Facultad de Ciencias
Permanent URI for this community
Browse
Browsing Facultad de Ciencias by browse.metadata.advisor "Argüello Fuentes, Henry"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
Item Algoritmo de optimización para recuperar una señal compleja a partir de patrones de difracción codificados en cristalografía de rayos X(Universidad Industrial de Santander, 2021) Angarita Pallares, Jhon James; Pinilla Sánchez, Samuel Eduardo; Argüello Fuentes, Henry; Henao Martínez, José Antonio; Rueda Chacón, Hoover FabiánLa recuperación de la fase (PR, de sus siglas en inglés Phase Retrieval) es un problema presente en muchas aplicaciones como óptica, imágenes astronómicas, biología computacional y cristalografía de rayos X (XC, de sus siglas en inglés X-ray Crystallography). Este último es el objeto de estudio de este proyecto. PR en cristalografía de rayos X es un problema inverso mal condicionado que consiste en recuperar una señal compleja a partir de medidas de intensidad sin fase capturadas en un sensor óptico. Recientemente, se ha demostrado que una señal en XC se puede representar de forma escasa en el dominio de Fourier. Este hecho implica que el número de medidas de intensidad requeridas para recuperar la fase en XC está determinada por la escasez de la señal en el dominio Fourier, la cual es mucho más pequeña que el tamaño de la misma. Sin embargo, la complejidad computacional de los algoritmos para recuperar la fase aún depende del tamaño de la señal a reconstruir, lo que implica una mayor complejidad computacional y elevados tiempos de cómputo. Por lo tanto, este trabajo propone un algoritmo de reconstrucción que explota la escasez de la señal al agrupar conjuntos de píxeles en su representación escasa, llamados súper-píxeles, con el fin de reducir el número total de incógnitas en el problema inverso. De esta forma, disminuir sustancialmente el costo computacional de su reconstrucción.Item Desarrollo de una metodología basada en aprendizaje profundo para el diseño de geometrías de adquisición sísmica compresivas(Universidad Industrial de Santander, 2023-07-26) Hernández Rojas, María Alejandra; Argüello Fuentes, Henry; Goyes Peñafiel, Yesid Paul; Sarmiento Cogollo, Heiner René; Meneses Fonseca, Jaime EnriqueLa adquisición sísmica es esencial para encontrar nuevos yacimientos de hidrocarburos. Para adquirir imágenes sísmicas de alta calidad, se requiere una adquisición densa espaciada regularmente. Sin embargo, los altos costos de adquisición y los impactos ambientales, han conducido a diseñar levantamientos sísmicos con menos fuentes y receptores. Actualmente, los esquemas de submuestreo tradicionales son: aleatorio, jittered y uniforme, los cuales conducen a una recuperación subóptima de la imagen sísmica. Por lo tanto, este trabajo propone una optimización de extremo a extremo para diseñar una adquisición sísmica submuestreada que permita obtener información reconstruida de alta calidad. El patrón de muestreo se modela como una capa binaria profunda para conocer la ubicación óptima de receptores y fuentes, al tiempo que una red neuronal recupera los datos eliminados. Después de diseñar el patrón de muestreo, se puede utilizar como geometría sísmica en un área geológicamente similar al conjunto de datos de entrenamiento. La metodología propuesta se comparó con los esquemas de muestreo tradicionales mediante experimentos con datos sísmicos sintéticos y reales. Los resultados demuestran que un diseño aprendido mejora la calidad de los datos reconstruidos en hasta 4 dB.Item Diseño de un diccionario espacio espectral para la representación escasa de imágenes espectrales(Universidad Industrial de Santander, 2022-03-30) Arias Rojas, Kevin Ademir; Argüello Fuentes, Henry; Meneses Fonseca, Jaime Enrique; Ramírez, Juan MarcosLos sistemas para la adquisición de imágenes hiperespectrales (HS del inglés hyperspectral imaging) son útiles en un rango diverso de aplicaciones que implican tareas de detección y clasificación. En este proceso de adquisición existen problemas de distorsión de imagen, los cuales han sido abordados de forma computacional asumiendo escasez como un conocimiento previo para regularizar el espacio de solución. En esta dirección, una base de representación muy conocida tal como el diccionario espacio-espectral separable es aprendido con características espaciales y espectrales de imágenes naturales. Tradicionalmente, cada elemento del diccionario o átomo es calculado como un producto entre átomos de diccionarios espacial y espectral independientes. Específicamente, el diccionario final contiene átomos espacio-espectrales donde las características espaciales son aprendidas solo de muestras espaciales y de igual manera, las características espectrales solo de muestras espectrales. Sin embargo, el aprendizaje de un diccionario separable ignora la correlación entre la información espacial y espectral de imágenes naturales. Este trabajo propone un diccionario espacio-espectral conjunto donde cada uno de sus átomos son aprendidos a partir de información espacial y espectral conjunta. Es decir, cada muestra en la etapa de aprendizaje del diccionario está compuesta de información espacial y espectral de forma simultánea. Los