Analisi delle prestazioni di una rete neurale convoluzionale per la super-resolution di un'immagine

In questa tesi viene trattato il problema inverso della Super-Resolution di un’immagine singola (SISR), che consiste nel ricostruire un’immagine ad alta risoluzione a partire dalla conoscenza di una sua versione a bassa risoluzione, e vengono analizzate nel dettaglio tecniche di ricostruzione basate sul Deep-Learning. Oggi in molte applicazioni, la risoluzione delle immagini è diventata molto importante. Per esempio, nell’ambito della video-sorveglianza, una risoluzione più elevata nelle telecamere può consentire di vedere molti più dettagli, che potrebbero, ad esempio, facilitare un'indagine; altri settori in cui è utile avere immagini ad alta risoluzione sono l’ambito delle immagini mediche, per permettere chiare diagnosi, l’ambito delle immagini satellitari, l’ambito della microscopia, etc. Sfortunatamente, aumentare la risoluzione a livello di sensore richiede l'acquisto di nuove apparecchiature, il che potrebbe essere finanziariamente proibitivo. Per trovare soluzione a questo problema, sono state studiate in letteratura numerose tecniche per ricostruire immagini a più alta risoluzione, partendo da un’immagine a bassa risoluzione. In questa tesi, viene studiato e testato un metodo di SISR, noto in letteratura, che sfrutta tecniche Deep-Learning per la sua risoluzione. Dopo un’introduzione sull’architettura delle Reti Neurali Artificiali (ANN), si va nel dettaglio di quelle di tipo Convoluzionale (CNN) e si analizza una rete di riferimento della letteratura inerente a questo campo cioè la Rete SRCNN, per arrivare ad approfondire uno strumento più moderno ed efficace che ne supera i limiti, la Very-Deep Super-Resolution Network (VDSR). I risultati di ricostruzione ottenuti utilizzando la rete VDSR vengono confrontati, in termini di accuratezza, con quelli ottenuti mediante la tecnica di interpolazione bicubica, al variare dei fattori di scala.