Search

Contexto: Las imágenes espectrales (SI) contienen información espacio-espectral acerca de una escena disponible en un cubo de datos que usualmente comprende una cantidad significativa de éstos. Los sistemas tradicionales de (SI) adquieren datos redundantes ignorando la alta correlación entre las mediciones y las muestras redundantes. Los sistemas de compresión de imágenes espectrales comprimen los datos espectrales en la etapa de adquisición, lo que permite reducir la cantidad de datos y la redundancia. Actualmente, existen varios sistemas de imágenes espectrales disponibles que proporcionan nuevas funciones para los usuarios y abren un amplio campo de nuevas aplicaciones. Por ejemplo, los sistemas de CASSI, SCSI, SSCS, y HYCA son cuatro de los más destacados.Método: La revisión de algunos trabajos provee amplios estudios de tecnologías disponibles y muestra cómo se pueden utilizar las nuevas capacidades de los enfoques de formación de imágenes espectrales. Sin embargo, para la selección de una arquitectura específica se requiere una comparación cuantitativa y cualitativa de estos sistemas en los mismos escenarios.Resultados: En este trabajo se analiza el rendimiento cualitativo y cuantitativo de estos cuatro sistemas de compresión de imágenes espectrales para evaluarlos en los mismos escenarios. Para ello, cada arquitectura se modela como un sistema de ecuaciones lineales y el proceso de reconstrucción de las imágenes se logra con el mismo enfoque de optimización transmitancia, código de apertura y número de proyecciones.Conclusión: Se muestra que el sistema SSCSI alcanza el mejor rendimiento en la reconstrucción con el valor más alto PSNR.

Some recent developments in factor analysis of multi-sets are introduced in this short course. The more usual factor analyses are based on the singular values de-composition. So, the analyses of two matrices here are introduced from a qualitative criterion, for a non redundancy of partial relations between "common factors". A proposal for extending the simple linear regression, here considered between the two sets of the individuals which define the two sets of variables, lead to specific measures for each matrix. Some juxtapositions of graphics then are justified. The whole previous approach is extended for analyzing the dependency of K matrices with one matrix. The ACOM of Chessel and Hanafi (1996) then is considered as a PCA of sets of variables. Este curso introduce algunos resultados recientes que se han aportado en análisis facotrial en el contexto de "multi-sets" (incluyendo cubos de datos). Los análisis facoriales más clásicos se basan en la noción de descomposición en valores singulares. Por ello, los análisis de 2 tablas se introducen aquí a partir de un criterio cualitativo, el de no redundancia de las relaciones parciales entre "factores comunes". Una proposición de extensión de la noción de regresión lineal simple, considerada aquí entre los dos conjuntos de individuos que definen los dos conjuntos de variables, conduce a medidas específicas para cada una de las tablas. Entonces, ciertas yuxtaposiciones de gráficos pueden ser justificadas. El conjunto del procedimiento es prolongado para analizar la dependencia de K tablas con una (K+1)-ésima. El ACOM de Chessel y Hanafi (1996) es interpretado en este contexto como un ACP de conjuntos de variables.