Regularización basada en calibración para la recuperación de imágenes espectrales en sistemas de adquisición codificada optimizados
dc.contributor.advisor | Argüello Fuentes, Henry | |
dc.contributor.author | García Arenas, Hans Yecid | |
dc.contributor.evaluator | Galvis Carreño, Laura | |
dc.contributor.evaluator | Rodríguez Ferreira, Julián Gustavo | |
dc.contributor.evaluator | Meneses Fonseca, Jaime Enrique | |
dc.contributor.evaluator | Meza Narváez, Pablo Francisco | |
dc.contributor.evaluator | Tajahuerce Romera, Enrique | |
dc.date.accessioned | 2023-11-03T13:35:59Z | |
dc.date.available | 2023-11-03T13:35:59Z | |
dc.date.created | 2023-11-02 | |
dc.date.issued | 2023-11-02 | |
dc.description.abstract | 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. | |
dc.description.abstractenglish | Codified acquisition systems are a fundamental tool in snapshot computational spectral imaging for capturing encoded scenes that are then recovered by solving an inverse problem. Codified acquisition design is crucial, as it determines the invertibility properties of the system sensing matrix. To ensure a realistic design, the optical mathematical forward model must match the physical sensing. However, there exist stochastic variations related to non-ideal characteristics of the implementation; therefore, these variables are not known a priori and have to be calibrated in the laboratory setup. Thus, the optical encoding design leads to suboptimal performance in practice, even if an exhaustive calibration process is carried out. This thesis develops a deep understanding of how the calibration mismatch affects the recovery performance and proposes three approaches to reduce the effect in optimized codified spectral imaging systems reconstruction algorithms. Specifically, two regularizers are proposed that perform the gradient algorithm iterations of the real calibrated system in the direction of the originally theoretically optimized system, and an extension approach that estimates the ideal measurements from the real measurements using a deep learning approach to increase the reconstruction performance in terms of PSNR, SSIM, and SAM metrics. | |
dc.description.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000033466 | |
dc.description.degreelevel | Doctorado | |
dc.description.degreename | Doctor en Ingeniería | |
dc.description.googlescholar | https://scholar.google.es/citations?hl=es&user=Y_hfNeIAAAAJ&view_op=list_works | |
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/20.500.14071/15119 | |
dc.language.iso | eng | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ingeníerias Fisicomecánicas | |
dc.publisher.program | Doctorado en Ingeniería: Área Ingeniería Electrónica | |
dc.publisher.school | Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones | |
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 | Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO) | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Calibración | |
dc.subject | Regularizadores | |
dc.subject | Imágenes espectrales | |
dc.subject.keyword | Calibration | |
dc.subject.keyword | Regularization | |
dc.subject.keyword | Spectral Image Recovery | |
dc.title | Regularización basada en calibración para la recuperación de imágenes espectrales en sistemas de adquisición codificada optimizados | |
dc.title.english | Calibration-Based Regularization for Spectral Image Recovery in Optimized Codified Acquisition Systems | |
dc.type.coar | http://purl.org/coar/resource_type/c_db06 | |
dc.type.hasversion | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Doctorado |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Documento.pdf
- Size:
- 12.39 MB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 129.78 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 204.26 KB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 2.18 KB
- Format:
- Item-specific license agreed to upon submission
- Description: