• deep learning
• fusione
• sentinel-2
• super-risoluzione

Le immagini fornite dalla missione Sentinel-2 dell'Agenzia Spaziale Europea (ESA), oltre ad essere accessibili in maniera gratuita, sono caratterizzate da un ottimo compromesso tra la risoluzione spaziale e la risoluzione spettrale. Queste immagini vengono acquisite su 13 bande tra il visibile, il vicino infrarosso e l’infrarosso a onda corta. Per garantire un elevato rapporto segnale-rumore, quattro bande vengono acquisite con una risoluzione spaziale pari a 10 m, tre bande vengono acquisite con una risoluzione pari a 20 m e sei bande vengono acquisite con una risoluzione pari a 60 m.
Negli ultimi anni stati sviluppati vari algoritmi per portare a 10 m la risoluzione delle bande a 20 m. In genere, per migliorare la risoluzione delle bande a 20 m, si effettua una fusione con le bande a 10 m. La fusione consente di estrarre i dettagli contenuti nelle bande a 10 m per iniettarli nelle bande a 20 m. In questo elaborato sono stati analizzati gli algoritmi di deep learning per la super-risoluzione delle immagini Sentinel-2 con lo scopo di approfondire alcune delle problematiche tipiche di questi algoritmi. Le prestazioni degli algoritmi sono state valutate sui dati simulati e, successivamente, gli algoritmi sono stati applicati ai dati reali.