Algoritmo de reconstrucción de imágenes a partir de proyecciones espectrales aleatorias usando regularizadores de bajo rango

Simple item page
dc.contributor.advisorArgüello Fuentes, Henry
dc.contributor.authorGélvez Barrera, Tatiana Carolina
dc.contributor.evaluatorDuarte Gualdrón, César Antonio
dc.contributor.evaluatorBautista Rozo, Lola Xiomara
dc.contributor.evaluatorGalvis Carreño, Laura Viviana
dc.contributor.evaluatorBasarab, Adrian
dc.contributor.evaluatorCarlsson, Marcus
dc.date.accessioned2022-05-06T14:49:56Z
dc.date.available2022-05-06T14:49:56Z
dc.date.created2022-05-05
dc.date.issued2022-05-05
dc.description.abstractEl uso de información previa es crucial en la solución de problemas inversos mal condicionados en el procesamiento de imágenes. Esta tesis estudia el denominado bajo rango como información previa de una imagen espectral (IE) abordando la pregunta de investigación ¿Cómo aprovechar la propiedad de bajo rango para resolver problemas de recuperación de imágenes espectrales? Una IE puede ser modelada como un arreglo tridimensional con dos dimensiones espaciales y una dimensión espectral. Típicamente, las escenas naturales contienen redundancia en las respuestas espectrales y similitudes en las estructuras espaciales, tal que la propiedad de bajo rango indica que una IE se encuentra en un subespacio de baja dimensión. Sin embargo, la literatura omite comúnmente un aspecto crítico relacionado con la distinta connotación que tiene la propiedad de bajo rango en las dimensiones espaciales y espectral. Por lo tanto, esta tesis analiza la propiedad de bajo rango por medio de premisas teóricas y estudios empíricos para determinar cómo emplear el bajo rango, obteniendo las siguientes contribuciones principalmente. Un enfoque que incorpora la propiedad de bajo rango implícitamente en la arquitectura de una red neuronal, proponiendo una alternativa a la formulación típica de una función de regularización. Además, se introduce el concepto de similitud de rango-uno asumiendo que las correlaciones estructurales en una IE son preservadas a lo largo de las bandas espectrales. Este concepto determina una dimensión adicional a las dimensiones espaciales y espectral para emplear la propiedad de bajo rango. Finalmente, se presenta la implementación y desarrollo de cuatro algoritmos de recuperación de imágenes espectrales, cubriendo formulaciones de optimización convexa y aprendizaje profundo que consideran la propiedad de bajo rango en la dimensión espacial, espectral, de similitud, y desde el punto de vista global y no-local. En particular, se abordan los problemas de eliminación de ruido, super-resolución, fusión, fusión compresiva, y reconstrucción compresiva, superando los métodos de referencia comparativa en métricas de calidad objetivas y visuales.
dc.description.abstractenglishUsing prior information is crucial for solving ill-posed inverse problems in image processing. This thesis aims to study the so-called low-rank prior exhibited by a spectral image (SI), addressing the research question of how to take advantage of the low-rank prior for solving spectral imaging recovery problems. A SI can be modeled as a three-dimensional array with two spatial and one spectral dimension. Natural scenes typically contain redundant spectral responses and self-similar spatial structures so that the low-rankness indicates that a SI lies in a low-dimensional subspace. However, the literature commonly neglects a critical issue related to the different low-rank prior connotations across the spatial and spectral dimensions. Therefore, this thesis studies the low-rank prior through theoretical premises and extensive empirical studies to determine how to apply the low-rank prior, obtaining the following main contributions. First, I present a strategy that introduces the low-rank regularization implicitly in the architecture of a neural network, providing an alternative to the traditional formulation of a regularization function. Furthermore, I introduce the concept of rank-one similarity prior under the idea that the structural correlations in a SI are preserved across the spectral bands. This concept determines an additional dimension apart from the traditional spatial and spectral dimensions to consider the low-rank prior. Finally, I present the deployment and development of four practical spectral imaging recovery algorithms, covering convex optimization and deep learning formulations that consider the low-rank prior in the spatial, spectral, and similarity dimensions and from the global and non-local points of view. Notably, I address SI denoising, single hyperspectral image super-resolution, spectral imaging fusion, compressive spectral imaging fusion, and compressive spectral imaging reconstruction, overcoming the comparative benchmark methods in quality objective metrics and visual quality.
dc.description.degreelevelDoctorado
dc.description.degreenameDoctor en Ingeniería
dc.description.googlescholarhttps://scholar.google.com.co/citations?user=sT2UvQcAAAAJ&hl=en
dc.description.orcidhttps://orcid.org/0000-0003-1111-0582
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/20.500.14071/10485
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.subjectAdquisición de imágenes espectrales
dc.subjectProblemas de recuperación de imágenes espectrales
dc.subjectInformación previa de bajo rango
dc.subjectTérminos regularizadores
dc.subject.keywordSpectral imaging
dc.subject.keywordSpectral image recovery problems
dc.subject.keywordLow-rank prior
dc.subject.keywordRegularization terms
dc.titleAlgoritmo de reconstrucción de imágenes a partir de proyecciones espectrales aleatorias usando regularizadores de bajo rango
dc.title.englishImage Recovery Algorithm from Random Spectral Projections via Low-Rank Regularizations
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
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Documento.pdf
Size:
91.21 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
174.69 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
150.94 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