Cada vez que hacemos una foto, escaneamos a un paciente o transmitimos imágenes desde un satélite, manejamos un equilibrio entre calidad de imagen, espacio de almacenamiento y tiempo. Este artículo presenta una nueva forma de limpiar imágenes ruidosas que fueron capturadas en forma altamente comprimida, ayudando a obtener imágenes más claras a partir de menos mediciones. Esto importa para todo, desde fotos más nítidas en teléfonos con poca luz hasta exploraciones médicas más seguras que requieren menos radiación.
Por qué recortar puede seguir luciendo bien
Las cámaras y escáneres tradicionales siguen una regla simple: recoger muchas más piezas de información de las que realmente pueden necesitarse para no perder nada. Solo después se comprime la imagen para ahorrar espacio. El muestreo comprimido invierte esta lógica. En lugar de registrar cada píxel primero, captura un conjunto más pequeño y cuidadosamente elegido de mediciones combinadas que aún contienen la mayor parte de la información visual importante. En teoría, esto nos permite reconstruir una imagen nítida a partir de sorprendentemente pocos datos. En la práctica, sin embargo, el ruido durante la captura y las malas decisiones sobre cómo se toman esas mediciones pueden provocar detalles borrosos, artefactos en bloques y pérdida de estructura fina, especialmente en entornos exigentes como la imagen médica.
Dividir la imagen en piezas pequeñas e inteligentes Figure 1.
Los autores proponen un marco de trabajo en tres pasos que opera sobre pequeños parches cuadrados, o bloques, de una imagen en lugar de sobre la imagen completa a la vez. Cada bloque se transforma primero a una forma en la que la mayor parte del contenido significativo se condensa en un conjunto compacto de valores, mientras que los detalles finos y las texturas quedan separados. Estos valores se reordenan luego en un recorrido en zigzag que alinea de forma natural las partes amplias y suaves de la imagen al principio y las variaciones pequeñas y agudas al final. Este orden importa porque asegura que, cuando la imagen se comprime, las piezas visualmente más importantes queden al frente de la fila, incluso si solo se almacena una fracción de los datos.
Atajos mejores a través de los datos
Una vez que cada bloque ha sido reordenado, se aplica a un dispositivo matemático llamado matriz de muestreo, que determina exactamente cómo los muchos valores originales se mezclan en un conjunto más pequeño de mediciones. En lugar de confiar en una elección genérica y aleatoria, los investigadores afinan esta matriz para que sea especialmente adecuada a los tipos de imágenes que desean reconstruir. Lo hacen resolviendo un problema de optimización que remodela la matriz hasta que sus patrones internos facilitan distinguir estructura importante del ruido. Un procedimiento de reconstrucción popular usa entonces estas mediciones comprimidas para aproximar el bloque original, guiado por la suposición de que solo un número relativamente pequeño de características subyacentes es realmente necesario para describirlo.
Pulir el ruido restante Figure 2.
Incluso tras una compresión y reconstrucción cuidadosas, permanece algo de ruido y pequeños artefactos. Para ello, la etapa final aplica una técnica moderna de eliminación de ruido conocida como el método Split Bregman. Este enfoque trata la imagen como una superficie y suaviza suavemente las fluctuaciones menores mientras mantiene los bordes y las fronteras anatómicas nítidos. Al dividir repetidamente el problema en subpasos más simples, converge de forma rápida y robusta. El resultado es una imagen desruidosada en la que se reducen las motas granuladas, pero se preservan las líneas y texturas clave —como los límites de tejido en un escaneo o los bordes en un paisaje—.
De fotos de prueba a exploraciones médicas
El equipo probó su marco tanto en fotografías cotidianas como en imágenes médicas como tomografías computarizadas (TC) y radiografías. Contaminaron deliberadamente los originales con diferentes cantidades de ruido artificial y simularon escenarios en los que solo se recopilaba entre el 20% y el 50% de los datos habituales. En estos escenarios, compararon su método con un sistema similar que omitía el paso en zigzag y utilizaba un enfoque de muestreo estándar. Usando puntuaciones de calidad habituales que miden nitidez, similitud con el original y error global, su método produjo de manera consistente imágenes más limpias y fieles. Esto se mantuvo tanto para fotos de prueba conocidas como para exploraciones clínicamente relevantes de pulmones, rodillas, manos y tórax.
Imágenes más claras con menos exposición
En esencia, el estudio muestra que podemos diseñar inteligentemente tanto cómo recopilamos los datos de imagen como cómo eliminamos el ruido después para obtener más con menos. Al combinar el procesamiento por bloques, el ordenamiento en zigzag, una forma optimizada de tomar mediciones comprimidas y un potente paso final de limpieza, el marco propuesto mejora la claridad de la imagen bajo restricciones estrictas de datos y ruido. Para los pacientes, esto podría traducirse algún día en exploraciones de alta calidad con menos proyecciones de rayos X y, por tanto, dosis de radiación más bajas; para los sistemas de imagen en general, apunta hacia un futuro en el que las imágenes nítidas ya no exijan cantidades masivas de datos.
Cita: Thomas, E.N., Theeda, P. & Praveen, T. Block compressive sensing-based image denoising framework using optimized sensing matrix and split Bregman algorithm.
Sci Rep16, 9485 (2026). https://doi.org/10.1038/s41598-026-38785-0
Palabras clave: muestreo comprimido, eliminación de ruido en imágenes, imagen médica, reconstrucción de imágenes, procesamiento de señales
