Doctorado en Ingeniería: Área Ingeniería Electrónica

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9029

Browse

Now showing 1 - 11 of 11

Algoritmo de reconstrucción de imágenes a partir de proyecciones espectrales aleatorias usando regularizadores de bajo rango
(Universidad Industrial de Santander, 2022-05-05) Gélvez Barrera, Tatiana Carolina; Argüello Fuentes, Henry; Duarte Gualdrón, César Antonio; Bautista Rozo, Lola Xiomara; Galvis Carreño, Laura Viviana; Basarab, Adrian; Carlsson, Marcus
El uso de información previa es crucial en la solución de problemas inversos mal condicionados en el procesamiento de imágenes. Esta tesis estudia el denominado bajo rango como información previa de una imagen espectral (IE) abordando la pregunta de investigación ¿Cómo aprovechar la propiedad de bajo rango para resolver problemas de recuperación de imágenes espectrales? Una IE puede ser modelada como un arreglo tridimensional con dos dimensiones espaciales y una dimensión espectral. Típicamente, las escenas naturales contienen redundancia en las respuestas espectrales y similitudes en las estructuras espaciales, tal que la propiedad de bajo rango indica que una IE se encuentra en un subespacio de baja dimensión. Sin embargo, la literatura omite comúnmente un aspecto crítico relacionado con la distinta connotación que tiene la propiedad de bajo rango en las dimensiones espaciales y espectral. Por lo tanto, esta tesis analiza la propiedad de bajo rango por medio de premisas teóricas y estudios empíricos para determinar cómo emplear el bajo rango, obteniendo las siguientes contribuciones principalmente. Un enfoque que incorpora la propiedad de bajo rango implícitamente en la arquitectura de una red neuronal, proponiendo una alternativa a la formulación típica de una función de regularización. Además, se introduce el concepto de similitud de rango-uno asumiendo que las correlaciones estructurales en una IE son preservadas a lo largo de las bandas espectrales. Este concepto determina una dimensión adicional a las dimensiones espaciales y espectral para emplear la propiedad de bajo rango. Finalmente, se presenta la implementación y desarrollo de cuatro algoritmos de recuperación de imágenes espectrales, cubriendo formulaciones de optimización convexa y aprendizaje profundo que consideran la propiedad de bajo rango en la dimensión espacial, espectral, de similitud, y desde el punto de vista global y no-local. En particular, se abordan los problemas de eliminación de ruido, super-resolución, fusión, fusión compresiva, y reconstrucción compresiva, superando los métodos de referencia comparativa en métricas de calidad objetivas y visuales.
Coded aperture design for adaptive compressive spectral imaging
(Universidad Industrial de Santander, 2020) Díaz Díaz, Nelson Eduardo; Argüello Fuentes, Henry; Bautista Rozo, Lola Xiomara; Meneses Fonseca, Jaime Enrique; Rodríguez Ferreira, Julián Gustavo; Carlsson, Marcus; Basarab, Adrian
La adquisición de imágenes espectrales de manera tradicional es un proceso lento debido a que se requiere escanear la escena bajo estudio. En contraste, obtener imágenes espectrales comprimidas (compressive spectral imaging, CSI por sus siglas en inglés) ha atraído un gran interés porque reduce el número de muestras respecto a los sistemas de escaneo para capturar el cubo de datos, esto mejora la velocidad de muestreo. CSI mide proyecciones lineales de una escena, y luego un algoritmo de reconstrucción estima la escena subyacente. Una arquitectura ejemplo de CSI es el sistema de adquisición espectral comprimido de única captura con apertura de color (Colored coded aperture compressive spectral imager, C-CASSI, por sus siglas en inglés) que emplea un arreglo de filtros como códigos de apertura para codificar espacial y espectralmente la luz que entra en el sistema. Dichos códigos de apertura son equivalentes a la matriz de muestreo del sistema, su función es obtener medidas de la señal. Al día de hoy los trabajos relacionados con C-CASSI han usado códigos de apertura no adaptados. Específicamente, el muestreo no adaptado ignora la información a priori acerca de la señal para diseñar los patrones de codificación. Por lo tanto, este trabajo propone tres métodos diferentes para diseñar de forma adaptativa la apertura codificada de colores aplicada a diferentes problemas, incluyendo, mejora de la calidad de la reconstrucción de la imagen de una escena estática, incremento de la precisión en la clasificación usando mediciones espectrales comprimidas, y diseño de un enfoque de estimación de movimiento utilizando una representación escasa en escenas dinámicas (ultrasonido y video multiespectral), en el caso de video multispectral es usado para diseñar aperturas codificadas de forma adaptada para mejorar la calidad de la reconstrucción de la imagen en escenas dinámicas.
