Coded aperture design for compressive spectral imaging subspace clustering

Simple item page
dc.contributor.advisorArguello Fuentes, Henry
dc.contributor.authorHinojosa Montero, Carlos Alberto
dc.date.accessioned2024-03-04T00:07:19Z
dc.date.available2018
dc.date.available2024-03-04T00:07:19Z
dc.date.created2018
dc.date.issued2018
dc.description.abstractLos 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.
dc.description.abstractenglishCompressive spectral imaging (CSI) is a spectral imaging approach which acquires compressed observations of the spectral signatures by applying different coding patterns on each spectral signature and then performing an spectral-wise integration. Once acquired the compressed measurements, the common subsequent procedure is the spectral image recovery. In CSI literature, several works has focused on improving the quality of reconstruction by properly designing a set of coding pattern. However, the recovery step is not actually necessary in many signal processing applications. For instance, assuming that spectral pixels from different class material preserve their dissimilarity after being compressed, the clustering methods can be straight applied to separate them into a different group or cluster, without the need of spectral image reconstruction. In this work, a subspace clustering approach for CSI measurements is proposed. In particular, an optimal set of coding patterns is proposed such that the dissimilarity between pixels from different classes is best preserved after the scene projection. Then, the CSI measurements classification is performed using a proposed clustering algorithm based on the sparse subspace clustering (SSC) model, which takes into account the spatial property of spectral images. Different simulations were made in order to validate the proposed CSI subspace clustering approach. In general, an overall accuracy of 73.07%, 80.12% and 83.81% were obtained using the Indian Pines, Salinas and Pavia University hyperspectral images respectively, when 25 dB of signal-to-noise ratio is added to the compressed measurements.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
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/20.500.14071/38856
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
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.subjectImagenes Espectrales
dc.subjectMuestreo Compresivo
dc.subjectDise ´ No De Pa- ˜ Trones De Codificacion
dc.subjectAdquisición Compresiva De Imágenes Espectrales
dc.subjectClasifi- ´ Cacion No Supervisada
dc.subjectClustering
dc.subjectSparse Subspace Clustering.
dc.subject.keywordSpectral Imaging
dc.subject.keywordCompressive Spectral Imaging
dc.subject.keywordCoding Pattern Design
dc.subject.keywordClustering
dc.subject.keywordSparse Subspace Clustering.
dc.titleCoded aperture design for compressive spectral imaging subspace clustering
dc.title.englishCoded aperture design for compressive spectral imaging subspace clustering.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
278.6 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
7.23 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
300.91 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería de Sistemas e Informática