Contexto: Los sistemas de muestreo compresivo de imágenes espectrales (CSI, por su sigla en inglés) cuentan con una matriz de plano focal (FPA) para medir proyecciones codificadas bidimensionales (2D) de una escena espacio-espectral de tres dimensiones. Un algoritmo de reconstrucción basado en la teoría de muestreo compresivo aprovecha las proyecciones para recuperar la escena 3D. La teoría de muestreo compresivo se basa en dos principios: dispersión e incoherencia. Un alto grado  de incoherencia conduce a mayor calidad en las reconstrucciones. En los sistemas CSI, un diseño aleatorio de las aperturas codificadas asegura una alta incoherencia entre la matriz de muestreo y la base de representación dispersa. Sin embargo, si un código de apertura se diseña completamente aleatorio es probable que algunos voxeles no sean muestreados en absoluto, o, por el contrario, que la información sea muestreada redundantemente.Método: Este artículo presenta un algoritmo aleatorio para el diseño de las aperturas codificadas de color por medio de la homogeneización de los parámetros de la matriz representativa del sistema de muestreo de imágenes espectrales basado en aperturas codificadas de color (C-CASSI, por su sigla en inglés). Los parámetros de homogeneización garantizan que todos los voxeles sean muestreados al menos una vez. La homogeneización se logra mediante la ponderación de algunos parámetros de la matriz representativa, en este caso, el promedio de elementos de paso por columnas y por filas.Resultados/Conclusiones: Las simulaciones muestran que usando el método propuesto se obtiene una mejora en la calidad en términos de PSNR con las imágenes reconstruidas en comparación con las aperturas aleatorias tradicionales. 

La clasificación espectral permite etiquetar materiales basándose en información espectral. Las cámaras de un solo píxel (SPC) se utilizan como una solución de bajo costo para adquirir imágenes espectrales, proporcionando información espectral de alta resolución y espacial de baja resolución. Además, las cámaras ópticas difractivas (DOC) basadas en máscaras de fase multinivel (MPM) pueden adquirir características espectrales para realizar tareas de clasificación. Los enfoques tradicionales de clasificación espectral no han incorporado SPC y DOC en una única arquitectura óptica. Este trabajo propone un sistema óptico dual basado en SPC y DOC para la clasificación espectral. Específicamente, el mapa de altura en MPM y los parámetros de la red neuronal profunda se aprenden conjuntamente a partir de la optimización de un extremo a otro (E2E). El método propuesto contiene una capa óptica que describe el sistema dual, una capa de fusión que estima la imagen espectral y una red de clasificación que etiqueta los materiales en conjuntos de datos espectrales. Los resultados de la simulación muestran una mejora de hasta un 3% en las métricas de clasificación en comparación con otras arquitecturas ópticas.

En este trabajo se desarrolla un sistema algorítmico con el fin de comprobar si el papel del color puede ser un atributo importante en los sistemas de reconocimiento facial en dos dimensiones (2-D), con orientación frontal y pequeñas variaciones en los gestos de los individuos. La primera fase consiste en la detección y localización del rostro humano para la cual se emplea el algoritmo de aprendizaje AdaBoost y una combinación de clasificadores en cascada, con el fin de aumentar las tasas de detección. En una segunda fase se aplica el enfoque de eigenfaces y se implementa un sistema clasificador para reconocer e identificar el sujeto de entrada a un individuo específico, utilizando la distancia euclidiana y de mahalanobis. Se ilustran los resultados obtenidos del sistema propuesto tanto para imágenes en color como en grises, contrastando que la información del color en el plano HSV puede mejorar las tasas de reconocimiento cuando se compara con el plano RGB.

Objetivo: Sistemas de adquisición de imagen hiperespectral (HS) son comúnmente usados en un rango diverso de aplicaciones que involucran tareas de detección y clasificación. Sin embargo, la baja resolución de imágenes hiperespectrales podría limitar el rendimiento de las tareas implicadas en dichas aplicaciones. En los últimos años, fusionar la información de una imagen HS con imágenes multiespectrales (MS) o pancromáticas (PAN) de alta resolución espacial ha sido ampliamente usado para mejorar la resolución espacial. La fusión de imágenes ha sido formulada como un problema inverso cuya solución es una imagen HS, la cual se asume escasa en un diccionario analítico o aprendido. Este trabajo propone un modelo de representación escasa centralizado no local sobre un conjunto de diccionarios aprendidos para regularizar el problema de fusión convencional.Metodología: Los diccionarios son aprendidos a partir los mapas de abundancia estimados para explotar la correlación entre mapas de abundancia y la auto-similitud no local sobre el dominio espacial. Luego, condicionalmente sobre los diccionarios aprendidos, el problema de fusión es solucionado por un algoritmo numérico iterativo y alternante.Resultados: Los resultados experimentales usando datos reales muestra que el método propuesto supera los métodos del estado del arte bajo diferentes métricas cuantitativas. Conclusiones: En este trabajo nosotros proponemos un método de fusion de imágenes espectrales y multiespectrales basado en un representación no-local centralizada escasa en mapas de abundancias. Este modelo permite incluir la redundancia no local en el problema de fusion usando desmezclado espectral y mejorar los resultados de los métodos de fusión basados en modelo de escaces.

Los mapas de interferencia son usados para gestionar la información sobre ocupación espectral en un área geográfica. En un futuro escenario, estos mapas se pueden construir con base en muestras de potencia tomadas por los dispositivos inalámbricos presentes en una red de telecomunicaciones como celulares o teléfonos inteligentes. Sin embargo con el crecimiento del número de estos dispositivos, la construcción de esos mapas de interferencia demandará una gran cantidad de datos. En este artículo se propone un nuevo modelo de muestreo y compresión de mapas de interferencia, basado en sensado compresivo mediante el uso de unas máscaras binarias para realizar un sub muestreo y el diseño de un método de compresión adicional con base en estas máscaras. Los resultados muestran un aumento en la razón de compresión de un 30% permitiendo optimizar el almacenamiento y transmisión de la información del espectro de radio.