Publicación:

Aprendizaje de un modelo de propagación no lineal para el sistema óptico de adquisición de imágenes espectrales basado en apertura codificada de única captura (CASSI) a través de redes neuronales profundas

Resumen

Las imágenes espectrales detectan la información espacial de una escena a lo largo de múltiples longitudes de onda; las imágenes multiespectrales tienen una alta resolución espacial y baja resolución espectral, por el contrario, las imágenes hiperespectrales se caracterizan por tener alta resolución espectral y baja resolución espacial. La adquisición de dichas imágenes a través de la imagen espectral compresiva (CSI, por sus siglas en inglés compressive spectral imaging) reduce significativamente la velocidad de detección ya que adquiere la información a partir de una cantidad reducida de muestras. El sistema de adquisición de imágenes espectrales basado en apertura codificada de única captura (CASSI, por sus siglas en inglés coded aperture snapshot spectral imagers) es una de las arquitecturas más representativas de CSI en la cual se asume un modelo de propagación lineal. Sin embargo, al realizar la adquisición se presentan diferentes fenómenos de dispersión óptica que provocan que el modelo de propagación no sea lineal, por lo que se desconoce el modelo real de sensado. Por este motivo, se propone aprender un modelo de propagación no lineal a través de redes neuronales profundas (DNN, por sus siglas en inglés deep neural networks), el cual se usará en algoritmos de recuperación para obtener una mejor calidad en la estimación.