenado con imágenes espectrales reales para asegurar la calidad de las imágenes generadas. Posteriormente, se aplica una normalización de banda espectral en el posprocesamiento. Finalmente, las imágenes generadas son validadas a través de una estrategia de aumento de datos en la tarea de CSI, donde se comprueba que unas pocas imágenes espectrales reales pueden mejorar el rendimiento del método CSI en la reconstrucción.
Super resolution phase retrieval algorithm based on sparse priors
(Universidad Industrial de Santander, 2021) Bacca Quintero, Jorge Luis; Argüello Fuentes, Henry
La recuperacion de la fase de alta resoluci ´ on RFAR es un problema matem ´ atico inverso presente en ´ imagenes ´ optica difractivas, el cual consiste en estimar una imagen de alta resoluci ´ on a partir de medidas sin fase de ´ baja resolucion. Esta tesis estudia RFAR en un sistema ´ optico de patrones difractivos codificados, el cual introduce una ´ apertura codificada (AC) para modular la fase, permitiendo adquirir multiples proyecciones desde el mismo objeto. Esta tesis doctoral considera dos escenarios de superresolucion (i) computacional, donde las caracter ´ ísticas del sensor determinan la resolucion de la imagen recuperada, es decir, el tama ´ no de p ˜ íxel del sensor es menor que el del AC, y (ii) físico, donde la resolucion de la imagen est ´ a determinada por la resoluci ´ on de la AC, asumiendo que el tama ´ no˜ de píxel de AC es menor que la del sensor. Ademas, la estructura espacial de las AC puede dise ´ narse para mejorar ˜ la calidad de la estimacion por lo tanto se desarrollan diferentes estrategias de dise ´ no. Po otro lado, la literatura ˜ en algoritmos de recuperacion han demostrado que las formulaciones no convexas superan los m ´ etodos convexos, ´ requiriendo menos mediciones y complejidad computacional para recuperar la imagen. Sin embargo, la mayoría de los metodos no convexos se basan en una funci ´ on de p ´ erdida no suave y no incluyen informaci ´ on previa sobre la se ´ nal, ˜ como los escases. Por lo tanto, esta tesis estudia una funcion objetivo de m ´ ínimos cuadrados no convexos suavizada, donde se incluye algunos conocimientos previos sobre la senal, como escases, variaci ˜ on total y aprendizaje de los ´ datos. Los resultados de la simulacion muestran que los esquemas propuestos superan los m ´ etodos m ´ as avanzados en la reconstruccion de la imagen de alta resoluci ´ on. Esta tesis tambi ´ en muestra que la calidad de la reconstrucci ´ on´ utilizando AC disenada es superior a la de los conjuntos no dise ˜ nados.

Browse

Browsing Escuela de Ingeniería de Sistemas e Informática by browse.metadata.advisor "Argüello Fuentes, Henry"

Results Per Page

Sort Options