O presente trabalho mostra uma nova metodologia para a aquisição de imagens do espectro visível, IR e UV usando um número significativamente menor de amostras do que a teoria convencional de Shannon-Nyquist recomenda. Essa nova metodologia é baseada em uma teoria inovadora e revolucionária chamada de Compressed Sensing ou sensoriamento compressivo. Ela propõe um novo método de captura das informações essenciais da imagem ou objeto sendo amostrados, baseado no conhecimento de que essas informações são esparsas em uma determinada base de representação da informação. Duas características fundamentais para esse feito são a esparsidade da imagem e a incoerência entre a base de representação e a base de medida do objeto. Algoritmos de programação linear foram desenvolvidos para reconstruir a imagem original a partir das amostras obtidas, com alto grau de sucesso. O presente trabalho explica o funcionamento de um destes algoritmos etapa por etapa. Exemplos de imagens reconstruídas usando um dos algoritmos propostos fazem parte do presente trabalho.

The present work shows a new metodology for the capture of IR, UV and visible images using a significantly smaller number of samples as dictated by the main Shannon-Nyquist sampling theory. This new metodology is based on a revolutionary and innovative theory called compressed sensing or compressive sampling. This theory proposes a new method for capturing the main information of the image or the object being sampled, based on the knowledge that these informations are sparse on a specific information coding base. Two essential caractheristics for this feature are sparsity of the image and the incoherence between the coding base and the measurement base. Linear programming algorithms were developed to reconstruct the original image from the samples obtained, with high level of success. The present work explains step by step the working principle of such algorithm. Examples of reconstructed images using the proposed algorithms are included in this work.