ANTECEDENTES Y LA FINALIDAD DEL PROYECTO

El proyecto que pretendemos realizar parte de los resultados obtenidos en los proyectos: PB93-1110: Procesos Cooperativos en el Modelo Bayesiano de Interpretación de Imágenes. Aplicaciones en Astronomía (1994-1997), TIC 97-0989: Investigación y Desarrollo de Software para la Restauración y Compresión Bayesiana de Imágenes. Aplicaciones en Medicina Nuclear y Astronomía (1997-2000),  de los resultados de la red de excelencia de la European Science Foundation (ESF): Converging Computing Methodologies in Astronomy, (1995-1997), la Acción COST 283: Computational and Information Infraestructure in the Astronomical Datagrid, la red táctica de grupos del Instituto Carlos III: Imagen médica molecular y multimodalidad (IM3). Análisis y Tratamiento de Imagen médica (2003-2006),   y, en especial, de los resultados obtenidos en los proyectos TIC 2000-1275: Obtención de imágenes y vídeo de alta resolución a partir de secuencias de vídeo comprimidas de baja resolución (2000-2003), TIC2003-00880: Superresolucion a partir de secuencias de imagenes de baja calidad espacio-temporal y la acción integrada Hispano-Griega HG2004-0014: Reconstrucción de imágenes y vídeo de alta resolución (2005-06).

En todos estos proyectos hemos trabajado utilizando técnicas bayesianas [Geman84] en problemas de visión artificial en: restauración [Molina94, Molina99a, Molina01, Molina06a], reconstrucción de imágenes [López02, López04], eliminación de artificios en imágenes y vídeo comprimido [Mateos00a] y super-resolución.  En particular, en super-resolución y dentro del proyecto TIC 2000-1275: Obtención de imágenes y vídeo de alta resolución a partir de secuencias de vídeo comprimidas de baja resolución hemos desarrollado (ver, por ejemplo, [Mateos00a, Mateos00b, Molina03c, Segall03] y http://decsai.ugr.es/~jmd/proyecto) métodos bayesianos innovadores para el incremento de resolución espacial a partir de vídeo comprimido. Hemos obtenido excelentes resultados bajo las hipótesis de un nivel de compresión moderado, con alto nivel de muestreo temporal y fácil compensación de movimiento entre las imágenes de la secuencia.  En el proyecto TIC2003-00880: Super-resolución a partir de secuencias de imágenes de baja calidad espacio-temporal se ha extendido el uso de la super-resolución (ver, entre otras, [Abad03a, Alvarez04, Cortijo03, Mateos03a, Mateos03b, Molina03a, Molina03b, Molina06a, Segall04, Villena04] y http://decsai.ugr.es/~jmd/proyecto) a secuencias de vídeo en color captadas mediante cámaras con filtros tipo Bayer, con una pobre resolución espacial y contraste y una elevada separación temporal de la imágenes [Vega06].

A partir de la experiencia adquirida en estos proyectos existen dos líneas de trabajo con una alta potencialidad desde el punto de vista de Investigación, desarrollo e innovación (I+D+i). Por un lado, el estudio de posibles nuevos estándares de compresión de video (o adaptación de los actuales para que puedan explotar modelos de super-resolución de imágenes) y la utilización de técnicas super-resolución en problemas de video distribuido y, por otro, la aplicación de las técnicas de super-resolución a imágenes multiespectrales de teledetección. Si bien ambas líneas son perfectamente abordables, la aplicación de las técnicas de super-resolución a imágenes multiespectrales presenta mejores características y posibilidades de éxito a corto plazo y el equipo de trabajo tiene mayor experiencia con este problema, habiendo ya realizado varios trabajos sobre el tema: en agosto de 2005, fuimos invitados a impartir una conferencia en el First International Conferenece on Super Resolution Imaging, donde presentamos experimentalmente la posibilidad de aplicación de técnicas de super-resolución y pansharpening a imágenes multiespectrales [Vega05]. En octubre de ese mismo año, presentamos la aplicación de dichos métodos a imágenes de Landsat ETM+ [Molina05b], y una mejora del mismo fue presentado por invitación en una sesión especial de EUSPICO [Molina06b]. También presentamos un trabajo sobre la estimación de los parametros asociados este problema [Molina06c] y hemos escrito, en colaboración con el profesor Aggelos K. Katsaggelos, el libro «Super resolution of images and video» donde también se trata el problema de la super-resolución de imágenes multiespectrales. En la actualidad estamos trabajando en la apliación de técnicas variacionales a este problema [Molina07a,Molina07c].

La aplicación de técnicas de super-resolución a imágenes multiespectrales es de gran interés para aplicaciones en agricultura y medio ambiente puesto que se necesita información fiable sobre el uso y cubierta del suelo. Un tema de investigación prioritario en Europa es la realización de mapas y la monitorización del uso y la cubierta del suelo. El medio ambiente europeo está en un continuo cambio debido a una combinación de procesos socio-económicos y climáticos. Para protegerlo y asegurar un uso sostenible de los recursos naturales, se han establecido una amplia variedad de mecanismos legales nacionales e internacionales como el Tratado de Ámsterdam en 1.997, las Directivas sobre Habitats de la UE, la Política Agraria Común y el Protocolo de Kyoto.

La teledetección es la herramienta apropiada para monitorizar grandes áreas, como Europa. Anteriormente se usó la inspección visual de copias impresas de Landsat-TM y SPOT-XS en el proyecto de cobertura de la tierra CORINE, produciendo una leyenda ecológica [EC95] o la clasificación (automática) de estas imágenes en mapas de cobertura del suelo agrícola nacional [Fuller02]. Para realizar esta monitorización y la creación de mapas de cobertura del suelo es imprescindible contar con imágenes con la mayor resolución posible. En 1999 se lanzó el satélite Landsat con el sensor ETM+ que proporciona una imagen multiespectral con siete bandas espectrales a 30 m. por píxel y una banda pancromática (que se solapa con cuatro de las siete bandas espectrales) a 15 m. por píxel.

Si bien la resolución de la imagen pancromática es satisfactoria, la resolución espacial de la imagen multiespectral se puede mejorar mediante un proceso de fusión con la imagen pancromática (una técnica denominada pansharpening) para obtener una imagen multiespectral con la resolución de la imagen pancromática y las características espectrales de la imagen multiespectral. En la terminología super-resolución, la imagen pancromática juega el papel de imagen observada de alta resolución, mientras que las imágenes multiespectrales son las observaciones de baja resolución.
Otras aproximaciones, como las usadas el proyecto PELCOM, se basan en el uso de datos de resolución espacial menor proporcionadas, por ejemplo, por el sensor NOAA-AVHRR [Mücher00]. Aunque los datos recabados por el proyecto PELCOM han sido usados en varios estudios medioambientales y del clima, la escala de las imágenes AVHRR (1km por píxel) ha limitado el uso de la base de datos para propósitos de monitorización debido a la fina escala en que se producen la mayoría de los cambios en la cobertura del suelo en Europa. Varios estudios mostraron que las imágenes de satélite de media resolución, como los de MERIS, pueden ser muy importantes para cubrir el vacío existente entre los datos de satélite de baja resolución (del orden de 1 km. por píxel) y los de alta resolución (30 m. o mejores) [De Boer00, Addink01]. MERIS tiene una alta resolución espectral (15 bandas espectrales), una resolución espacial moderada de 300 m. y una alta resolución temporal (2-3 días entre visitas) y cubre un gran área en una órbita (una franja de 1150 km. de ancho).

Para usar la información de MERIS en problemas de monitorización de uso y cobertura del suelo, la información de un píxel de MERIS debe descomponerse al nivel de la información obtenida a partir de un píxel de alta resolución o, al menos, al nivel de escala de los objetos y fenómenos que se quieren estudiar. Para obtener información sobre, por ejemplo, la cobertura real del suelo con un sensor de media resolución, se debe obtener información sub-píxel, es decir, se debe aumentar la resolución de la imagen hasta la escala de las imágenes captadas por sensores de alta resolución. Puesto que varios satélites observan la misma zona, la información de MERIS podría fusionarse con la información de otros sensores de alta resolución como Landsat-ETM+ para obtener imágenes a la alta resolución necesaria.

Recientemente, las técnicas de super-resolución se están empezando a aplicar al incremento de la resolución de imágenes multiespectrales (ver [Molina05b] para una breve revisión histórica). Nuestra hipótesis de trabajo es que, a través de la experiencia adquirida en proyectos pasados sobre super-resolución de imágenes y vídeo, se pueden obtener técnicas de análisis integrado (espacial, espectral y temporal) para teledetección basadas en super-resolución, que sean mucho más potentes y con una mayor justificación tanto física como matemática que las técnicas actualmente en uso.

En este proyecto pretendemos abordar la investigación y el desarrollo de métodos y técnicas bayesianas que permitan desarrollar un prototipo software para mejorar la resolución de imágenes multiespectrales, con especial énfasis en imágenes Landsat-ETM+ y MERIS, con idea de servir de ayuda a la monitorización y creación de mapas del uso y la cobertura del suelo y otras aplicaciones medioambientales.

ESTADO ACTUAL DE LOS CONOCIMIENTOS CIENTÍFICO-TÉCNICOS

Como hemos indicado con anterioridad, para usar la información de Landsat ETM+ y, especialmente, de MERIS, la información de un píxel debe descomponerse al nivel de la información obtenida a partir de un píxel de alta resolución. Para ello, existen métodos basados en técnicas de fusión clásicas, como la transformación IHS [Carper90] o el análisis de componentes principales (PCA) [Chavez91], entre otras, o en técnicas más actuales como separación espectral [Meer01], procedimientos de clasificación soft [Aplin01] o el uso de redes neuronales [Tatem01] que, en principio, sólo usan la información espectral del píxel, sin tener en cuenta las relaciones que tienen entre ellos y las diferentes bandas espectrales. La descomposición wavelet de imágenes ha sido también utilizada con imágenes de satélite (ver, por ejemplo, [Nuñez99]). En [Vijayaraj04] se puede encontrar una comparación de las técnicas de pansharpening comunes en la literatura. En [Price99] se propone un método de pansharpening basado en relaciones estadísticas entre la radiación en las bandas de baja y alta resolución espacial, más tarde modificado en [Park04] para incluir adaptatividad espacial.

