El problema de clasificación de la cobertura a partir de imágenes captadas por sensores pasivos o activos es por mucho el problema de mayor interés por el grupo de investigación, sobre todo en lo que toca a la selección de rasgos de imágen que mejor caracterizan algún tipo de cobertura de interés y en el desarrollo, adaptación y/o implementación de métodos de clasificación por aprendizaje de máquinas; y en cierta medida en cuanto a los métodos de evaluación de la confiabilidad de los productos de clasificación. Los ámbitos de aplicación de la clasificación de la cobertura abarcan, de manera enunciativa pero no limitativa, el mapeo de áreas urbanas, cuerpos de agua, cultivos, hasta la detección de plagas y fosas clandestinas.

Esta línea de investigación incluye la estimación de variables biofísicas, como la biomasa del sargazo mediante imágenes multiespectrales o radar; variables socioeconómicas, como totales de población a partir de datos LiDAR o imágenes nocturnas; e indicadores asociados a plagas en cultivos de café o en bosques, a la existencia de entierros clandestinos, e incluso la cantidad y calidad de servicios ecosistémicos mediante imágenes multiespectrales. También se aborda la estimación de variables básicas como la fase desenvuelta derivada a partir de la interferometría SAR, la cual tiene un uso en el monitoreo de subsidencias del terreno; o la estimación de superficie de terreno desnudo a partir de nubes de puntos fotogramétricas o LiDAR. Además de emplear métodos estadísticos estándares, se exploran métodos de aprendizaje de máquinas.

Se trata de una línea de investigación básica que busca determinar nuevas formas de combinar datos de diferentes sensores para mejorar resultados de una Clasificación, Segmentación o Estimación, o simplemente para incorporar características disímiles de las imágenes de entrada en la imagen de salida; como, por ejemplo, métodos de realce espacial y espectral mediante wavelets o transformaciones espectrales.

El tema de segmentación es de interés entre el grupo debido a que se trata de una operación básica, precursora de muchos análisis de alto nivel, como la clasificación orientada a objetos, la vectorización de imágenes, el modelado poliédrico de objetos en nubes de puntos, el seguimiento de automóviles en cámaras de vigilancia, etc. Aunque existen técnicas de segmentación genéricas, la investigación en este aspecto busca encontrar métodos específicos a problemas como la segmentación de árboles para el conteo automatizado, la delineación de la huella de construcciones en zonas urbanas, la delimitación de arrecifes coralinos para su evaluación, entre otros. El énfasis de la investigación es generar nuevos métodos incorporando visiones modernas de aprendizaje de máquinas, como las redes neuronales, autómata celular y el aprendizaje profundo, pero también en proponer nuevos descriptores contextuales que permitan mejores resultados en un ámbito específico.

Busca explotar la dimensión temporal de los datos de percepción remota para el estudio de procesos dinámicos como la expansión urbana, la dinámica de cuerpos de agua, el estudio de la fenología de la vegetación, procesos de deforestación y degradación de bosques, arribazón de sargazo, entre otros. Se exploran datos de resolución media de sensores activos y pasivos, tales como los de las series Sentinel, Landsat y SPOT, y en algunos casos sensores de resolución baja pero mayor frecuencia de adquisición, tales como MODIS, VIIRS y AVHRR.

Dentro de las técnicas de análisis existe un creciente interés en la aplicación de modelos de series de tiempo para evaluación de los cambios y predicción. En la parte de análisis de vídeo o secuencias de imágenes, se busca utilizar la información con dependencia temporal contenida en las imágenes para atender tareas de reconocimiento y seguimiento de personas, identificación de objetos, reconocimiento de acciones, entre otras, y poder así, hacer un entendimiento a un alto nivel de la información contenida en el vídeo. Particularmente, trabajamos en la aplicación de estas técnicas en el área de vídeo vigilancia inteligente.

En la categorización de imágenes por su contenido se busca identificar o clasificar un conjunto de imágenes en relación a lo que contienen, para ello se usan tanto técnicas y algoritmos de procesamiento digital de imágenes y algoritmos de aprendizaje automático para aprender a diferenciar cada una de las categorías a las que pertenece cada imagen. Aquí uno de los principales retos es poder diferenciar un conjunto de imágenes en 100 ó 200 categorías diferentes (gran cantidad de categorías), lo cual es una tarea compleja y considerada aún como un problema abierto en la comunidad.

Algunas preguntas de investigación se centran en la creación de modelos de procesos que son alimentados con datos de PR, así como en la estimación de sus parámetros mediante métodos de optimización. También se estudian problemas de optimización desde el punto de vista de mejora de los algoritmos "structure from motion"para una eficiente generación de nubes de puntos a partir de fotografía aérea oblicua y se investigan modelos de datos óptimos para representar objetos inmersos en la nube de puntos.