Estrategias de reconstrucción de imágenes esparzas utilizando sensado compresivo: optimización vs redes neuronales

La teoría de sensado compresivo (CS) permite recuperar señales a una tasa de muestreo inferior a la requerida por el teorema de Nyquist. 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 presenta una descripción metodológica del 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, comparando 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 compararon cinco algoritmos convencionales: OMP, CoSaMP, IRLS, Lasso y BS, así como cinco algoritmos basados en redes neuronales: DR2, HSCNN-R, AMP-Net, Recon-Net e IstaxRecon. Los resultados mostraron que para algoritmos convencionales LASSO mostró el mejor rendimiento por tiempo de ejecución y en el caso de los algoritmos basados en redes neuronales los modelos HSCNN-R e IstaxRecon mostraron buen rendimiento en diferentes tasas de muestreo.