logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-04112022-121741


Tipo di tesi
Tesi di laurea magistrale
Autore
CIMMINO, FILIPPO
URN
etd-04112022-121741
Titolo
Algoritmi basati sull'apprendimento automatico per la super-risoluzione di immagini multispettrali
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
INGEGNERIA DELLE TELECOMUNICAZIONI
Relatori
relatore Prof. Acito, Nicola
relatore Prof. Corsini, Giovanni
relatore Prof. Diani, Marco
Parole chiave
  • deep learning
  • machine learning
  • reti neurali convoluzionali
  • super-risoluzione
Data inizio appello
05/05/2022
Consultabilità
Non consultabile
Data di rilascio
05/05/2092
Riassunto
Nel telerilevamento, la risoluzione spaziale delle immagini è fondamentale per numerose applicazioni, quali l'ambito meteorologico, l’imaging medico o i contesti militari.
In particolare, le immagini telerilevate sono caratterizzate da una scarsa risoluzione spaziale, dovuta a vari fattori, tra i quali l'elevata distanza tra il sensore e l'oggetto rilevato, le limitazioni tecnologiche dei sensori e l'eventuale presenza di disturbi atmosferici.
Negli ultimi decenni, la super-risoluzione a singola immagine (Single Image Super-Resolution - SISR) ha rappresentato un argomento di ricerca molto attivo nel campo dell'elaborazione delle immagini. I metodi SISR cercano di ricostruire un'immagine ad alta risoluzione (High Resolution - HR) a partire dalla conoscenza della corrispondente immagine a bassa risoluzione (Low Resolution - LR).
In questa tesi, viene mostrato come applicare gli approcci SISR alle immagini digitali acquisite tramite sensore, ottenendo ottimi risultati.
In particolare, verranno presentate tecniche basate sull'apprendimento profondo (Deep Learning), come la Super-Resolution Convolutional Neural Network (SRCNN) e la Very Deep Super-Resolution (VDSR). Saranno, inoltre, proposte delle modifiche strutturali agli algoritmi presenti in letteratura, in modo da ottenere un miglioramento delle prestazioni sia qualitative che quantitative.
File