En los últimos años, la super-resolución se está mostrando como una técnica efectiva para resolver problemas en los que intervienen imágenes con diferentes resoluciones espaciales. La idea de la super-resolución fue introducida por Tsay y Huang ([Tsay84]) usando una aproximación en el dominio de las frecuencias para demostrar la posibilidad de mejorar la resolución de una imagen a partir de varias imágenes submuestreadas de la misma sin ruido (curiosamente se demostró usando imágenes tomadas desde el espacio). Otros investigadores han optado por aproximaciones en el dominio espacial como las que se pueden encontrar en [Elad97] y las referencias que en él se citan. En [Park03], un número especial de IEEE Signal Processing Magazine sobre reconstrucción de imágenes mediante super-resolución en el que fuimos invitados a participar, se puede encontrar una extensa revisión de los métodos de super-resolución basados en el dominio espacial y de las frecuencias, aproximaciones basadas en regularización determinista y estocástica, proyecciones en conjuntos convexos (POCS) y otras técnicas. Es importante resaltar que la mayoría de las técnicas usadas para incrementar la resolución no son más que adaptaciones multicanal de técnicas de restauración de imágenes clásicas, entre las que existen algunas dentro de la aproximación bayesiana, como [Hardie97].

La super-resolución también se ha aplicado con éxito a secuencias de vídeo comprimidas con técnicas como MPEG. Métodos como los obtenidos en la ejecución de los proyectos TIC2000-1275 y TIC2003-00880, en los que se incluye información a priori que permite eliminar los artificios de la compresión, y se desarrollan modelos de degradación que tienen en cuenta que la imagen ha sido comprimida [Segall04, Alvarez04], permiten obtener resultados más que satisfactorios. Véase [Molina03c], en el número especial de IEEE Signal Processing Magazine anteriormente mencionado, para una revisión de estos métodos aplicados a secuencias comprimidas.

En el área de trabajo de la super-resolución aplicada a imágenes multiespectrales se están empezando a proponer algunos modelos, destacando entre ellos PCA y POCS [Akgun05], el uso de modelos de mezcla estocástica (stochastic mixing models) [Eissman05] y los modelos bayesianos [Eissman05, Molina05b]. En la actualidad se encuentran trabajando en este tema varios grupos, entre los que cabe destacar, el Image and Video Processing Laboratory de la Northwestern University, con el que mantenemos una estrecha colaboración, el Department of Electrical and Computer Engineering of the University of Dayton y el Multimedia Computing and Communications Lab. del Georgia Intstitute of Technology. Dentro de España, el grupo del Profesor Jorge Núñez, del Dept. d’Astronomia i Meteorología de la Universidat de Barcelona, utilizando técnicas basadas en la restauración de imágenes astronómicas y wavelets [Núñez04].

Según nuestra aproximación, para el problema concreto de la super-resolución aplicado a imágenes multiespectrales, y para tratar de solucionar los problemas establecidos en la sección “Antecedentes y la finalidad del proyecto” dentro de la formulación bayesiana, necesitamos:

  1. Modelizar correctamente el proceso de captación de las imágenes multiespectrales y, en su caso, la imagen pancromática, teniendo en cuenta las características de los sensores utilizados,
  2. Realizar el registrado las imágenes multiespectrales captadas,
  3. Modelizar de forma bayesiana la información disponible sobre la imagen de alta resolución, y
  4. Obtener la solución óptima de acuerdo a estos modelos.

Analicemos en detalle estas cuatro tareas:

Si bien el proceso de captación está descrito en las especificaciones de los satélites usados para la captación de las imágenes, es necesario modelizar las degradaciones que sufren este tipo de imágenes debido a la atmósfera,  iluminación secundaria, cambios de ángulo de visión y el ruido del sensor. Además, es necesario modelizar la relación entre la imagen multiespectral y la pancromática, una relación hasta ahora poco usada en los problemas de super-resolución (ver, sin embargo, [Molina05b]). En este caso, además es posible tener que estimar, conjuntamente con la imagen de alta resolución, los parámetros que relacionan ambas imágenes, llevando a un problema similar a la deconvolución ciega [Mateos05, Molina06a]. Los modelos para imágenes en color, junto a la explotación de la redundancia existente entre las bandas de color se pueden usar para obtener mejores resultados. Esta aproximación ya ha sido usada con éxito en otros problemas relacionados como, por ejemplo, en restauración de imágenes en color [Molina98a, Molina03a, Molina02].

Con relación a la segunda tarea, es decir, el registrado de las imágenes observadas, es importante notar que la estimación de los parámetros de registrado puede realizarse de forma previa a la reconstrucción, por lo que en el algoritmo de super-resolución se asumirá un conocimiento exacto de los parámetros de registrado [Mateos03b], o de forma simultánea a la estimación de la imagen de alta resolución [Segall04]. Según nuestros experimentos, esta segunda opción parece que puede obtener mejores resultados. Tanto si se opta por realizar la estimación de los desplazamientos de forma conjunta o separada a la de la imagen de alta resolución, las técnicas de registrado de imágenes (véase, [Anandan01] para una revisión histórica y [Irani91, Irani98, Candocia05] para aplicaciones a super-resolución) juegan un papel fundamental en el problema planteado.

La tercera tarea a considerar consiste en representar, dentro del modelo bayesiano, la información que se dispone a priori sobre la imagen de alta resolución. Si bien la mayoría de los trabajos en super-resolución suelen usar modelos en los que simplemente se impone que la reconstrucción sea suave se hace necesario incorporar otras informaciones que permitan modelar de forma más fiel la imagen original. De hecho, nuestros resultados previos sobre secuencias de vídeo de baja resolución espacial [Mateos03b, Segall03, Segal04] indican que es necesario investigar en la línea de modelos de imagen avanzados, que permitan adaptarse a las características propias de la imagen (tipo de imagen) y, también, a las características locales (de una determinada zona) de la misma. En este sentido parece especialmente prometedor el uso de métodos robustos como los propuestos en [López02, López04], dentro de un entorno multicanal [Molina99b] y los métodos de segmentación de imágenes multibanda por selección de modelos [Murtagh05]. Otro método especialmente interesante es el de variación total [Rudin92] ya que, al permitir discontinuidades, permite incorporar restricciones de suavidad en la imagen manteniendo las aristas de los objetos.

  
(a)


(b)

 
(c)

Figura 1: Un ejemplo de reconstrucción de una imagen en color: (a) Imagen pancromática de alta resolución. (b) Imagen en color de baja resolución. (c) Reconstrucción de la imagen en color usando el método en [Molina07c]. La imagen reconstruida muesta el nivel de detalle de la imagen pancromática y las características espectrales de la imagen en color.

Una vez modelizado el proceso de captación, los desplazamientos, y la información sobre la imagen de alta resolución, en el modelo bayesiano esta información se combina en la distribución de probabilidad a posteriori que será necesario maximizar para obtener la imagen de alta resolución. En la literatura existen formas de obtener el máximo, local o global, de la distribución a posteriori (gradiente descendente o conjugado [Luenberger84], SA [Geman84], ICM [Besag86], MFA [Bilbro92], GNC [Blake87], entre otros o [Molina97a, Molina00] para versiones paralelas de SA, ICM y MFA y [Molina03b] para su aplicación a imágenes en multicanal) que se aplican dependiendo de las características de la distribución a posteriori. Una desventaja de los algoritmos de optimización iterativos basados en el método de gradiente es su lenta convergencia hacia la solución. Sin embargo, la convergencia puede ser acelerada utilizando técnicas de precondicionamiento [Chan96] que serán más efectivas cuanto mejor aproximen las matrices Hessianas presentes en la optimización [Fessler99, Chan01]. La utilización de modelos a priori no cuadráticos, como los modelos robustos, para la modelización de la imagen de alta resolución hace necesario la aplicación de estas técnicas de precondicionamiento. Esta técnica ha sido utilizada con éxito en reconstrucción de imágenes médicas (Véanse [López02, López04] y las referencias en ellas incluidas). Cuando la distribución de probabilidad a posteriori no puede ser calculada explícitamente, los métodos variacionales (ver [Mateos05, Molina06a] y las referencias ahí incluidas) pueden usarse para aproximar dicha distribución y obtener la solución. Esta técnica se ha aplicado con éxito a diferentes problemas de inferencia bayesiana como redes neuronales, campos de Markov ocultos o deconvolución ciega y semiciega [Molina06a].

Además será necesario comparar diferentes imágenes producidas por diferentes métodos de super-resolución con el objeto de clasificar la bondad de los métodos dependiendo de las características de las secuencias de imágenes de baja resolución. Para ello se pueden (y, de hecho, se suelen) usar técnicas como el error cuadrático o la mejora en la relación señal-ruido. Sin embargo es bien sabido que estos métodos no siempre producen medidas que reflejan la mejora en la calidad visual de la imagen y, por tanto, se hace necesaria la utilización de métodos de estimación de calidad visual como los descritos en [Martinez96, Martinez98] y métodos específicos para imágenes multiespectrales [Tsai04, Wang02] para obtener resultados más realistas.

Para ilustrar la efectividad de las técnicas de super-resolución aplicadas a imágenes multiespectrales incluso en su modelización más simple, en la figura 1 se muestra un ejemplo de super-resolución aplicada a imágenes Landsat ETM+. La figura 1(a) muestra la imagen pancromática, con una resolución de píxel de 15 m. de lado, es decir, 225 m2. La respuesta espectral del sensor pancromático cubre desde el final de la banda 1 hasta el final de la banda 4 del espectro de la imagen multiespectral. Esto implica que la imagen pancromática contiene información de estas cuatro bandas que se puede explotar para mejorar la resolución de la imagen multiespectral. La figura 1(b) muestra las bandas 1 a 3 de la imagen multiespectral. Estas bandas corresponden a longitudes de onda del azul, verde y rojo, respectivamente, y cada píxel cubre un área cuadrada de 30 m. de lado, es decir, 900 m2. En la figura 1(c) se muestra el resultado de aplicar el método descrito en \cite{molina:acha06} a la imagen multiespectral de la figura 1(b), usando también la información proporcionada por la imagen pancromática (figura 1(a)), para obtener una imagen en la que cada píxel cubre un área de 225 m2. Es fácilmente observable que la resolución de la imagen se ha incrementado y que detalles difícilmente visibles en la imagen multiespectral observada, pero que sí son visibles en la imagen pancromática, como la carretera que cruza en diagonal la imagen o el río de la parte inferior derecha de la imagen, son claramente observables en la imagen multiespectral resultante. Además la imagen multiespectral conserva las características espectrales de la imagen multiespectral original.


(a)


(b)


(c)

Figura 2: Un ejemplo de super-resolución de imágenes Landsat ETM+. (a) Imagen pancromática (225 mc por píxel). (b) Bandas 1 a 3 de la imagen multiespectral (900 m2 por píxel). (c) Super-resolución de las bandas 1 a 3 de la imagen multiespectral (225 m2 por píxel) obtenidas usando el método en \cite{molina:acha06}. La imagen resultante tiene la misma resolución espacial que la imagen pancromática conservando las características espectrales de la imagen multiespectral.

 

REFERENCIAS
[Abad03a]     J. Abad, M. Vega, R. Molina y A. K. Katsaggelos, “Parameter estimation in super-resolution image reconstruction problems,” en IEEE International Conference on Acoustic, Speech and Signal Processing (ICASSP-2003), vol. III, pp. 709-712, Hong Kong, (2003).
[Abad03b]     J. Abad y R. Molina, “Bayesian multichannel image restoration using a subband decomposition” in iAstro Workshop on Computational & Information Infrastructure in the Astronomical Datagrid , Nice Observatory, Nice (France), (2003).
[Abad03c]     J. Abad, Restauración y reconstrucción bayesianas de imágenes usando decomposiciones multibanda, Tesis doctoral, (2003).
[Addink01]    E.A. Addink, “Change detection with remote sensing; relating NOAA-AVHRR to environmental impact of agriculture in Europe”, Tesis Doctoral, Wageningen University, the Netherlands, (2001).
[Akgun05]     T. Akgun, Y. Altunbasak y R.M. Mersereau. “Super-resolution reconstruction of hyperspectral images”. IEEE Transactions on Image Processing, vol 14, no.11, pp 1860-1875, (2005).
[Alvarez04]   L.D. Alvarez, J. Mateos, R. Molina y  A.K. Katsaggelos, “High Resolution Images from Compressed Low Resolution Video: Motion Estimation and Observable Pixels”, International Journal of Imaging Systems and Technology, vol. 14, no. 2, pp. 58-66, (2004).
[Anandan01] P. Anandan, “Video Registration and Motion Estimation: A Retrospective”, IEEE Workshop on Image Registration, (2001).
[Aplin01]       P. Aplin y P.M. Atkinson, “Sub-pixel land cover mapping for per-field classification”, International Journal of Remote Sensing, vol. 22, pp. 2853-2858, (2001).
[Besag86]     J. Besag, “On the Statistical Analysis of Dirty Pictures”, J. Royal Stats. Soc., 40 B, pp. 259-302 (1986).
[Bilbro92]      G.L. Bilbro, W.E. Snyder, S.J. Granier y J.W. Gault, “Mean Field Annealing. A Formalism for Constructing GNC-like Algorithms”, IEEE Transactions on Neural Networks, vol. 3, pp. 131-138 (1992).
[Blake87]      A. Blake y A. Zisserman, “Visual Reconstruction”, MIT Press, Cambridge MA (1987).
[Candocia05] F.M. Candocia, "Analysis and Enhancements to Piecewise Linear Comparametric Image Registration," IEEE Transactions on Image Processing, vol. 14, no. 2, pp. 181-188, (2005).
[Carper90]    W. J. Carper, T. M. Lillesand y R. W. Kiefer. “The use of intensity-hue-saturation transformations for merging SPOT panchromatic and multispectral image data”, Photogrammetric Engineering and Remote Sensing, vol. 56, no. 4, pp. 459–467, (1990).
[Chan01]      R. Chan, M.K. Ng y A.M. Yip, “A Survey of Preconditioners for Ill-Conditioned Toeplitz System”, Structured Matrices in Mathematics, Computer Science, and Engineering II, Contemporary Mathematics Series, V. Olshevsky, editor, vol. 281, pp. 175-191, AMS, (2001).
[Chan96]      R. Chan,  “Conjugate gradient methods for Toeplitz System”, SIAM Review, vol. 38, pp. 427-482, (1996).
[Chavez91]   P. Chavez Jr., S. Sides y J. Anderson. “Comparison of three different methods to merge multiresolution and multispectral data: Landsat TM and SPOT panchromatic”. Photogrammetric Engineering and Remote Sensing, vol. 57, no. 3, pp. 295–303, (1991).
[Cortijo95]    F.J. Cortijo, Un estudio comparativo de métodos de clasificación de imágenes multibanda, Tesis doctoral, (1995).
[Cortijo96]    F.J. Cortijo y N. Pérez de la Blanca, “Automatic Estimation of the LVQ-1 Parameters Applications to Multispectral Image” in 13th. International Conference on Pattern Recognition, Washington, (USA), (1996).
[Cortijo97]    F.J. Cortijo, N. Pérez de la Blanca, J. Abad y S. Damas, “A Comparison of Multispectral Image Classifiers Using High-dimensional Simulated Data Sets” en VII Simposium Nacional de Reconocimiento de Formas y Análisis de Imágenes, Barcelona (Spain), (1997).
[Cortijo99]    F.J. Cortijo y N. Pérez de la Blanca, “The Performance of Regularized Discriminant Analysis Versus Non-Parametric Classifiers Applied to High Dimensional Image Classification”, International Journal of Remote Sensing, vol. 20, no. 17, pp. 3345-3365, (1999).
[Cortijo03]    F.J. Cortijo, S. Villena, R. Molina, y A.K. Katsaggelos, “Bayesian Superresolution of Text Image Sequences from Low-resolution Observations” en IEEE Seventh International Symposium on Signal Processing and Its Applications (ISSPA 2003), vol. I, pp. 421-424, Paris (Francia), (2003).
[De Boer00] M. De Boer, J. De Vente, C.A. Mücher, W. Nijenhuis y H.A.M. Thunnissen, “An approach towards pan-European land cover classification and change detection”. NRSP-2 Report 00-18, BCRS, Delft, (2000).
[EC95]         Commission of the European Communities, “CORINE Land Cover”, (1995).
[Eismann05] M.T. Eismann y R.C. Hardie, “Hyperspectral resolution enhancement using highresolution multispectral imaginary with arbitray response functions”, IEEE Transactions on Geoscience and Remote Sensing, vol. 43, no. 3, pp. 455–465, 2005.
[Elad97]       M.Elad, M., y Feuer, A., “Restoration of Single Superresolution Image from Several Blurred, Noisy, and Undersampled Measured Images”, IEEE Trans. on Image Processing, vol. 6, pp. 1646-1658, (1997).
[Fessler99]   J.A. Fessler y S.D. Booth, “Conjugate Gradient Preconditioning Methods for Shitf-variant PET image reconstruction”. IEEE Trans. on Image Processing, vol 8, pp. 688-699, (1999).
[Fuller02]      R.M. Fuller, G.M. Smith, J.M. Sanderson, R.A. Hill y A.G. Thomson, “The UK land cover map 2000: construction of a parcel-based vector map from satellite images”. The Cartographic Journal, vol. 30, no. 1, pp. 15-25, (2002).
[Geman84]   S. Geman y D. Geman, “Stochastic Relaxation, Gibbs Distributions and the Bayesian Restoration of Images”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-6, pp. 721-741 (1984).
[Guirao99]    J.M. Guirao, M. Vega, R. Molina, J. Abad y J. Mateos, “Parameter estimation in multichannel image restoration. Applications in astronomy” in VIII Simposium Nacional de Reconocimiento de Formas y Análisis de Imágenes, vol. 1, pp. 455-461, Bilbao, (1999).
[Hardie97]    R.C. Hardie, K.J. Barnard y E.E. Amstrong, “Joint MAP Registration and High-Resolution Image Estimation using a Sequence of Undersampled Images”, IEEE Trans. on Image Processing, vol. 6, pp. 1621-1633, (1997).
[Irani91]       M. Irani and Peleg, “Improving Resolution by Image Registration”. Graphical Models and Image Proc., vol. 53, pp. 231-239, (1991).
[Irani98]       M. Irani y P. Anandan, “Robust Multi-Sensor Image Alignment”, IEEE International Conference on Computer Vision (ICCV), (1998).b
[Katsaggelos07] A.K. Katsaggelos, R. Molina y J. Mateos, “Super resolution of images and video”, Synthesis Lectures on Image, Video, and Multimedia Processing, Morgan & Claypool, (2007).
[López02a]   A. López, “Reconstrucción bayesiana de imágenes SPECT usando modelos de Gauss Markov. Estimación de parámetros”. Tesis doctoral, (2002).
[López02b]   A. López, R. Molina, A.K. Katsaggelos y J. Mateos, “SPECT Image Reconstruction Using Compound Models”, International Journal of Pattern Recognition and Artificial Intelligence, vol. 16, no. 3, 317-330, (2002).
[López03]     A. López, R. Molina y A.K. Katsaggelos, “Bayesian SPECT image reconstruction with scale hyperparameter estimation for scalable priors”, en 1st Iberian Conference on Pattern Recognition and Image Analysis (IbPRIA2003), Lecture Notes in Computer Science, vol. 2652, 445-452, Springer-Verlag, (2003).
[López04]     A. López, R. Molina, A.K. Katsaggelos, A. Rodriguez, J.M. López y J.M. Llamas, “Parameter Estimation in Bayesian Reconstruction of SPECT Images: An Aide in Nuclear Medicine Diagnosis”, Int. Journal of Imaging Systems and Tech., vol. 14, pp. 21-27, (2004).
[López05]     A. López, R. Molina y A.K. Katsaggelos, “Bayesian Reconstruction for Transmission Tomography with Scale Hyperparameter Estimation” en 2nd Iberian Conference on Pattern Recognition and Image Analysis (IbPRIA2005), Lecture Notes in Computer Science, vol. 3523, 455-462, (2005).
[López06]     A. López, J.M. Martín, R. Molina y A.K. Katssagelos, “Transmission Tomography Reconstruction Using Compound Gauss-Markov Random Fields and Ordered Subsets” en ICIAR 2006, Póvoa do Varzim (Portugal), Septiembre (2006).
[López07]     R. Molina, A. Lopez, J.M. Martin y A.K. Katsaggelos, “Variational Posterior Distribution Approximation in Bayesian Emission Tomography Reconstruction Using a Gamma Mixture Prior” en VISAPP - International Conference on Computer Vision Theory and Applications, Barcelona, marzo (2007).
[Luenberger84] Luenberger, D. G., “Linear and Nonlinear Programming”, Reading, MA:Addison-Wesley, (1984).
[Martinez96]  Martínez Baena, J., Fdez-Valdivia, J. y García, J. A., "Perceptual distortion criteria based on human visual system", OSA Annual Meeting'96. Rochester-NY. (EEUU). pp. 348-353, (1996)
[Martinez98]  Martínez Baena, J., Fdez-Valdivia, J., García, J. A. y Fdez-Vidal, X. R., "A new image distortion measure based on a data driven multisensor organization", Pattern Recognition, vol. 31, pp. 1099-1116, (1998).
[Mateos00a] J. Mateos, A.K. Katsaggelos y R. Molina, “A Bayesian Approach to Estimate and Transmit Regularization Parameters for Reducing Blocking Artifacts”, IEEE Trans. on Image Processing, vol. 9, pp. 1200-1215, (2000).
[Mateos00b] J. Mateos, A.K. Katsaggelos y R. Molina, “Simultaneous motion estimation and resolution enhancement of compressed low resolution video”, En 2000 IEEE International Conference on Image Processing (ICIP'2000), vol. 2, pp. 653-656. Vancouver, 2000.
[Mateos03a] J. Mateos, M. Vega, R. Molina y A.K. Katsaggelos, “Bayesian Image Estimation from an Incomplete Set of Blurred, Undersampled Low Resolution Images” en 1st Iberian Conference on Pattern Recognition and Image Analysis (IbPRIA2003), Lecture Notes in Computer Science, vol. 2652, pp. 445-452, Mallorca (España), (2003).           
[Mateos03b] J. Mateos, R. Molina y A.K. Katsaggelos, “Bayesian High Resolution Image Reconstruction with Incomplete Multisensor Low Resolution Systems” en 2003 IEEE International Conference on Acoustic, Speech and Signal Processing (ICASSP2003), vol. III, pp. 705-708, Hong Kong, (2003).
[Mateos05]   J. Mateos, R. Molina y A.K. Katsaggelos, “Approximations of posterior distributions in blind deconvolution using variational methods” en IEEE International Conference on Image Processing (ICIP 2005), vol. II, pp. 770-773, Genova (Italia), (2005).
[Meer01]      F.D. Van der Meer y S.M. de Jong, “Imaging Spectrometry: Basic Principles and Prospective Applications”. Bookseries Remote Sensing and Digital Image Processing Vol. 4, Kluwer Academic Publishers, Dordrecht, , (2001).
[Molina94]    R. Molina, “On the Hierarchical Bayesian Approach to Image Restoration. Applications to Astronomical Images”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-16, no. 11, pp. 1122-1128 (1994).
[Molina97a]   R. Molina, A. K. Katsaggelos, J. Mateos y A. Hermoso, “Restoration of Severely Blurred High Range Images Using Stochastic and Deterministic Relaxation Algorithms in Compound Gauss-Markov Random Fields”, Proceeding of EMMCVPR´97, Lectures Notes in Computer Science, vol. 1223, pp. 117-132 (1997).
[Molina98a]   R. Molina, F. Murtagh y A. Heck, eds., “From Information Fusion to Data Mining”, Vistas in Astronomy, (1998).
[Molina99a]   R. Molina, A. K. Katsaggelos y J. Mateos, “Bayesian and Regularization Methods for Hyperparameter Estimation in Image Restoration”, IEEE Transactions on Image Processing, vol. 8, pp. 231-247, (1999).
[Molina99b]   R. Molina, A.K. Katsaggelos y J. Abad, “Bayesian Image Restoration using Wavelets-Based Subband Decomposition”, en Proceedings International Conference on Audio, Speech and Signal Processing ICASSP99, vol. VI, pp. 3257-3260, (1999).
[Molina00]    R. Molina, A.K. Katsaggelos, J. Mateos y A. Hermoso, “Simulated Annealing for Compound Gauss-Markov Random Fields in Presence Of Blurring”, Pattern Recognition, vol. 33 pp. 555-571, (2000).
[Molina01]    R. Molina, J. Nuñez, F. Cortijo y J. Mateos, “Image Restoration in Astronomy. A Bayesian Approach”, IEEE Signal Processing magazine, vol. 18, pp. 11-29, (2001).
[Molina02]    R. Molina, J. Mateos, A. K. Katsaggelos y M. Vega, “A general multichannel image restoration method using compound models”, en 2002 IEEE International Conference on Pattern Recognition (ICPR'2002), vol. 3, pp. 835-838, Quebec. Canadá, (2002).
[Molina03a]   R. Molina, J. Mateos, A.K. Katsaggelos, y M. Vega, “Bayesian Multichannel Image Restoration Using Compound Gauss-Markov Random Fields”, IEEE Transactions on Image Processing, vol. 12, no. 12,  pp. 1642- 1654, (2003).
[Molina03b]   R. Molina, M. Vega, J. Abad y A.K. Katsaggelos, “Parameter Estimation in Bayesian High-Resolution Image Reconstruction with Multisensors”, IEEE Transactions on Image Processing, vol. 12, no. 12, pp. 1655-1667, (2003).
[Molina03c]   R. Molina, A. K. Katsaggefos y A. Segall, “High Resolution Video from Low Resolution Compressed Sequences. A Review”, Signal Processing magazine, Special Issue on Superresolution Image Reconstruction, mayo  (2003).
[Molina05b]   R. Molina, J. Mateos, A.K. Katsaggelos y R. Zurita-Milla, “A new super resolution Bayesian method for pansharpening Landsat ETM+ imagery” en 9th Int. Symposium on Physical Measurements and Signatures in Remote Sensing, pp. 280-283, Pekín (China), (2005).
[Molina06a]   R. Molina, J. Mateos y A.K. Katsaggelos, “Blind deconvolution using a variational approach to parameter, image, and blur estimation”, IEEE Trans. on Image Processing, vol. 15, no. 12, 3715-3727 (2006).
[Molina06b]  R. Molina, M. Vega, J. Mateos y A.K. Katsaggelos, “Hierarchical Bayesian Super Resolution Reconstruction of Multispectral Images” in 2006 European Signal Processing Conference (EUSIPCO 2006), Tue.4.4, (2006).
