Estimación de estadísticos muestrales desde proyecciones aleatorias de baja dimensión

Simple item page
dc.contributor.advisorArgüello Fuentes, Henry
dc.contributor.authorMonsalve Salazar, Jonathan Arley
dc.contributor.evaluatorRueda Chacón, Hoover Fabián
dc.contributor.evaluatorBacca Quintero, Jorge Luis
dc.contributor.evaluatorRamírez Silva, Ana Beatriz
dc.contributor.evaluatorGélvez Barrera, Tatiana Carolina
dc.contributor.evaluatorRodríguez Valderrama, Pablo Antonio
dc.date.accessioned2023-11-20T20:03:56Z
dc.date.available2023-11-20T20:03:56Z
dc.date.created2023-11-14
dc.date.issued2023-11-14
dc.description.abstractEl muestreo compresivo de la covarianza (MCC) tiene como objetivo recuperar el segundo momento estadístico de una señal a partir de un conjunto de proyecciones aleatorias de baja dimensión. En particular, CCS recupera la matriz de covarianza (MC) en lugar de la señal de alta dimensión, lo que representa una reducción significativa de los datos reconstruidos en aplicaciones tales como imágenes hiperespectrales, donde la MC suele ser algunos órdenes de magnitud más pequeño que la imagen. Además, la MC proporciona información sobre el subespacio de los datos útil para diseñar protocolos de detección, entrenar modelos para la clasificación o incluso reconstruir la señal. Esta tesis estudia la estimación y el uso del segundo momento estadístico de las imágenes hiperespectrales en la acquisición compresiva de imágenes espectrales (CSI). Por lo tanto, esta tesis propone un algoritmo para reconstruir el segundo momento estadístico a partir de proyecciones aleatorias de baja dimensión de imágenes hiperespectrales y un algoritmo para diseñar el protocolo de adquisición utilizando la MC. Para ello se propone un problema de optimización convexa, un algoritmo y una arquitectura óptica. Además, esta tesis presenta el análisis de las garantías de convergencia y algunas propiedades teóricas para asegurar una correcta reconstrucción. El algoritmo propuesto se prueba en tareas de clasificación y reconstrucción de imágenes hiperespectrales, incluida la estimación de la cobertura terrestre utilizando la MC recuperada.
dc.description.abstractenglishCompressive Covariance Sampling (CCS) aims to recover the second-moment statistics of a signal from a set of low-dimensional random projections. In particular, CCS recovers the covariance matrix (CM) instead of the underlying high-dimensional signal, representing a significant reduction in the reconstructed data for applications such as hyperspectral imaging, where the CM is usually some orders of magnitude smaller than the image. Additionally, the CM provides information about the data’s subspace which is helpful for designing sensing protocols, training models for classification, or even reconstructing the signal. This thesis studies estimating and using the second statistical moment of the hyperspectral images in compressive spectral imaging (CSI). Hence, this thesis proposes an algorithm for reconstructing the second statistic moment from low-dimensional random projections of hyperspectral images and an algorithm for designing the sensing protocol using the CM. A convex optimization problem, an algorithm, and an optical architecture that take advantage of this approach are proposed. Furthermore, this thesis presents the convergence guarantees analysis and some theoretical properties to ensure a correct reconstruction. The proposed algorithm is tested over hyperspectral image reconstruction and classification tasks, including land cover estimation using the recovered CM.
dc.description.degreelevelDoctorado
dc.description.degreenameDoctor en Ingeniería
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/20.500.14071/15508
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 de imágenes
dc.subjectAdquisición compresiva de la matrix de covarianza
dc.subjectAdquisición compresiva de video spectral
dc.subject.keywordCompressive Spectral Imaging
dc.subject.keywordCompressive Covariance Sampling
dc.subject.keywordCompressive Spectral video
dc.titleEstimación de estadísticos muestrales desde proyecciones aleatorias de baja dimensión
dc.title.englishCompressive Sensing Sample Statistics Estimation from Low-Dimensional Projections
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:
66.85 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
91.89 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
653.59 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