Regularización basada en calibración para la recuperación de imágenes espectrales en sistemas de adquisición codificada optimizados

dc.contributor.advisorArgüello Fuentes, Henry
dc.contributor.authorGarcía Arenas, Hans Yecid
dc.contributor.evaluatorGalvis Carreño, Laura
dc.contributor.evaluatorRodríguez Ferreira, Julián Gustavo
dc.contributor.evaluatorMeneses Fonseca, Jaime Enrique
dc.contributor.evaluatorMeza Narváez, Pablo Francisco
dc.contributor.evaluatorTajahuerce Romera, Enrique
dc.date.accessioned2023-11-03T13:35:59Z
dc.date.available2023-11-03T13:35:59Z
dc.date.created2023-11-02
dc.date.issued2023-11-02
dc.description.abstractLos 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.abstractenglishCodified 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.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000033466
dc.description.degreelevelDoctorado
dc.description.degreenameDoctor en Ingeniería
dc.description.googlescholarhttps://scholar.google.es/citations?hl=es&user=Y_hfNeIAAAAJ&view_op=list_works
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/20.500.14071/15119
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.subjectCalibración
dc.subjectRegularizadores
dc.subjectImágenes espectrales
dc.subject.keywordCalibration
dc.subject.keywordRegularization
dc.subject.keywordSpectral Image Recovery
dc.titleRegularización basada en calibración para la recuperación de imágenes espectrales en sistemas de adquisición codificada optimizados
dc.title.englishCalibration-Based Regularization for Spectral Image Recovery in Optimized Codified Acquisition Systems
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:
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
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: