Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión

Simple item page
dc.contributor.advisorArgüello Fuentes, Henry
dc.contributor.authorVargas García, Héctor
dc.contributor.evaluatorMartínez Carrillo, Fabio
dc.contributor.evaluatorBautista Rozo, Lola Xiomara
dc.contributor.evaluatorGélvez Barrera, Tatiana Carolina
dc.contributor.evaluatorEsnaola, Iñaki
dc.contributor.evaluatorRodríguez Valderrama, Paul Antonio
dc.date.accessioned2023-11-23T20:14:06Z
dc.date.available2023-11-23T20:14:06Z
dc.date.created2023-11-13
dc.date.issued2023-11-13
dc.description.abstractLa 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.
dc.description.abstractenglishSparsity, the capacity to represent signals with minimal coefficients in a given dictionary ,proves beneficial for signal processing applications in communication and storage. Compressive sensing harnesses signal sparsity via random projections, particularly advantageous for resource-constrained sensor systems such as environmental sensors, surveillance systems, and scanners. While compressive sampling in hyperspectral imaging reduces data dimensionality, it necessitates costly signal reconstruction before traditional processing. To address this challenge, ongoing efforts in computational random projection focus on efficiently reducing data and integrating with classical methods. This tesis introduces a novel framework for acquiring hyperspectral images efficiently, employing a multimodal optical system comprising a compressive hyperspectral camera and a high-resolution RGB camera. The proposed compressive feature extraction method relies on preserving subspaces during acquisition. This innovative approach enables the extraction of spatial features directly from compressed measurements, eliminating the need for full data reconstruction. The study showcases the feasibility of obtaining discriminatory features without achieving complete recovery in terms of classification accuracy.
dc.description.degreelevelDoctorado
dc.description.degreenameDoctor en Ingeniería
dc.description.googlescholarhttps://scholar.google.com/citations?user=T6tNkE4AAAAJ&hl=es
dc.description.orcidhttps://orcid.org/0000-0001-7713-7708
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/15524
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programDoctorado en Ingeniería: Área Ingeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAdquisición compresiva
dc.subjectImágenes espectrales
dc.subjectExtracción y fusión de características
dc.subjectOptimización numérica
dc.subjectClasificación
dc.subject.keywordCompressive Hyperspectral Imaging
dc.subject.keywordFeature Extraction and Fusion
dc.subject.keywordNumerical Optimization and Land-Cover Classification
dc.titleDiseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
dc.title.englishDesign and Implementation of New Methods for Inference Tasks using Compressively Sensed Hyperspectral Images
dc.type.coarhttp://purl.org/coar/resource_type/c_db06
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Doctorado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
19.72 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
602.48 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
114.67 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Doctorado en Ingeniería: Área Ingeniería Electrónica