Restauración y reconstrucción bayesianas de imágenes usando descomposiciones multibanda

Resumen

En esta tesis doctoral se abordan dos problemas de gran relevancia dentro del área del Procesamiento de Imágenes Digitales: la restauración de imágenes y la reconstrucción de imágenes de alta resolución a partir de varias imágenes de baja resolución. Ambos problemas se han formulado bajo una perspectiva multicanal y siguiendo el paradigma jerárquico bayesiano para abordar su solución. Este enfoque multicanal se basa en la herramienta de la descomposición subbanda de imágenes, mediante la que se pueden definir modelos multicanal a partir de otros monocanal y formular convenientemente problemas multicanal. Las propiedades de las matrices empleadas para realizar esta descomposición multicanal nos permiten, además, realizar implementaciones eficientes de los algoritmos desarrollados mediante operaciones rápidas en el dominio de las frecuencias. En el problema de la restaruación de imágenes, se estudian los enfoques surgeridos anteriormente en los que se propone el uso de modelos de imagen basados en distribuciones guassianas generalizadas y se aporta un algoritmo de restauración multicanal con estimulación simultánea de los parámetros. Dentro de este mismo problema, otra de las aportaciones es la definición de un nuevo modelo de imagen multicanal basado en la descomposición de modelos autorrregresivos, desarrollando algoritmos de restauración en los que se realiza la estimación simultánea de los parámetros y la imagen basándonos en el paradigma jerárquico bayesiano. Se aborda también el problema de la reconstrucción de imágenes de alta resolución a partir de observaciones de baja resolución con multisensores. Se analiza la estimación de los parámetros desconocidos, para lo que se deriva un algoritmo iterativo para calcular su estimación por máxima verosimilitud de forma simultánea a la reconstrucción de la imagen de alta resolución. Se observa que se pueden emplear las mismas herramientas que e