Diseño de un diccionario espacio espectral para la representación escasa de imágenes espectrales

Arias Rojas, Kevin Ademir

Diseño de un diccionario espacio espectral para la representación escasa de imágenes espectrales

dc.contributor.advisor	Argüello Fuentes, Henry
dc.contributor.author	Arias Rojas, Kevin Ademir
dc.contributor.evaluator	Meneses Fonseca, Jaime Enrique
dc.contributor.evaluator	Ramírez, Juan Marcos
dc.date.accessioned	2022-04-18T14:04:59Z
dc.date.available	2022-04-18T14:04:59Z
dc.date.created	2022-03-30
dc.date.issued	2022-03-30
dc.description.abstract	Los 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.
dc.description.abstractenglish	Hyperspectral (HS) imaging systems are useful in a diverse range of applications that involve detection and classification tasks. Distortion problems in the acquisition process have been computationally addressed assuming sparsity as prior knowledge to regularize the solution space. In this way, well-known representation basis such as the separable spatial-spectral dictionary are learned with spatial and spectral features of natural images. Traditionally, each dictionary element or atom is calculated as a product between atoms of independent spatial and spectral dictionaries. Specifically, the separable trained dictionary contains spatial-spectral atoms where the spatial features are learned from only spatial samples and likewise, the spectral features from only spectral samples. However, separable dictionary learning ignores the correlation between the spatial and spectral information of natural images. This work propose a joint spatial-spectral dictionary where each of its atoms are learned from joint spatial and spectral information. That is, each sample in the dictionary learning stage is composed of spatial-spectral information simultaneously. Experimental results with real data show that the proposed dictionary outperforms the state-of-the-art dictionaries for sparser representation and therefore the reconstruction quality of the image.
dc.description.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000185583
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Matemática Aplicada
dc.description.googlescholar	https://scholar.google.com/citations?hl=es&user=xna9azgAAAAJ
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/9908
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ciencias
dc.publisher.program	Maestría en Matemática Aplicada
dc.publisher.school	Escuela de Física
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Distorsión de imagen
dc.subject	Imagen espectral
dc.subject	Diccionario espacio espectral
dc.subject	Escasez
dc.subject.keyword	Spectral image
dc.subject.keyword	Image distortion
dc.subject.keyword	Spatial-spectral dictionary
dc.subject.keyword	Sparsity
dc.title	Diseño de un diccionario espacio espectral para la representación escasa de imágenes espectrales
dc.title.english	Design of a Spatial-Spectral Dictionary for Sparse Representation of Spectral Images
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type