Sensado comprimido de imágenes por bloques sobrepuestos usando dispositvos móviles

Autores/as

  • Henry Aguello Fuentes Universidad Industrial de Santander
  • Irene Manotas Gutiérrez Universidad Industrial de Santander

DOI:

https://doi.org/10.17533/udea.redin.15284

Palabras clave:

compressive sensing, algoritmos de reconstrucción, dispositivos móviles

Resumen

Compressive  Sensing  (CS)  es  una  nueva  técnica  que  simultáneamente  comprime  y  muestrea  una  imagen  tomando  un  conjunto  de  proyecciones  aleatorias  de  una  escena.  Un  algoritmo  de  optimización  es  empleado  para  reconstruir  la  imagen  utilizando  las  proyecciones  aleatorias.  Diferentes  algoritmos   de   optimización   se   han   diseñado   para   obtener   de   manera   eficiente una correcta reconstrucción de la señal original. En la práctica estos algoritmos se han restringido a implementaciones de CS en arquitecturas de alto rendimiento computacional, como computadores de escritorio o unidades de procesamiento gráfico, debido a el gran número de operaciones requeridas por el proceso de reconstrucción. Este trabajo extiende la aplicación de  CS para  ser  implementado  en  una  arquitectura  con  memoria  y  capacidad  de  procesamiento  limitados  como  un  dispositivo  móvil.  Específicamente,  se describe un algoritmo basado en bloques sobrepuestos que permite reconstruir la  imagen  en  un  dispositivo  móvil  y  se  presenta  un  análisis  del  consumo  de  energía  de  los  algoritmos  utilizados.  Los  resultados  muestran  el  tiempo  computacional  y  la  calidad  de  reconstrucción  para  imágenes  de  128x128  y  256x256 píxeles.

|Resumen
= 107 veces | PDF
= 55 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Henry Aguello Fuentes, Universidad Industrial de Santander

Profesor Asociado. Escuela de Ingeniería de Sistemas e Informática, Departamento de Sistemas e Informática.

Irene Manotas Gutiérrez, Universidad Industrial de Santander

Departamento de Ingeniería de Sistemas e Informática.

Citas

D. Donoho. “Compressed sensing”. IEEE Trans. On Information Theory. Vol. 52. 2006. pp. 1289- 1306. DOI: https://doi.org/10.1109/TIT.2006.871582

T. Blumensath, M. Davies. “Gradient Pursuits”. IEEE Transactions on Signal Processing. Vol. 56. 2008. pp. 2370-2382. DOI: https://doi.org/10.1109/TSP.2007.916124

E. Candes, T. Tao. “Near optimal signal recovery from random projections: Universal encoding strategies?”. IEEE Trans. On Information Theory. Vol. 52. 2006. pp. 5406-5425. DOI: https://doi.org/10.1109/TIT.2006.885507

R. Calderban, S. Howard, S. Jafarpour. “Construction of a Large Class of Deterministic Sensing Matrices That Satisfy a Statistical Isometry Property”. IEEE Journal on Selected Topics in Signal Processing. Vol. 4. 2010. pp. 358-374. DOI: https://doi.org/10.1109/JSTSP.2010.2043161

L. Gan, T. Do, T. Tran. Fast compressive imaging using scrambled block Hadamard ensemble. Proceedings European Signal Processing Conference (EUSIPCO). Lausane, Switzerland. 2008. pp. 245.

T. Cai, G. Xu, J. Zhang, S. Member. “On Recovery of Sparse Signals Via l1 Minimization”. IEEE Transactions on Information Theory. Vol. 55. 2009. pp. 3388-3397. DOI: https://doi.org/10.1109/TIT.2009.2021377

S. Wright, R. Nowak, M. Figueiredo. “Sparse Reconstruction by Separable Approximation”. IEEE Transactions on Signal Processing. Vol. 57. 2008. pp. 2479-2493. DOI: https://doi.org/10.1109/TSP.2009.2016892

T. Blumensath, M. Davies. “Iterative hard thresholding for compressed sensing”. Applied and Computatational Harmonical Analysis. Vol. 27. 2009. pp. 265-274. DOI: https://doi.org/10.1016/j.acha.2009.04.002

