• machine learning
• super-risoluzione
• deep learning
• reti neurali convoluzionali

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.