Coded diffraction pattern design algorithm for phase retrieval in optical imaging
(Universidad Industrial de Santander, 2020) Pinilla Sánchez, Samuel Eduardo; Argüello Fuentes, Henry; Bautista Rozo, Lola Xiomara; Torres Amarís, Rafael Ángel; Meneses Fonseca, Jaime Enrique; Vera Rojas, Esteban Mauricio; Eguiazarian, Karen
La recuperación de fase es un problema inverso que consiste en estimar una escena a partir de inten-sidades de difracción. Este problema aparece en la formación de imágenes ópticas, que tiene tres zonas principales de difracción donde se pueden adquirir medidas, cerca, media y lejos. Trabajos recientes han empleado algoritmos de descenso de gradiente para resolver el problema de recuperación de fase relacionado con la zona lejana, creando redundancia en el proceso de medición al incluir una apertura codificada, que permite modular la escena y adquirir patrones de difracción codificados (CDP). Sin embargo, este problema no se ha estudiado teóricamente para CDP en las zonas cercana y media. Además, la estructura de la apertura codificada se selecciona al azar, lo que conduce a estimaciones subóptimas. Esta tesis proporciona garantías teóricas para la recuperación de una escena adquirida en las tres zonas de difracción utilizando modulaciones admisibles. Con base en los resultados teóricos, se demostrará que la calidad de reconstrucción de la imagen depende directamente de la estructura de apertura codificada; por lo tanto, el diseño de la matriz de detección es fundamental para obtener una alta calidad de reconstrucción. Específicamente, las aperturas codificadas se pueden diseñar para mejorar la calidad de la señal reconstruida. Además, cuando la escena se puede representar escasamente de alguna manera, su soporte se puede estimar mejor para una elección cuidadosa de los elementos de codificación. Los resultados numéricos muestran que la escena se recupera con éxito mediante el uso de aperturas codificadas diseñadas con hasta 40% menos de medidas en comparación con conjuntos no diseñados.
Diseño de algoritmos de aprendizaje profundo para imágenes médicas en tareas de diagnóstico asistido por computador
(Universidad Industrial de Santander, 2023-11-15) Sánchez Quiroga, Karen Yaneth; Argüello Fuentes, Henry; Basarab, Adrian; Pertuz Arroyo, Said David; Fajardo Ariza, Carlos Augusto; Galvis, Laura Viviana; Gélvez Barrera, Tatiana Carolina; Pellegrini, Tomas
Esta tesis doctoral examina la aplicación de la inteligencia artificial, específicamente modelos de aprendizaje profundo, en tareas de diagnóstico asistido por computadora (CAD) dentro de imágenes médicas. Si bien los modelos de aprendizaje profundo han revolucionado el campo médico, siguen dependiendo de grandes volúmenes de datos etiquetados, a menudo escasos y privados, y que varían entre los centros médicos. Esta tesis explora los conceptos de "adaptación de dominio" y "aumento de datos generativos" para abordar el problema de sobreajuste que surge de la falta de datos disponibles y afecta la precisión y generalización de los modelos. El primero aprovecha el conocimiento de un dominio de origen etiquetado para mejorar el rendimiento del modelo en un dominio de destino con datos limitados o sin datos etiquetados. El último se centra en la creación de datos sintéticos para aumentar el conjunto de entrenamiento, mejorando la generalización y precisión del modelo. En una contribución doble, esta tesis presenta primero un método para la selección inteligente, transformación e incorporación de radiografías de tórax de un conjunto de datos públicos en una red neuronal para mejorar la precisión de la clasificación de la neumonía. Este método mitiga los desafíos de trabajar con conjuntos de datos pequeños y variables entre diferentes hospitales. En segundo lugar, esta tesis presenta un método novedoso para el aumento de datos generativos para mejorar la precisión de la segmentación de tumores hepáticos en imágenes de resonancia magnética de múltiples contrastes. Al crear datos sintéticos para aumentar el conjunto de entrenamiento, este método busca mejorar la precisión y confiabilidad de la segmentación de tumores, una tarea vital para un diagnóstico preciso y una planificación del tratamiento. La investigación, desarrollada en colaboración con múltiples instituciones académicas y de investigación, tiene como objetivo en última instancia superar los desafíos en el análisis de imágenes médicas presentados por la escasez de datos etiquetados y mejorar las tareas CAD en diversas aplicaciones médicas.