resultados experimentales con datos reales muestran que el diccionario propuesto supera los diccionarios del estado del arte para obtener una representación más escasa aumentando la calidad de reconstrucción de la imagen.Item Optimización de un sistema de codificación óptico-computacional mediante regularización estadística basado en un método de aprendizaje profundo(Universidad Industrial de Santander, 2024-02-16) Jácome Carrascal, Román Alejandro; Argüello Fuentes, Henry; Avendaño Franco, Guillermo; Flórez Torres, Manuel AlbertoLa codificación óptica es una técnica esencial en la imagen computacional (IC) que permite la detección de señales de alta dimensión a través de proyecciones codificadas post-procesadas para decodificar la señal subyacente. En la actualidad, los elementos de codificación óptica (OCE) se optimizan de extremo a extremo (E2E), donde un conjunto de capas (codificador) de una red neuronal profunda modela el OCE mientras que el resto de la red (decodificador) realiza una tarea computacional determinada. Aunque el rendimiento de entrenamiento de toda la red es aceptable, la capa del codificador óptico pueden ser defectuosas, dando lugar a diseños de OCE deficientes. Este rendimiento defectuoso en el codificador se debe a factores como que la función de pérdida de la red no considera las capas intermedias por separado, ya que se desconoce la salida en esas capas. En segundo lugar, el codificador sufre la desaparición del gradiente, ya que el codificador se define en las primeras capas. En tercer lugar, la estimación adecuada del gradiente en estas capas está restringida a satisfacer limitaciones físicas. En este trabajo, proponemos una optimización de extremo a extremo regularizado la salida intermedia de la red, en la que se utiliza un conjunto de funciones de regularización para superar la optimización defectuosa del codificador óptico. De hecho, nuestra regularización no requiere conocimientos adicionales del codificador y puede aplicarse a la mayoría de los instrumentos de detección óptica en imagen computacional. En consecuencia, la regularización explota algunos conocimientos previos sobre la tarea computacional, las propiedades estadísticas de la salida del codificador (medidades codificadas) y del sistema de adqusición. En concreto, propusimos tres tipos de regularizadores: El primero se basa en las divergencias estadísticas de las medidas comprimidas, el segundo depende sólo de la varianza de las medidas, y el último es un regularizador estructural que promueve el bajo rango y escacez del conjunto de medidas. Hemos validado el procedimiento de entrenamiento propuesto en dos sistemas de imagen computacional representativos, la cámara de píxel único (SPC) y el sistema de única cáptura de imágenes espectrales con aperturas codificadas (CASSI), mostrando una mejora significativa con respecto a los diseños no regularizados. Además, la regularización propuesta se empleó para tareas de visión por computador de alto nivel en modelos generativos mostrando su eficacia también en esta nueva aplicación.Item Sistema óptico-computacional para la estimación de la información espectral y de profundidad de una escena mediante el uso de la teoría de muestreo compresivo(Universidad Industrial de Santander, 2022-11-10) Márquez Castellanos, Miguel Ángel; Argüello Fuentes, Henry; Rueda Chacón, Hoover; Ramírez Rondón, Juan Marcos; Marrugo, Andrés; Meneses Fonseca, Jaime Enrique; Pertuz Arroyo, Said David; Torres Moreno, YezidEsta tesis doctoral propone diseñar, simular, desarrollar e implementar un sistema CoSDI eficiente y robusto capaz de registrar la información de profundidad espectral de las escenas, haciendo uso de un único detector. Específicamente, el paradigma de detección de imágenes espectrales instantáneas de apertura codificada (CASSI, por sus siglas en inglés) se estudia como base para transferir muchas propiedades ventajosas integradas en sus modelos matemáticos a sistemas de imágenes de profundidad. Este primer estudio condujo al desarrollo de un sistema CASSI basado en información lateral que depende de un solo sensor de imagen, denominado información lateral virtual CASSI (CASSI-VSI). Este nuevo generador de imágenes está inspirado en un interferómetro de doble trayectoria, donde el brazo del haz de muestra corresponde al frente de onda codificado-y-disperso (CaD, de sus siglas en inglés) [denominado medición CASSI] y el trayecto de referencia al frente de onda codificado espacialmente. El estudio y contribución en el marco de imágenes espectrales de compresión, permitio la extrapolación de la geometría de detecciín de CaD a tres técnicas tradicionales de imágenes de profundidad: profundidad desde el desenfoque, campo de luz y luz estructurada. En consecuencia, desarrollaremos cuatro sistemas CoSDI basados en CaD de sensor único que permiten realizar tareas de codificación y decodificación en cubos de datos de cuatro dimensiones. Además, como componente indispensable en CoSDI, se proponen cuatro métodos avanzados de reconstrucción de imágenes inspirados en los paradigmas matemáticos: método de dirección alterna de multiplicadores (ADMM), ADMM basado en tensores, ADMM plug-and-play, y red neuronal convolucional basada en ADMM.