Assembly, fusion and coded aperture desing of two compressive spectral imaging sensors cia deep learning end-to-end optimization

Simple item page
dc.contributor.advisorBacca Quintero, Jorge Luis
dc.contributor.advisorArguello Fuentes, Henry
dc.contributor.advisorRodríguez Ferreira, Julián Gustavo
dc.contributor.authorJacome Carrascal, Román Alejandro
dc.date.accessioned2024-03-04T01:11:54Z
dc.date.available2021
dc.date.available2024-03-04T01:11:54Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractLa adquisición imágenes espectrales compresivas (CSI) reducen la cantidad de datos capturados mediante el uso de proyecciones 2D de la señal 3D original; en consecuencia, es necesario abordar un proceso de recuperación para obtener la señal original. La sistemas CSI sacrifican la resolución espacial para conseguir una altaresolución espectral o viceversa. Por ello, enfoques recientes se basan en la fusión de dos sistemas CSI para obteneruna alta resolución espectral-espacial. Los sistemas de detección compresiva suelen tener un conjunto de parámetrosfísicos, como las aperturas codificadas, que pueden diseñarse para mejorar la calidad de la reconstrucción. El presente proyecto de grado propone un enfoque de aprendizaje profundo de extremo a extremo para diseñar, ensamblary fusionar dos sistemas CSL, la arquitectura hiperspectral CASSI (coded aperture snapshot spectral imager) con altaresolución espectral y baja resolución espacial y una arquitectura multiespectral de baja resolución espectral y altaresolución espacial. La metodología propuesta consiste en redes neuronales profundas que aprenden una apertura codificada óptima del sistema CASSI y la matriz de filtros de color de la arquitectura multiespectral restringiendo elproceso de aprendizaje a valores implementables, luego una red neuronal profunda desenrollada realiza la fusión delas dos medidas. Para validar los resultados de simulación, estos sistemas se montarán y calibrarán en el laboratorio óptico-electrónico para capturar escenas reales.
dc.description.abstractenglishCompressive spectral imaging (CSI) reduces the amount of data captured using 2D projections of theoriginal 3D signal; consequently, a recovery process needs to be addressed to obtain the original signal. To date, mostCSI sacrifices spatial resolution to achieve high-spectral resolution or vice versa. Therefore, recent approaches arebased on the fusion of two CSI systems to obtain a high-spectral-spatial resolution. The compressive sensing systemsusually have a set of physical parameters such as coded apertures designed to improve the reconstruction quality. Toaddress this issue, this degree project proposes an end-to-end deep learning approach to design, assemble, and fusiontwo CSI systems, the hyperspectral CASSI (coded aperture snapshot spectral imager) architecture with high spectralresolution and low spatial resolution and a multispectral patterned architecture with low-spectral resolution and highspatial-resolution. The proposed methodology consists of deep neural networks which learn an optimal the codedaperture of the CASSI system and the color filter array of the multispectral patterned constraining the learning processto implementable values. An unrolling deep neural network performs the fusion of the two compressive measurements.To validate the simulation results, these systems will be assembled and calibrated in the optical-electronic laboratory to capture real scenes.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
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/20.500.14071/40980
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectOptimización de extremo a extremo
dc.subjectMétodos de fusión
dc.subjectImágenes Espectrales Comprimidas
dc.subject.keywordEnd-to-End Optimization
dc.subject.keywordFusion Methods
dc.subject.keywordCompressive Spectral Imaging
dc.subject.keywordDeep learning.
dc.titleAssembly, fusion and coded aperture desing of two compressive spectral imaging sensors cia deep learning end-to-end optimization
dc.title.englishAssembly, fusion and coded aperture design of two compressive spectral imaging sensors via deep learning end-to-end
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
105.09 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
33.53 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
385.04 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Electrónica