Coded aperture design for compressive spectral imaging subspace clustering
No Thumbnail Available
Date
2018
Authors
Advisors
Evaluators
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
Los sistemas de adquisicion de imágenes espectrales basados en la técnica de muestreo compresivo (CSI por su sigla en ingles), obtienen proyecciones codificadas de las firmas espectrales aplicando diferentes patrones de codificacion. Una vez acquiridas las medidas comprimidas, el paso a seguir conmunmente consiste reconstruir la imagen espectral original. En la literatura de CSI, distintos trabajos se han centrado en mejorar la calidad de la reconstruccion mediante el diseño adecuado de los patrones de codificacion. Sin embargo, la reconstrucción de la escena subyacente no es estrictamente necesaria para realizar distintas tareas de procesamiento. Por ejemplo, suponiendo que los p´ıxeles espectrales asociados a clases diferentes conservan su desemejanza despues de ser comprimidos, los metodos ´ de clasificacion no supervisada ( ´ clustering) pueden aplicarse directamente con el objetivo de separar dichos p´ıxeles en grupos diferentes o clusters, sin la necesidad de reconstuir la imagen espectral. En este trabajo, se propone un metodo para realizar clustering con medidas comprimidas obtenidas mediante CSI. En particular, se propone el diseno de un conjunto optimo de patrones de codificación de manera que la desemejanza entre píxeles de diferentes clases se preserve despues de la proyeccion de la escena. Luego, para realizar la clasificación de los datos comprimidos se propone un algoritmo de clustering basado en el modelo de Sparse Subspace Clustering (SSC), el cual tiene en cuenta la correlacion espacial existente entre firmas espectrales. Se realizaron diferentes simulaciones para validar el metodo de clasificación propuesto. En general, se obtuvo una precisión global del 73.07%, 80.12% y del 83.81% utilizando las imagenes espectrales de “Indian Pines”, ´ “Salinas” y “Pavia University”, respectivamente, anadiendo ˜ 25 dB de relacion señal ˜ / ruido a las mediciones comprimidas.
Description
Keywords
Imagenes Espectrales, Muestreo Compresivo, Dise ´ No De Pa- ˜ Trones De Codificacion, Adquisición Compresiva De Imágenes Espectrales, Clasifi- ´ Cacion No Supervisada, Clustering, Sparse Subspace Clustering.