J. Tropp. “Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit”. IEEE Transactions on Information Theory. Vol. 53. 2007. pp. 4655-4666. DOI: https://doi.org/10.1109/TIT.2007.909108

M. Davenport, D. Takhar, J. Laska, T. Sun, K. Kelly, R. Baraniuk. “Single-pixel imaging via compressive sampling”. IEEE Signal Processing Magazine. Vol. 25. 2008. pp. 83-91. DOI: https://doi.org/10.1109/MSP.2007.914730

H. Arguello, G. Arce. “Code aperture optimization for spectrally agile compressive imaging”. Journal of the Optical Society of America (JOSA). Vol. 28. 2011. pp. 2400-2413. DOI: https://doi.org/10.1364/JOSAA.28.002400

H. Arguello, C. Correa, G. Arce. “Fast lapped reconstructions in compressive spectral imaging”. Journal Applied Optics. Vol. 52. 2013. pp. D32-D45. DOI: https://doi.org/10.1364/AO.52.000D32

M Balouchestani, K. Raahemifar, S. Krishnan. “Robust Wireless Sensor Networks with Compressing Sensing theory”. Springer Communication in Comp. and. Inf. Science. Vol. 293. 2012. pp. 608-619. DOI: https://doi.org/10.1007/978-3-642-30507-8_50

E. Correia, O. Postolache, P. Silva. “Implementation of compressed sensing in telecardiology sensor networks”. International journal of telemedicine and applications. Vol. 2010. pp. 1-12. DOI: https://doi.org/10.1155/2010/127639

K. Kanoun, H. Mamaghanian, A. David. A realtime compressed sensing based personal electrocardiogram monitoring system. Design, Automation & Test in Europe Conference (DATE). Grenoble, France. 2011. pp. 1-6. DOI: https://doi.org/10.1109/DATE.2011.5763140

R. Willett, R. Marcia, J. Nichols. “Compressed sensing for practical optical imaging systems: a tutorial”. SPIE Optical Engineering. Vol. 50. 2011. pp. 586. DOI: https://doi.org/10.1364/FIO.2011.FMM1

T. Blumensath. “Accelerated iterative hard thresholding”. IEEE Signal Processing Letters. Vol. 92. 2011. pp. 1-10. DOI: https://doi.org/10.1016/j.sigpro.2011.09.017

H. Arguello, G. Arce. Restricted Isometry Property in Coded Aperture Compressive Spectral Imaging. IEEE Statistical Signal Processing Workshop. Ann Arbor, USA. 2012. pp. 716-719. DOI: https://doi.org/10.1109/SSP.2012.6319803

I. Gutierrez, H. Arguello, K. Winbladh. Implementation of Imaging Compressive Sensing Algorithms on Mobile Handset Devices. International Conference on Broadband and Wireless Computing, Communications and Applications. Victoria, Canada. 2012. pp. 252- 259. DOI: https://doi.org/10.1109/BWCCA.2012.48

P. Sermwuthisarn, S. Auethavekiat and V. Patanavijit. A Fast Image Recovery Using Compressive Sensing Technique with Block Based Orthogonal Matching Pursuit. International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS). Tokyu, Kanazawa, Japan. 2009. pp. 212-215. DOI: https://doi.org/10.1109/ISPACS.2009.5383863

L. Gan. Block Compressed Sensing of Natural Images. International Conference in Digital Signal Processing. Cardiff, UK. 2007. pp. 403-406. DOI: https://doi.org/10.1109/ICDSP.2007.4288604

Descargas

Publicado

2014-02-12

Cómo citar

Aguello Fuentes, H., & Manotas Gutiérrez, I. . (2014). Sensado comprimido de imágenes por bloques sobrepuestos usando dispositvos móviles. Revista Facultad De Ingeniería Universidad De Antioquia, (70), 173–184. https://doi.org/10.17533/udea.redin.15284

Artículos similares

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 > >> 

También puede {advancedSearchLink} para este artículo.