Implementación de estrategias de reconstrucción de imágenes esparsas mediante sensado compresivo: algoritmos de optimización y redes neuronales

Resumen

La teoría de sensado compresivo (CS) permite recuperar señales a una tasa de muestreo inferior a la requerida por el teorema de Nyquist-Shannon. Gracias a esta teoría se conciben los sistemas de imagenología de un solo píxel (SPI), los cuales permiten la adquisición de imágenes 2D con sensores unidimensionales utilizando un conjunto de muestras de luz a través de aperturas codificadas y el algoritmo de optimización CS apropiado. Este trabajo describe el procedimiento a seguir para la reconstrucción de imágenes de un sistema CS-SPI, utilizando algoritmos de optimización convencionales y también algoritmos basados en redes neuronales, mostrando sus desempeños para diferentes matrices de muestreo, usando el lenguaje de programación Python y la imagen de prueba, cameraman, la cual se ajustó a las entradas requeridas por cada algoritmo. Se presentan cinco algoritmos convencionales: OMP, CoSaMP, IRLS, Lasso y BP, así como cinco algoritmos basados en redes neuronales: DR2, HSCNN-R, AMP-Net, Recon-Net e IstaxRecon. Se muestra el desempeño de estos algoritmos con el fin de orientar la selección del método según las necesidades de cada aplicación en CS-SPI y las cualidades que caracterizan a cada algoritmo. Los resultados mostraron que para algoritmos convencionales LASSO presentó un buen rendimiento por tiempo de ejecución y en el caso de los algoritmos basados en redes neuronales los modelos HSCNN-R e IstaxRecon mostraron alto desempeño en diferentes tasas de muestreo.