Diseño de diccionarios para representación escasa en sensado espectral comprimido
(Universidad Industrial de Santander, 2023-07-21) Barajas Solano, Crisóstomo Alberto; Argüello Fuentes, Henry; Pertuz Arroyo, Said David; Bautista Rozo, Lola Xiomara; Galvis Carreño, Laura Viviana; Ramírez Rondón, Juan Marcos; Rodríguez Valderrama, Paul Antonio
La Representación de diccionarios escasos convolucionales (CSDR) ha surgido como un marco robusto y flexible para representar escasamente señales de voz, escala de grises e imágenes en color. También se ha utilizado en aplicaciones médicas como imágenes de ultrasonido y ecografía, y geología. El modelo CSDR propone representar una señal como la suma de las convoluciones de una colección demasiado completa de elementos de diccionario convolucional (átomos) y mapas de coeficientes dispersos. Ambas colecciones deben cumplir una serie de restricciones. El modelo CSDR ofrece algunas ventajas interesantes frente a otros modelos de representación dispersa. Por ejemplo, el operador convolucional permite la eliminación de ruido, la invariancia de cambios, la tolerancia (hasta cierto punto) a la deformación, la rotación y la traslación. Estas propiedades hacen del CSDR un modelo interesante para su uso en imágenes espectrales compresivas (CSI). CSI establece que una imagen espectral de interés se puede recuperar a partir de un pequeño conjunto de medidas de compresión, {porque un problema de optimización, con alta probabilidad, recupera la información faltante ya que se supone que los datos son escasos en algún dominio}. Los métodos de última generación utilizan el modelo de representación de señal dispersa (SSR) como base de representación para recuperar la imagen espectral de tamaño completo a partir de una serie de mediciones de compresión. Este trabajo propone cambiar el modelo SSR para el marco CSDR basado en señales para aprovechar las propiedades de CSDR.
Diseño de máscaras de fase para imágenes ópticas difractivas
(Universidad Industrial de Santander, 2024-08) Jerez Ariza, Andrés Felipe; Argüello Fuentes, Henry; Meneses Fonseca, Jaime Enrique; Rodríguez Ferreira, Julián Gustavo; Hinojosa Montero, Carlos Alberto; León López, Kareth Marcela; Meza Narváez, Pablo Francisco
Los sistemas de imágenes ópticas difractivas (DOI), que se basan en máscaras de fase multinivel (MPMs), codifican el frente de onda del campo óptico antes de ser registrado por el sensor. Esto resulta en patrones de difracción codificados (CDPs) donde se pierde la información de fase. Así que, el problema de recuperación de fase (PR) implica aproximar el campo óptico utilizando los CDPs adquiridos. Este problema se ha abordado a través de dos aspectos principales: el diseño de máscaras de fase y el desarrollo de algoritmos de recuperación. Además de los sistemas DOI basados en luz coherente, esta tecnología se ha extendido a configuraciones ópticas basadas en luz incoherente, especialmente en sistemas de imágenes espectrales. La clasificación espectral es una tarea computacional clave en el análisis de imágenes espectrales. Esta disertación enfrenta tres desafíos relacionados con los sistemas DOI: el método de inicialización para el problema de PR en DOI coherente, el problema de PR basado en el diseño MPM a través de una red neuronal profunda (DNN) interpretable en DOI coherente, y la clasificación espectral basada en el diseño MPM utilizando una arquitectura óptica dual en DOI incoherente. Específicamente, esta tesis presenta tres metodologías de optimización de extremo a extremo (E2E) para abordar los desafíos mencionados anteriormente: un método de inicialización E2E utilizando una DNN de doble rama que entrena el paso de filtrado y aproxima el campo óptico; un enfoque de recuperación E2E a partir de una DNN interpretable basada en una formulación no convexa que aprende el MPM y recupera el campo óptico; y un enfoque de clasificación espectral E2E integrando una configuración óptica dual con una DNN que optimiza el MPM y etiqueta los materiales en imágenes espectrales. Los métodos E2E propuestos exhiben un mejor rendimiento que los enfoques convencionales. Finalmente, se implementan dos configuraciones ópticas para validar experimentalmente los métodos E2E propuestos.
Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
(Universidad Industrial de Santander, 2023-11-13) Vargas García, Héctor; Argüello Fuentes, Henry; Martínez Carrillo, Fabio; Bautista Rozo, Lola Xiomara; Gélvez Barrera, Tatiana Carolina; Esnaola, Iñaki; Rodríguez Valderrama, Paul Antonio
La escasez, representada por un conjunto reducido de coeficientes en un diccionario dado, es clave en tareas de procesamiento de señales. La adquisición compresiva utiliza proyecciones aleatorias para aprovechar la escasez de las señales en sistemas con recursos limitados, como sensores, con una costosa reconstrucción. Una alternativa es transformar la reconstrucción costosa en un método de procesamiento de señales más económico, estimando un número reducido de características. Por otro lado, las proyecciones aleatorias computacionales se emplean para integrarse eficientemente con métodos de inferencia tradicionales. Se asume que ciertas proyecciones preservan el subespacio de datos, utilizándose en métodos basados en subespacios para reducir ruido y dimensión de la información. En esta tesis, se propone una metodología para adquirir imágenes hiperespectrales de manera compresiva. Se utiliza un sistema óptico multimodal con cámaras hiperespectral y RGB. La extracción de características se realiza sin reconstruir todo el cubo de datos, mediante una estrategia de optimización numérica. Este enfoque demuestra la posibilidad de obtener características discriminatorias sin reconstruir todos los datos en términos de precisión de clasificación.
Estimación de estadísticos muestrales desde proyecciones aleatorias de baja dimensión
(Universidad Industrial de Santander, 2023-11-14) Monsalve Salazar, Jonathan Arley; Argüello Fuentes, Henry; Rueda Chacón, Hoover Fabián; Bacca Quintero, Jorge Luis; Ramírez Silva, Ana Beatriz; Gélvez Barrera, Tatiana Carolina; Rodríguez Valderrama, Pablo Antonio
El muestreo compresivo de la covarianza (MCC) tiene como objetivo recuperar el segundo momento estadístico de una señal a partir de un conjunto de proyecciones aleatorias de baja dimensión. En particular, CCS recupera la matriz de covarianza (MC) en lugar de la señal de alta dimensión, lo que representa una reducción significativa de los datos reconstruidos en aplicaciones tales como imágenes hiperespectrales, donde la MC suele ser algunos órdenes de magnitud más pequeño que la imagen. Además, la MC proporciona información sobre el subespacio de los datos útil para diseñar protocolos de detección, entrenar modelos para la clasificación o incluso reconstruir la señal. Esta tesis estudia la estimación y el uso del segundo momento estadístico de las imágenes hiperespectrales en la acquisición compresiva de imágenes espectrales (CSI). Por lo tanto, esta tesis propone un algoritmo para reconstruir el segundo momento estadístico a partir de proyecciones aleatorias de baja dimensión de imágenes hiperespectrales y un algoritmo para diseñar el protocolo de adquisición utilizando la MC. Para ello se propone un problema de optimización convexa, un algoritmo y una arquitectura óptica. Además, esta tesis presenta el análisis de las garantías de convergencia y algunas propiedades teóricas para asegurar una correcta reconstrucción. El algoritmo propuesto se prueba en tareas de clasificación y reconstrucción de imágenes hiperespectrales, incluida la estimación de la cobertura terrestre utilizando la MC recuperada.
Optimización de extremo a extremo de un sistema computacional codificado de única captura para la estimación de información espectral y de profundidad
(Universidad Industrial de Santander, 2023-11-14) Vargas Díaz, Edwin Mauricio; Argüello Fuentes, Henry; Tourneret, Jean-Yves; Hinojosa Montero, Carlos Alberto; Meneses Fonseca, Jaime Enrique; Rodríguez Ferreira, Julián Gustavo; Bacca Quintero, Jorge Luis
Las imágenes de profundidad y espectrales son tecnologías indispensables para multiples aplicaciones, pero tradicionalmente se han explorado de manera independiente. Esfuerzos recientes han estado dirigidos hacia la codificación óptica de información espectral y de profundidad (EP) en una sola captura del sensor, que posteriormente se decodifica mediante un algoritmo computacional. La efectividad de los sistemas EP de única captura depende principalmente de la modulación óptica, que se conoce como codificación, y las técnicas computacionales empleadas para extraer información EP de las medidas codificadas. La modulación óptica se realiza convencionalmente utilizando aperturas codificadas (AC), máscaras de fase, prismas o rejillas, iluminación activa, entre otros. Esta tesis propone una estrategia de modulación óptica (codificación) mediante la sincronización de una apertura codificada en fase y un obturador de píxeles arbitrario en conjunto con una apertura codificada de color en el sensor. El multiplexado en el tiempo de la apertura codificada (MTAC) mejora las estrategias de codificación convencionales sin agregar nuevos elementos ópticos. Esta tesis demuestra que el MTAC propuesto implica una función de dispersión de puntos (FDP) espacialmente variable para un profundidad constante en una escena, lo que facilita la distinción, y por tanto, una mejor recuperación de la información de profundidad. Además, el filtrado selectivo de bandas espectrales específicas por parte del CCA codifica las características relevantes de la información espectral que se decodifica usando un algoritmo e reconstrucción. Para optimizar el MTAC, esta tesis aprovecha los avances de las técnicas de aprendizaje profundo para aprender conjuntamente la modulación óptica y el algoritmo de decodificación computacional en un marco de trabajo de extremo a extremo (E2E). El enfoque propuesto demuestra a través de simulaciones numéricas y escenarios reales que el enfoque propuesto supera a los sistemas EP de única captura del estado del arte. Finalmente, esta tesis doctoral muestra que el concepto fundamental MTCA logra un mayor rendimiento cuando se aplica a sistemas computacionales de imágenes espectrales compresivas e imágenes de campo de luz, demostrando así su amplia aplicabilidad.
Optimización del algoritmo de reconstrucción y diseño de la matriz del sistema en adquisición compresiva de imágenes espectrales
(Universidad Industrial de Santander, 2018) Mejía Melgarejo, Yuri Hercilia; Argüello Fuentes, Henry; Bautista Rozo, Lola Xiomara; Pertuz Arroyo, Said David; Meneses Fonseca, Jaime Enrique; Vera Rojas, Esteban Mauricio; Tourneret, Jean-Yves
Los sensores compresivos de imágenes espectrales reducen el número de pixeles muestreados mediante la combinación de información espectral codificada de una escena en proyecciones bidimensionales. El diseño de la matriz de muestreo que modela el sensor y la optimización del algoritmo de reconstrucción son áreas importantes de investigación hoy en día. Este trabajo desarrolla algunos enfoques de diseño de la matriz de muestreo para sistemas compresivos de imágenes espectrales, además de propuestas para la mejorar el algoritmo de reconstrucción. El diseño de la matriz consiste en el estudio de la independencia lineal de las filas de la matriz de muestreo y su relación con los val-ores propios, dando lugar a restricciones físicas en los sensores. Estos diseños también se estudian en el caso en el que se reconstruye una imagen espectral a partir de la fusión de las medidas de dos sensores compresivos. Por otro lado, en la optimización del algoritmo de reconstrucción se explota el hecho de que las imágenes espectrales son suaves en el dominio espacial. Primero, se propone un filtrado pasa bajas dentro del proceso iterativo de los algoritmos de reconstrucción y segundo, se reformula un problema de minimización con un regularizador que promueve suavidad en la imagen y resolviendo por un enfoque Bayesiano.
Regularización basada en calibración para la recuperación de imágenes espectrales en sistemas de adquisición codificada optimizados
(Universidad Industrial de Santander, 2023-11-02) García Arenas, Hans Yecid; Argüello Fuentes, Henry; Galvis Carreño, Laura; Rodríguez Ferreira, Julián Gustavo; Meneses Fonseca, Jaime Enrique; Meza Narváez, Pablo Francisco; Tajahuerce Romera, Enrique
Los sistemas de adquisición codificada son fundamentales en la captura de imágenes espectrales computacionales para adquirir escenas codificadas, las cuales son recuperadas resolviendo un problema inverso. El diseño de adquisición codificada es crucial al determinar las propiedades de invertibilidad de la matriz de detección del sistema. Para garantizar un diseño realista, el modelo de adquisición modelado matemáticamente debe coincidir con el sistema fisico. Sin embargo, existen variaciones estocásticas relacionadas con características no ideales de la implementación, además, dado que estas variaciones no se conocen previamente deben ser calibradas en el laboratorio. Por lo tanto, el diseño de codificación conduce a un rendimiento subóptimo en la práctica, incluso si se lleva a cabo un proceso de calibración exhaustivo. Esta tesis desarrolla una comprensión profunda de cómo el desajuste de calibración afecta el rendimiento de recuperación y proponen tres enfoques para reducir su efecto en algoritmos de reconstrucción de sistemas de imágenes espectrales codificados optimizados. Específicamente, se proponen dos regularizadores que aceleran la convergencia a través de las iteraciones del algoritmo de gradiente decendiente del sistema calibrado real, en la dirección del sistema originalmente optimizado teóricamente, y un enfoque más que estima las medidas ideales a partir de las medidas reales calibradas, empleando un enfoque de aprendizaje profundo para aumentar el rendimiento de la reconstrucción.

Browse

Browsing Doctorado en Ingeniería: Área Ingeniería Electrónica by browse.metadata.advisor "Argüello Fuentes, Henry"

Results Per Page

Sort Options