'Compressed Sensing' (CS), introducido en 2006, es una técnica que garantiza la reconstrucción exacta de datos utilizando menos muestras que aquellas predecidas por el Teorema de Nyquist. Esta garantia es obtenida para datos con una representación 'sparse' (pocos elementos diferentes de cero) en alguna base y está basada en un esquema de muestreo incoherente. Desde su introducción (2006), CS ha recibido gran atención de la comunidad científica, lo cual se puede observar en la gran cantidad de publicaciones indexadas y arbitradas sobre este tema. En particular, se ha demostrado que varias aplicaciones se benefician de CS, por ejemplo: procesamiento de imágenes y video, comunicaciones, radar, biología, astronomia, etc. Sin embargo, su aplicación a problemas prácticos relacionados al procesamiento de imágenes (tales como procesamiento de imágenes hyperespectrales y médicas, lascuales son tema central del presente proyecto) sigue siendo un problema abierto. El presente proyecto agrupa a investigadores de Colombia (Universidad de Santander, UDES), Francia (Institut de Recherche en Informatique de Toulouse, IRIT) y Perú (Pontificia Universidad Católica del Perú, PUCP), los cuales provienen de diferentes comunidades: imágenes hiperespectrales, 'medical imaging' y problemas inversos en procesamiento digital de señales/imágenes respectivamente, con el objetivo de desarrollar nuevas metodologias orientadas al análisis de imágenes hiperespectrales e imágenes médicas via CS.