Muestreo compresivo de imágenes espectro polarizadas usando una arquitectura óptica de único píxel y una matriz de micropolarizadores móvil
DOI:
https://doi.org/10.17533/udea.redin.n88a10Palabras clave:
parametros de stokes, muestreo compresivo, imágenes espectropolarizadas, reconstrucción de imágenesResumen
La adquisición de imágenes espectro polarizadas es un método que obtiene información espacial, espectral y de polarización de una escena. Los métodos tradicionales de adquisición utilizan elementos dinámicos que capturan la totalidad de la información de la escena, escaneando las áreas de interés. Esto resulta en grandes cantidades de datos proporcionales a la resolución de imagen deseada. Por esta razón, en este trabajo se propone la compresión de imágenes espectro polarizadas usando una arquitectura óptica de único píxel, que usa un arreglo de micro-polarizadores alineados con una apertura codificada binaria. El arreglo de micro-polarizadores es movido horizontalmente en cada captura, permitiendo lograr diversos tipos de codificaciones de la escena. La arquitectura propuesta permite obtener varias proyecciones 2-D comprimidas con codificación espacial, espectral y de polarización, para luego reconstruir los Parámetros de Stokes a varias longitudes de onda. Esta arquitectura reduce el numero total de medidas necesarias para obtener la información espectral y de polarización de las imágenes comparadas con las arquitecturas tradicionales. Los experimentos validad la calidad de la arquitectura propuesta obteniendo 43.19 dB, 37.49 dB y 30.41 dB de la proporción máxima de señal a ruido para los tres primeros de Stokes respectivamente.
Descargas
Citas
J. B. Adams and A. R. Gillespie, Remote sensing of landscapes with spectral images: A physical modeling approach. Cambridge University Press, 2006.
Y. Zhao, C. Yi, S. G. Kong, Q. Pan, and Y. Cheng, Multi-band polarization imaging and applications. Springer, 2016.
C. Chen, Y.-q. Zhao, D. Liu, Q. Pan, and Y.-m. Cheng, “Polarization and spectral information jointly utilization in targets classification under different weather conditions,” in Photonics and Optoelectronic (SOPO), 2010 Symposium on. IEEE, 2010, pp. 1–4.
Y. Pu, W. Wang, G. Tang, F. Zeng, S. Achilefu, J. Vitenson, I. Sawczuk, S. Peters, J. Lombardo, and R. Alfano, “Spectral polarization imaging of human prostate cancer tissue using a near-infrared receptor-targeted contrast agent,” Technology in cancer research & treatment, vol. 4, no. 4, pp. 429–436, 2005.
S. M. Haugland, E. Bahar, and A. H. Carrieri, “Identification of contaminant coatings over rough surfaces using polarized infrared scattering,” Applied optics, vol. 31, no. 19, pp. 3847–3852, 1992.
Y. Zhao, L. Zhang, and Q. Pan, “Spectropolarimetric imaging for pathological analysis of skin,” Applied optics, vol. 48, no. 10, pp. D236–D246, 2009.
R. G. Sellar and G. D. Boreman, “Classification of imaging spectrometers for remote sensing applications,” Optical Engineering, vol. 44, no. 1, pp. 013 602–013 602, 2005.
K. P. Bishop, H. D. McIntire, M. P. Fetrow, and L. J. McMackin, “Multispectral polarimeter imaging in the visible to near ir,” in AeroSense’99. International Society for Optics and Photonics, 1999, pp. 49–57.
C. Fu, H. Arguello, B. M. Sadler, and G. R. Arce, “Compressive spectral polarization imaging by a pixelized polarizer and colored patterned detector,” JOSA A, vol. 32, no. 11, pp. 2178–2188, 2015.
F. Soldevila, E. Irles, V. Durán, P. Clemente, M. Fernández-Alonso, E. Tajahuerce, and J. Lancis, “Single-pixel polarimetric imaging spectrometer by compressive sensing,” Applied Physics B, vol. 113, no. 4, pp. 551–558, 2013.
J. Bacca, A. Guerrero, D. Molina, A. Camacho, and H. Arguello, “Compressive spectral polarization imaging using a single pixel detector,” in Computational Optical Sensing and Imaging. Optical Society of America, 2018, pp. CTu5D–2.
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.
H. Arguello, H. Rueda, Y. Wu, D. W. Prather, and G. R. Arce, “Higher-order computational model for coded aperture spectral imaging,” Appl. Opt., vol. 52, no. 10, pp. D12–D21, Apr 2013. [Online]. Available: http://ao.osa.org/abstract.cfm?URI=ao-52-10-D12
J. Bacca, H. Vargas, and H. Arguello, “A constrained formulation for compressive spectral image reconstruction using linear mixture models,” in Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP), 2017 IEEE 7th International Workshop on. IEEE, 2017, pp. 1–5.
H. G. Berry, G. Gabrielse, and A. Livingston, “Measurement of the stokes parameters of light,” Applied optics, vol. 16, no. 12, pp. 3200–3205, 1977.
J. R. Valenzuela, “Polarimetric image reconstruction algorithms,” Ph.D. dissertation, Michigan Tech, 2010.
F. A. Sadjadi and C. S. Chun, “Remote sensing using passive infrared stokes parameters,” Optical Engineering, vol. 43, no. 10, pp. 2283–2292, 2004.
M. F. Duarte and Y. C. Eldar, “Structured compressed sensing: From theory to applications,” IEEE Transactions on Signal Processing, vol. 59, no. 9, pp. 4053–4085, 2011.
M. A. Figueiredo, R. D. Nowak, and S. J. Wright, “Gradient projection for sparse reconstruction: Application to compressed sensing and other inverse problems,” IEEE Journal of selected topics in signal processing, vol. 1, no. 4, pp. 586–597, 2007.
C. V. Correa, H. Arguello, and G. R. Arce, “Spatiotemporal blue noise coded aperture design for multi-shot compressive spectral imaging,” JOSA A, vol. 33, no. 12, pp. 2312–2322, 2016.
J. A. M. Salazar, J. Bacca, and H. Arguello, “Compressive sensing matrix design using principal components analysis,” in Computational Optical Sensing and Imaging. Optical Society of America, 2017, pp. CTh1B–4.
N. E. Diaz, J. Bacca, and H. Arguello, “Gradient thresholding algorithm for adaptive colored coded aperture design in compressive spectral imaging,” in Computational Optical Sensing and Imaging. Optical Society of America, 2017, pp. JTu5A–4.
H. Arguello and G. R. Arce, “Colored coded aperture design by concentration of measure in compressive spectral imaging,” IEEE Transactions on Image Processing, vol. 23, no. 4, pp. 1896–1908, 2014.
H. Garcia, C. V. Correa, O. Villarreal, S. Pinilla, and H. Arguello, “Multi-resolution reconstruction algorithm for compressive single pixel spectral imaging,” in Signal Processing Conference (EUSIPCO), 2017 25th European. IEEE, 2017, pp. 468–472.
G. Warnell, S. Bhattacharya, R. Chellappa, and T. Başar, “Adaptive-rate compressive sensing using side information,” IEEE Transactions on Image Processing, vol. 24, no. 11, pp. 3846–3857, Nov 2015.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 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