Sensado comprimido de imágenes por bloques sobrepuestos usando dispositvos móviles
DOI:
https://doi.org/10.17533/udea.redin.15284Palabras clave:
compressive sensing, algoritmos de reconstrucción, dispositivos móvilesResumen
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.
Descargas
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
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter