Compressed Sensing (CS): Un Paradigma Revolucionario para la Adquisición y Procesamiento de Señales
DOI:
https://doi.org/10.69639/arandu.v12i2.1142Palabras clave:
compressed sensing, esparsidad, incoherencia, procesamiento, reconstrucciónResumen
Compressed Sensing (CS) es una técnica emergente que desafía los métodos tradicionales de adquisición de datos, permitiendo reconstruir señales esparsas a partir de un número reducido de muestras. A través de la optimización de norma CS proporciona una solución eficiente para aplicaciones en campos que van desde la imagen médica hasta las comunicaciones inalámbricas. Objetivo: Este artículo busca explorar los fundamentos matemáticos, las técnicas algorítmicas y las aplicaciones prácticas de Compressed Sensing, al tiempo que analiza los desafíos actuales y además de identificar áreas de oportunidad para futuras investigaciones. Método: La metodología de este estudio es de carácter cualitativo y descriptivo-explicativo, centrada en una revisión exhaustiva de la literatura sobre Compressed Sensing (CS). Se utilizó un diseño documental para analizar estudios teóricos y empíricos publicados en bases de datos académicas como IEEE Xplore, Google Scholar y Scopus, con el objetivo de identificar aplicaciones y avances recientes en CS. Conclusión: Compressed Sensing ha revolucionado la adquisición de datos al permitir la reconstrucción precisa de señales con una cantidad significativamente menor de muestras en comparación con los métodos tradicionales, desafiando el teorema de Nyquist-Shannon. Sus aplicaciones, que van desde la imagen médica hasta las comunicaciones avanzada y continúan expandiéndose con el desarrollo de nuevos algoritmos y su integración en tecnologías como la inteligencia artificial y el Internet de las Cosas (IoT).
Descargas
Citas
Donoho, D. L. (2006). Compressed sensing. IEEE Transactions on Information Theory, 52(4), 1289-1306. https://doi.org/10.1109/TIT.2006.871582
Candes, E. J., Romberg, J., & Tao, T. (2006). Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information. IEEE Transactions on Information Theory, 52(2), 489-509. https://doi.org/10.1109/TIT.2005.862083
Candes, E. J., & Wakin, M. B. (2008). An introduction to compressive sampling. IEEE Signal Processing Magazine, 25(2), 21-30. https://doi.org/10.1109/MSP.2007.914731
Tropp, J. A., & Gilbert, A. C. (2007). Signal recovery from random measurements via orthogonal matching pursuit. IEEE Transactions on Information Theory, 53(12), 4655-4666. https://doi.org/10.1109/TIT.2007.909108
Needell, D., & Tropp, J. A. (2009). CoSaMP: Iterative signal recovery from incomplete and inaccurate samples. Applied and Computational Harmonic Analysis, 26(3), 301-321. https://doi.org/10.1016/j.acha.2008.07.002
Eldar, Y. C., & Kutyniok, G. (2012). Compressed sensing: Theory and applications. Cambridge University Press.
Lustig, M., Donoho, D., Santos, J. M., & Pauly, J. M. (2007). Compressed sensing MRI. IEEE Signal Processing Magazine, 25(2), 72-82. https://doi.org/10.1109/MSP.2007.914728
Baraniuk, R. G., & Steeghs, P. (2007). Compressive radar imaging. In Proceedings of the IEEE Radar Conference (pp. 128-133). https://doi.org/10.1109/RADAR.2007.374209
Daubechies, I., Defrise, M., & De Mol, C. (2004). An iterative thresholding algorithm for linear inverse problems with a sparsity constraint. Communications on Pure and Applied Mathematics, 57(11), 1413-1457. https://doi.org/10.1002/cpa.20042
Davenport, M. A., Takhar, D., Laska, J. N., Treichler, J. R., Sun, T., & Baraniuk, R. G. (2014). The pros and cons of compressed sensing for multichannel imaging. IEEE Transactions on Image Processing, 23(12), 5076-5089. https://doi.org/10.1109/TIP.2014.2361732
Zhang, L., Zhao, X., & Gao, H. (2013). Compressed sensing for image reconstruction: A review. Signal Processing: Image Communication, 28(2), 208-216. https://doi.org/10.1016/j.image.2012.10.003
Zhang, Z., Zhang, Y., Yang, L., & Zhang, Y. (2018). A survey of compressed sensing applications in wireless sensor networks. Electronics, 7(12), 392. https://doi.org/10.3390/electronics7120392
Baraniuk, R. G. (2007). Compressed sensing. IEEE Signal Processing Magazine, 24(4), 118-121. https://doi.org/10.1109/MSP.2007.4286571
Chen, Z., Lin, Y., Wu, D., Luo, L., & Chen, G. (2019). A survey of compressed sensing and its applications in wireless communications. IEEE Wireless Communications, 26(6), 15-21. https://doi.org/10.1109/MWC.2019.1800345
Babu, N. P., Kumar, B., & Choudhary, S. K. (2019). Compressed sensing: A review of recent advances and future challenges. Signal Processing: Image Communication, 73, 40-53. https://doi.org/10.1016/j.image.2019.02.001
Baraniuk, R. G. (2007). Compressive sensing. IEEE Signal Processing Magazine, 24(4), 118-121. https://doi.org/10.1109/MSP.2007.4286571
Kutyniok, G., Eldar, Y. C., Peleg, Y., & Raviv, D. (2019). Advances in compressed sensing. IEEE Transactions on Image Processing, 28(9), 4536-4547. https://doi.org/10.1109/TIP.2019.2906842
Li, G., Zhang, X., He, X., Du, Q., Chen, Z., & Wang, H. (2019). Deep learning for compressed sensing. IEEE Transactions on Neural Networks and Learning Systems, 30(5), 1349-1363. https://doi.org/10.1109/TNNLS.2018.2854762
Zhang, C., Zhang, Y., Wang, Z., Chen, Y., Wang, Y., & Zhang, B. (2021). Compressed sensing in big data: A survey. IEEE Transactions on Knowledge and Data Engineering, 33(10), 1980-1995. https://doi.org/10.1109/TKDE.2019.2958255
Zhang, K., Zhang, Y., Wang, X., Yang, Y., & Zhang, B. (2020). Compressed sensing in internet of things: A survey. IEEE Internet of Things Journal, 7(2), 1231-1245. https://doi.org/10.1109/JIOT.2019.2954674
Baraniuk, R. G., & Wakin, M. B. (2009). Compressive sensing: From theory to applications in sensing, imaging, and compression. Proceedings of the IEEE, 98(6), 1030-1055. https://doi.org/10.1109/JPROC.2009.2013069
Duarte, M. F., & Eldar, Y. C. (2011). Structured compressed sensing: From theory to applications. IEEE Transactions on Signal Processing, 59(9), 4053-4080. https://doi.org/10.1109/TSP.2011.2161313
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Byron Giovanny Bonilla Paredes, Jonathan Marcelo Diaz Almachi
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación está bajo una 
