Aprendizaje de un modelo de propagación no lineal para el sistema óptico de adquisición de imágenes espectrales basado en apertura codificada de única captura (CASSI) a través de redes neuronales profundas

dc.contributor.advisorBacca Quintero, Jorge Luis
dc.contributor.authorEscobar Pérez, Jessica Paola
dc.contributor.evaluatorRomo Bucheli, David Edmundo
dc.contributor.evaluatorCamacho Velasco, Ariolfo
dc.date.accessioned2022-04-19T18:09:23Z
dc.date.available2022-04-19T18:09:23Z
dc.date.created2022-03-30
dc.date.issued2022-03-30
dc.description.abstractLas imágenes espectrales detectan la información espacial de una escena a lo largo de múltiples longitudes de onda; las imágenes multiespectrales tienen una alta resolución espacial y baja resolución espectral, por el contrario, las imágenes hiperespectrales se caracterizan por tener alta resolución espectral y baja resolución espacial. La adquisición de dichas imágenes a través de la imagen espectral compresiva (CSI, por sus siglas en inglés compressive spectral imaging) reduce significativamente la velocidad de detección ya que adquiere la información a partir de una cantidad reducida de muestras. El sistema de adquisición de imágenes espectrales basado en apertura codificada de única captura (CASSI, por sus siglas en inglés coded aperture snapshot spectral imagers) es una de las arquitecturas más representativas de CSI en la cual se asume un modelo de propagación lineal. Sin embargo, al realizar la adquisición se presentan diferentes fenómenos de dispersión óptica que provocan que el modelo de propagación no sea lineal, por lo que se desconoce el modelo real de sensado. Por este motivo, se propone aprender un modelo de propagación no lineal a través de redes neuronales profundas (DNN, por sus siglas en inglés deep neural networks), el cual se usará en algoritmos de recuperación para obtener una mejor calidad en la estimación.
dc.description.abstractenglishSpectral images detect spatial information in a scene across multiple wavelengths; multispectral images have high spatial resolution and low spectral resolution, by contrast, hyperspectral images are characterized by high spectral resolution and low spatial resolution. Acquiring these images through compressive spectral imaging (CSI) significantly reduces the speed of detection since it acquires the information from a reduced number of samples. The coded aperture snapshot spectral imagers (CASSI) based spectral image acquisition system is one of the most representative architectures of the CSI in which a linear propagation model is assumed. However, when performing the acquisition, different optical dispersion phenomena occur that cause the propagation model to be non-linear, so the real sensing model is unknown. For this reason, it is proposed to learn a model of non-linear propagation through deep neural networks (DNN), which will be used in recovery algorithms to obtain a better quality in the estimation.
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001812326
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.description.googlescholarhttps://scholar.google.com/citations?hl=es&user=NdCS940AAAAJ
dc.description.orcidhttps://orcid.org/0000-0001-5066-8699
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/20.500.14071/10015
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
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.subjectImagen espectral compresiva
dc.subjectSistema óptico
dc.subjectCalibración
dc.subjectRedes neuronales profundas
dc.subject.keywordCompressive spectral imaging
dc.subject.keywordOptical system
dc.subject.keywordCalibration
dc.subject.keywordDeep neural network
dc.titleAprendizaje de un modelo de propagación no lineal para el sistema óptico de adquisición de imágenes espectrales basado en apertura codificada de única captura (CASSI) a través de redes neuronales profundas
dc.title.englishNon-linear propagation model learning for coded aperture snapshot spectral imaging (CASSI) optical system through deep neural networks
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
Loading...
Thumbnail Image
Name:
Documento.pdf
Size:
29.52 MB
Format:
Adobe Portable Document Format
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
139.4 KB
Format:
Adobe Portable Document Format
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
395.61 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: