Algoritmo de aprendizaje de diccionarios para transformación de imágenes multidimensionales en señales dispersas
DOI:
https://doi.org/10.17533/udea.redin.n83a10Palabras clave:
representación escasa, aprendizaje de diccionarios, transformadas para escasez, procesamiento de imágenes multidimensionalesResumen
Las señales multidimensionales contienen información de un objeto en más de una dimensión y, comúnmente, su procesamiento requiere métodos de mayor complejidad que las señales unidimensionales. En procesamiento de señales, la representación escasa de una señal es de gran importancia para fines de compresión. Convencionalmente, transformaciones analíticas como las transformadas de Fourier, Coseno o Wavelet, han sido utilizadas. Recientemente, se ha popularizado el uso de diccionarios entrenados, que se adaptan a una señal dada, en aplicaciones como clasificación de imágenes, eliminación de ruido, separación espectral, y reconstrucción de imágenes médicas. Este artículo presenta un algoritmo para entrenar bases de transformación para representación escasa de señales multidimensionales. El algoritmo propuesto alterna entre una codificación escasa que se resuelve por umbralización, y la actualización del diccionario que se resuelve mediante el método de gradiente conjugado. Además, el artículo incluye una comparación entre parches bidimensionales y tridimensionales en términos del nivel de escasez que ofrecen en diferentes tipos de señales multidimensionales como: imágenes hiperespectrales, imágenes de tomografía computarizada, e imágenes de resonancia magnética. Los resultados obtenidos son comparados contra transformaciones analíticas tradicionales y contra el método de entrenamiento de diccionarios más conocido en el estado del arte: K-SVD.
Descargas
Citas
J. Bushberg, J. Seibert, E. Leidholdt, and J. Boone, The essential physics of medical imaging, 3rd ed. Philadelphia, USA: Lippincott Williams & Wilkins, 2011.
Ó. Espitia, Y. Mejía, and H. Arguello, “Tomografía computarizada: proceso de adquisición, tecnología y estado actual,” Tecnura, vol. 20, no. 47, pp. 119–135, 2016.
G. A. Shaw and H. K. Burke, “Spectral Imaging for Remote Sensing,” Lincoln Laboratory Journal, vol. 14, no. 1, pp. 3–28, 2003.
A. Camacho, C. Vargas, F. Rojas, S. Castillo, and H. Arguello, “Aplicaciones y retos del sensado remoto hiperespectral en la geología colombiana,” Facultad de Ingeniería, vol. 24, no. 40, pp. 17–29, 2015.
G. R. Arce, D. J. Brady, L. Carin, H. Arguello, and D. S. Kittle, “Compressive Coded Aperture Spectral Imaging: An Introduction,” IEEE Signal Processing Magazine, vol. 31, no. 1, pp. 105–115, 2014.
E. J. Candes and T. Tao, “Decoding by linear programming,” I IEEE Transactions on Information Theory, vol. 51, no. 12, pp. 4203–4215, 2005.
E. Candès and M. Wakin, “An Introduction To Compressive Sampling,” IEEE Signal Processing Magazine, vol. 25, no. 2, pp. 21–30, 2008.
S. Qaisar, R. M. Bilal, W. Iqbal, M. Naureen, and S. Lee, “Compressive sensing: From theory to applications, a survey,” Journal of Communications and Networks, vol. 15, no. 5, pp. 443–456, 2013.
A. Bruckstein, D. Donoho, and M. Elad, “From Sparse Solutions of Systems of Equations to Sparse Modeling of Signals and Images,” SIAM Rev., vol. 51, no. 1, pp. 34–81, 2009.
M. Elad, M. A. T. Figueiredo, and Y. Ma, “On the Role of Sparse and Redundant Representations in Image Processing,” Proceedings of the IEEE, vol. 98, no. 6, pp. 972–982, 2010.
G. Kutyniok, “Theory and applications of compressed sensing,” GAMM-Mitteilungen, vol. 36, no. 1, pp. 79–101, 2013.
S. Mallat, A Wavelet Tour of Signal Processing, 1st ed. London, UK: Academic Press, 1999.
R. Rubinstein, A. M. Bruckstein, and M. Elad, “Dictionaries for Sparse Representation Modeling,” Proceedings of the IEEE, vol. 98, no. 6, pp. 1045–1057, 2010.
M. Elad, P. Milanfar, and R. Rubinstein, “Analysis versus synthesis in signal priors,” Inverse Problems, vol. 23, no. 3, p. 947–968, 2007.
D. L. Donoho, “Compressed sensing,” IEEE Transactions on Information Theory, vol. 52, no. 4, pp. 1289–1306, 2006.
R. Rubinstein, T. Faktor, and M. Elad, “K-SVD dictionary-learning for the analysis sparse model,” in IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Kyoto, Japan, 2012, pp. 5405–5408.
M. Aharon, M. Elad, and A. Bruckstein, “K-SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation,” IEEE Transactions on Signal Processing, vol. 54, no. 11, pp. 4311–4322, 2006.
M. Yaghoobi, T. Blumensath, and M. E. Davies, “Dictionary Learning for Sparse Approximations With the Majorization Method,” IEEE Transactions on Signal Processing, vol. 57, no. 6, pp. 2178–2191, 2009.
R. Rubinstein, T. Peleg, and M. Elad, “Analysis K-SVD: A Dictionary-Learning Algorithm for the Analysis Sparse Model,” IEEE Transactions on Signal Processing, vol. 61, no. 3, pp. 661–677, 2013.
M. Yaghoobi, S. Nam, R. Gribonval, and M. E. Davies, “Constrained Overcomplete Analysis Operator Learning for Cosparse Signal Modelling,” IEEE Transactions on Signal Processing, vol. 61, no. 9, pp. 2341–2355, 2013.
M. Yaghoobi, S. Nam, R. Gribonval, and M. E. Davies, “Noise aware analysis operator learning for approximately cosparse signals,” in IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Kyoto, Japan, 2012, pp. 5409–5412.
S. Ravishankar and Y. Bresler, “Learning Sparsifying Transforms,” IEEE Transactions on Signal Processing, vol. 61, no. 5, pp. 1072–1086, 2013.
J. Nocedal and S. Wright, Numerical Optimization, 2nd ed. New York, USA: Springer, 2006.
H. F. Rueda and H. Arguello, “Spatial super-resolution in coded aperture-based optical compressive hyperspectral imaging systems,” Revista Facultad de Ingeniería Universidad de Antioquia, no. 67, pp. 7–18, 2013.
M. J. Ackerman, The Visible Human Project, 1994. [Online]. Available: https://www.nlm.nih.gov/research/visible/getting_data.html. Accessed on: Apr. 26, 2016.
R. G. Lyons, Understanding Digital Signal Processing, 3rd ed. New Jersey, USA: Prentice Hall, 2011.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2017 Revista Facultad de Ingeniería Universidad de Antioquia
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