Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión

La escasez, representada por un conjunto reducido de coeficientes en un diccionario dado, es clave en tareas de procesamiento de señales. La adquisición compresiva utiliza proyecciones aleatorias para aprovechar la escasez de las señales en sistemas con recursos limitados, como sensores, con una cos...

Full description

Autores:
Vargas García, Héctor
Tipo de recurso:
Doctoral thesis
Fecha de publicación:
2023
Institución:
Universidad Industrial de Santander
Repositorio:
Repositorio UIS
Idioma:
eng
OAI Identifier:
oai:noesis.uis.edu.co:20.500.14071/15524
Acceso en línea:
https://noesis.uis.edu.co/handle/20.500.14071/15524
https://noesis.uis.edu.co
Palabra clave:
Adquisición compresiva
Imágenes espectrales
Extracción y fusión de características
Optimización numérica
Clasificación
Compressive Hyperspectral Imaging
Feature Extraction and Fusion
Numerical Optimization and Land-Cover Classification
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
id UISANTADR2_5d2d6e272d4c095db292635537e01ec7
oai_identifier_str oai:noesis.uis.edu.co:20.500.14071/15524
network_acronym_str UISANTADR2
network_name_str Repositorio UIS
repository_id_str
dc.title.none.fl_str_mv Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
dc.title.english.none.fl_str_mv Design and Implementation of New Methods for Inference Tasks using Compressively Sensed Hyperspectral Images
title Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
spellingShingle Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
Adquisición compresiva
Imágenes espectrales
Extracción y fusión de características
Optimización numérica
Clasificación
Compressive Hyperspectral Imaging
Feature Extraction and Fusion
Numerical Optimization and Land-Cover Classification
title_short Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
title_full Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
title_fullStr Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
title_full_unstemmed Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
title_sort Diseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresión
dc.creator.fl_str_mv Vargas García, Héctor
dc.contributor.advisor.none.fl_str_mv Argüello Fuentes, Henry
dc.contributor.author.none.fl_str_mv Vargas García, Héctor
dc.contributor.evaluator.none.fl_str_mv Martínez Carrillo, Fabio
Bautista Rozo, Lola Xiomara
Gélvez Barrera, Tatiana Carolina
Esnaola, Iñaki
Rodríguez Valderrama, Paul Antonio
dc.subject.none.fl_str_mv Adquisición compresiva
Imágenes espectrales
Extracción y fusión de características
Optimización numérica
Clasificación
topic Adquisición compresiva
Imágenes espectrales
Extracción y fusión de características
Optimización numérica
Clasificación
Compressive Hyperspectral Imaging
Feature Extraction and Fusion
Numerical Optimization and Land-Cover Classification
dc.subject.keyword.none.fl_str_mv Compressive Hyperspectral Imaging
Feature Extraction and Fusion
Numerical Optimization and Land-Cover Classification
description La escasez, representada por un conjunto reducido de coeficientes en un diccionario dado, es clave en tareas de procesamiento de señales. La adquisición compresiva utiliza proyecciones aleatorias para aprovechar la escasez de las señales en sistemas con recursos limitados, como sensores, con una costosa reconstrucción. Una alternativa es transformar la reconstrucción costosa en un método de procesamiento de señales más económico, estimando un número reducido de características. Por otro lado, las proyecciones aleatorias computacionales se emplean para integrarse eficientemente con métodos de inferencia tradicionales. Se asume que ciertas proyecciones preservan el subespacio de datos, utilizándose en métodos basados en subespacios para reducir ruido y dimensión de la información. En esta tesis, se propone una metodología para adquirir imágenes hiperespectrales de manera compresiva. Se utiliza un sistema óptico multimodal con cámaras hiperespectral y RGB. La extracción de características se realiza sin reconstruir todo el cubo de datos, mediante una estrategia de optimización numérica. Este enfoque demuestra la posibilidad de obtener características discriminatorias sin reconstruir todos los datos en términos de precisión de clasificación.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-11-23T20:14:06Z
dc.date.available.none.fl_str_mv 2023-11-23T20:14:06Z
dc.date.created.none.fl_str_mv 2023-11-13
dc.date.issued.none.fl_str_mv 2023-11-13
dc.type.local.none.fl_str_mv Tesis/Trabajo de grado - Monografía - Doctorado
dc.type.hasversion.none.fl_str_mv http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_db06
format http://purl.org/coar/resource_type/c_db06
dc.identifier.uri.none.fl_str_mv https://noesis.uis.edu.co/handle/20.500.14071/15524
dc.identifier.instname.none.fl_str_mv Universidad Industrial de Santander
dc.identifier.reponame.none.fl_str_mv Universidad Industrial de Santander
dc.identifier.repourl.none.fl_str_mv https://noesis.uis.edu.co
url https://noesis.uis.edu.co/handle/20.500.14071/15524
https://noesis.uis.edu.co
identifier_str_mv Universidad Industrial de Santander
dc.language.iso.none.fl_str_mv eng
language eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.license.none.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri.none.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.none.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
eu_rights_str_mv openAccess
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Industrial de Santander
dc.publisher.faculty.none.fl_str_mv Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program.none.fl_str_mv Doctorado en Ingeniería: Área Ingeniería Electrónica
dc.publisher.school.none.fl_str_mv Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
publisher.none.fl_str_mv Universidad Industrial de Santander
institution Universidad Industrial de Santander
bitstream.url.fl_str_mv https://noesis.uis.edu.co/bitstreams/ba6948b1-fce7-4df0-a798-40be7975a5ec/download
https://noesis.uis.edu.co/bitstreams/2288037c-c9ca-4509-9af7-1702f0a934db/download
https://noesis.uis.edu.co/bitstreams/3e736d1a-24b2-4adb-83b9-8b094dc1bbb4/download
https://noesis.uis.edu.co/bitstreams/0b01e1fd-f588-4dec-ba4a-88a93e133249/download
bitstream.checksum.fl_str_mv d4de49a8ad9a7b1e2f080db4539a7f7b
b353e9fb7bbf69496bb1fbe28da62be1
4c50b1cc0d6510700e7adbdd3c47e9a0
d6298274a8378d319ac744759540b71b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv DSpace at UIS
repository.mail.fl_str_mv noesis@uis.edu.co
_version_ 1814095207808892928
spelling Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Argüello Fuentes, HenryVargas García, HéctorMartínez Carrillo, FabioBautista Rozo, Lola XiomaraGélvez Barrera, Tatiana CarolinaEsnaola, IñakiRodríguez Valderrama, Paul Antonio2023-11-23T20:14:06Z2023-11-23T20:14:06Z2023-11-132023-11-13https://noesis.uis.edu.co/handle/20.500.14071/15524Universidad Industrial de SantanderUniversidad Industrial de Santanderhttps://noesis.uis.edu.coLa escasez, representada por un conjunto reducido de coeficientes en un diccionario dado, es clave en tareas de procesamiento de señales. La adquisición compresiva utiliza proyecciones aleatorias para aprovechar la escasez de las señales en sistemas con recursos limitados, como sensores, con una costosa reconstrucción. Una alternativa es transformar la reconstrucción costosa en un método de procesamiento de señales más económico, estimando un número reducido de características. Por otro lado, las proyecciones aleatorias computacionales se emplean para integrarse eficientemente con métodos de inferencia tradicionales. Se asume que ciertas proyecciones preservan el subespacio de datos, utilizándose en métodos basados en subespacios para reducir ruido y dimensión de la información. En esta tesis, se propone una metodología para adquirir imágenes hiperespectrales de manera compresiva. Se utiliza un sistema óptico multimodal con cámaras hiperespectral y RGB. La extracción de características se realiza sin reconstruir todo el cubo de datos, mediante una estrategia de optimización numérica. Este enfoque demuestra la posibilidad de obtener características discriminatorias sin reconstruir todos los datos en términos de precisión de clasificación.DoctoradoDoctor en IngenieríaSparsity, the capacity to represent signals with minimal coefficients in a given dictionary ,proves beneficial for signal processing applications in communication and storage. Compressive sensing harnesses signal sparsity via random projections, particularly advantageous for resource-constrained sensor systems such as environmental sensors, surveillance systems, and scanners. While compressive sampling in hyperspectral imaging reduces data dimensionality, it necessitates costly signal reconstruction before traditional processing. To address this challenge, ongoing efforts in computational random projection focus on efficiently reducing data and integrating with classical methods. This tesis introduces a novel framework for acquiring hyperspectral images efficiently, employing a multimodal optical system comprising a compressive hyperspectral camera and a high-resolution RGB camera. The proposed compressive feature extraction method relies on preserving subspaces during acquisition. This innovative approach enables the extraction of spatial features directly from compressed measurements, eliminating the need for full data reconstruction. The study showcases the feasibility of obtaining discriminatory features without achieving complete recovery in terms of classification accuracy.https://orcid.org/0000-0001-7713-7708https://scholar.google.com/citations?user=T6tNkE4AAAAJ&hl=esapplication/pdfengUniversidad Industrial de SantanderFacultad de Ingeníerias FisicomecánicasDoctorado en Ingeniería: Área Ingeniería ElectrónicaEscuela de Ingenierías Eléctrica, Electrónica y TelecomunicacionesAdquisición compresivaImágenes espectralesExtracción y fusión de característicasOptimización numéricaClasificaciónCompressive Hyperspectral ImagingFeature Extraction and FusionNumerical Optimization and Land-Cover ClassificationDiseño e implementación de nuevos métodos para tareas de inferencia usando imágenes hiperespectrales sensadas por compresiónDesign and Implementation of New Methods for Inference Tasks using Compressively Sensed Hyperspectral ImagesTesis/Trabajo de grado - Monografía - Doctoradohttp://purl.org/coar/version/c_b1a7d7d4d402bccehttp://purl.org/coar/resource_type/c_db06ORIGINALDocumento.pdfDocumento.pdfapplication/pdf20672817https://noesis.uis.edu.co/bitstreams/ba6948b1-fce7-4df0-a798-40be7975a5ec/downloadd4de49a8ad9a7b1e2f080db4539a7f7bMD51Nota de proyecto.pdfNota de proyecto.pdfapplication/pdf616940https://noesis.uis.edu.co/bitstreams/2288037c-c9ca-4509-9af7-1702f0a934db/downloadb353e9fb7bbf69496bb1fbe28da62be1MD52Carta de autorización.pdfCarta de autorización.pdfapplication/pdf117423https://noesis.uis.edu.co/bitstreams/3e736d1a-24b2-4adb-83b9-8b094dc1bbb4/download4c50b1cc0d6510700e7adbdd3c47e9a0MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82237https://noesis.uis.edu.co/bitstreams/0b01e1fd-f588-4dec-ba4a-88a93e133249/downloadd6298274a8378d319ac744759540b71bMD5320.500.14071/15524oai:noesis.uis.edu.co:20.500.14071/155242023-11-23 15:14:10.422http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://noesis.uis.edu.coDSpace at UISnoesis@uis.edu.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

Publicaciones similares