[Molina06c]   R. Molina, M. Vega, J. Mateos y A.K. Katsaggelos, “Parameter Estimation in Bayesian Reconstruction of Multispectral Images Using Super Resolution Techniques ” en 2006 International Conference on Image Processing (ICIP 2006) , 1749-1752, Atlanta, GA (USA), octubre (2006).
[Molina07a]   R. Molina, M. Vega, J. Mateos y A.K. Katsaggelos, “Variational Posterior Distribution Approximation in Bayesian Super Resolution Reconstruction of Multispectral images”, Applied and Computational Harmonic Analysis, special issue on “Mathematical Imaging”, aceptado para publicación, (2007).
[Molina07b]   R. Molina, M. Vega y A.K. Katsaggelos, “From Global to Local Bayesian Parameter estimation in Image Restoration Using Variational Distribution Approximations” en International Conference on Image Processing (ICIP), enviado (2007).
[Molina07c]   R. Molina, J. Mateos, M. Vega y A.K. Katsaggelos, “Super-Resolution of Multispectral Images” en Workshop in Modelling and Simulation in Science, Erice (Italy), aceptado para publicación, abril (2007).
[Mücher00]   C.A. Mücher, K. Steinnocher, F. Kessler y C. Huenks, “Land cover characterization and change detection for environmental monitoring of pan-Europe”. International Journal of Remote Sensing, vol. 21, pp. 1159-1181, (2000)
[Murtagh05]  F. Murtagh, A.E. Raftery and J.L. Starck, “Bayesian inference for multiband image segmentation via model-based clustering trees”, Image and Vision Computing, 23, pp. 587-596, (2005).
[Núñez99]    J. Núñez, X. Otazu, O. Fors, A. Prades, V. Pala y R. Arbiol. “Multiresolutionbased image fusion with additive wavelet decomposition”. IEEE Transactions on Geoscience and Remote Sensing, vol. 37, no. 3, pp. 1204–1211, (1999).
[Núñez04]    J. Núñez and M. T. Merino “Super-Resolution of Remotely Sensed Images Using Drizzle And Wavelets”, 25th Asian Conference & 1th Asian Space Conference on Remote Sensing, (2004).
[Park03]       S.C. Park, M.K. Park y M.G. Kang, “Superresolution Image Reconstruction – A Technical Overview”, Signal Processing magazine, Special Issue on Superresolution Image Reconstruction, mayo  (2003).
[Park04]       J.H. Park y M.G. Kang, “Spatially adaptive multi-resolution multispectral image fusion”, International Journal of Remote Sensing, vol. 25 no. 23, pp. 5491–5508, (2004).
[Price99]      J.C. Price, “Combining multispectral data of different spatial resolution”. IEEE Transactions on Geoscience and Remote Sensing, vol. 37, no. 3, pp. 1199–1203, (1999).
[Rudin92]     L. Rudin, S. Osher, y E. Fatemi, “Nonlinear total variation based noise removal algorithms,” Physica D, vol. 60, pp. 259–268, (1992)
[Segall03]     C.A. Segall, R. Molina, y A.K. Katsaggelos, “High-Resolution Images from Low-Resolution Compressed Video”, IEEE Signal Processing Magazine, vol. 20, no. 3, pp. 37-48, (2003).
[Segall04]     C.A. Segall, R. Molina, A.K. Katsaggelos, J. Mateos, “Bayesian Resolution Enhancement of Compressed Video”, IEEE Transactions on Image Processing, vol. 13, no. 7, pp. 898-911, (2004).
[Tatem01]    A. J. Tatem, H.G. Lewis, P.M. Atkinson y M.S. Nixon, “Super-resolution target identification from remotely sensed images using a Hopfield neural network”. IEEE Transactions on Geoscience and Remote Sensing, vol. 39. pp. 781-796, (2001).
[Tsai04]       V.J.D. Tsai, “Evaluation of multiresolution image fusion algorithms” en International Geoscience and Remote Sensing Symposium (IGARSS), (2004)
[Tsay84]      R. Tsay y T. Huang, “Multiframe Image Restoration and Registration” en Advances in Computer Vision and Image Processing, vol. I. Greenwich, CT: JAI, (1984).
[Vega05]      M. Vega, J. Mateos, R. Molina, y A.K. Katsaggelos, “Super resolution and pansharpening of multispectral images" (conferencia invitada) in First International Conference on Super Resoltuion Imaging, editado por Michael Ng, 2005.
[Vega06]      M. Vega, R. Molina y A.K. Katsaggelos, “A Bayesian Superresolution Approach to Demosaicing of Blurred Images”, EURASIP Journal on Applied Signal Processing , vol. 2006, Article ID 25072, 12 pages,( 2006).
[Vijayaraj04]  V. Vijayaraj. A quantitative analysis of pansharpened images. Tesis doctoral, Mississippi State University, 2004.
[Villena04]    S. Villena, J. Abad, R. Molina y A.K. Katsaggelos, “Estimation of high resolution images and registration parameters from low resolution observations” en Progress in Pattern Recognition, Image Analysis and Applications, Lectures notes in computer science, vol. LNCS 3287, pp. 509-516, (2004).
[Wang02]     Z. Wang y A. C. Bovik, “A universal image quality index”. IEEE Signal Processing Letters, vol. 9, no. 3, pp. 81-84, (2002).