Diseño de diccionarios para representación escasa en sensado espectral comprimido

Simple item page
dc.contributor.advisorArgüello Fuentes, Henry
dc.contributor.authorBarajas Solano, Crisóstomo Alberto
dc.contributor.evaluatorPertuz Arroyo, Said David
dc.contributor.evaluatorBautista Rozo, Lola Xiomara
dc.contributor.evaluatorGalvis Carreño, Laura Viviana
dc.contributor.evaluatorRamírez Rondón, Juan Marcos
dc.contributor.evaluatorRodríguez Valderrama, Paul Antonio
dc.date.accessioned2023-08-14T20:21:12Z
dc.date.available2023-08-14T20:21:12Z
dc.date.created2023-07-21
dc.date.issued2023-07-21
dc.description.abstractLa Representación de diccionarios escasos convolucionales (CSDR) ha surgido como un marco robusto y flexible para representar escasamente señales de voz, escala de grises e imágenes en color. También se ha utilizado en aplicaciones médicas como imágenes de ultrasonido y ecografía, y geología. El modelo CSDR propone representar una señal como la suma de las convoluciones de una colección demasiado completa de elementos de diccionario convolucional (átomos) y mapas de coeficientes dispersos. Ambas colecciones deben cumplir una serie de restricciones. El modelo CSDR ofrece algunas ventajas interesantes frente a otros modelos de representación dispersa. Por ejemplo, el operador convolucional permite la eliminación de ruido, la invariancia de cambios, la tolerancia (hasta cierto punto) a la deformación, la rotación y la traslación. Estas propiedades hacen del CSDR un modelo interesante para su uso en imágenes espectrales compresivas (CSI). CSI establece que una imagen espectral de interés se puede recuperar a partir de un pequeño conjunto de medidas de compresión, {porque un problema de optimización, con alta probabilidad, recupera la información faltante ya que se supone que los datos son escasos en algún dominio}. Los métodos de última generación utilizan el modelo de representación de señal dispersa (SSR) como base de representación para recuperar la imagen espectral de tamaño completo a partir de una serie de mediciones de compresión. Este trabajo propone cambiar el modelo SSR para el marco CSDR basado en señales para aprovechar las propiedades de CSDR.
dc.description.abstractenglishConvolutional Sparse Dictionary Representation (CSDR) has emerged as a robust and flexible framework for sparsely representing voice signals, gray-scale and color images. It has also been used in medical applications as ultrasound and sonography imaging, and geology. The CSDR model proposes to represent a signal as the sum of the convolutions of an overcomplete collection of convolutional dictionary elements (atoms) and sparse coefficient maps. Both collections must satisfy a series of restrictions. The CSDR model offers some interesting advantages to other sparse representation models. For example, the convolutional operator allows for noise removal, shift invariance, tolerance (to some degree) to deformation, rotation, and translation. These properties make the CSDR an interesting model for its use in compressive spectral imaging (CSI). CSI states that a spectral image of interest can be recovered from a small set of compressive measurements, {because an optimization problem, with high probability, recovers the missing information since the data is assume to be sparse in some domain}. The state-of-the-art methods uses the sparse signal representation model (SSR) as a representation basis in order to recover the full size spectral image from a series of compressive measurements. This work proposes to change the SSR model for the signal-based CSDR framework in order to profit on CSDR's properties.
dc.description.degreelevelDoctorado
dc.description.degreenameDoctor en Ingeniería
dc.description.orcidhttps://orcid.org/0000-0001-9781-3603
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/20.500.14071/14830
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.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectRepresentación escasa
dc.subjectDiccionarios convolucionales
dc.subjectImágenes espectrales
dc.subject.keywordSparse Representation
dc.subject.keywordConvolutional Dictionaries
dc.subject.keywordSpectral Imaging
dc.titleDiseño de diccionarios para representación escasa en sensado espectral comprimido
dc.title.englishDictionary Design for Sparse Representation in Compressive Spectral Imaging
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:
28.69 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
1.09 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
656.61 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