Applicazione dell'algoritmo EDSR di super-resolution ad immagini in microscopia

La super risoluzione di immagini è un metodo di image processing, volto al miglioramento delle immagini, che sta assumendo maggiore importanza in diversi ambiti: dal miglioramento di immagini di sorveglianza, alla super risoluzione di immagini in campo medico. La super risoluzione di immagini ha lo scopo di aumentare la risoluzione spaziale di un'immagine al fine di migliorarne i dettagli e la qualità. Ci sono diversi metodi che assolvono questo compito: inteprolation based e learnign based. Negli ultimi decenni la ricerca si è concentrata sullo sviluppo di metodi learning based, in particolare recentemente sono stati sviluppati modelli per la super risoluzione di immagini di tipo deep learning. In questo lavoro di tesi sono analizzate le performance del modello di super risoluzione EDSR (Enhanced Deep Residual Networks for Single Image Super-Resolution) su immagini differenti rispetto a quelle utilizzate per il suo addestramento (immagini RGB dal dataset div2k). Il modello, in questo lavoro, è stato applicato principalmente ad immagini in greyscale: MNIST dataset, immagini di microscopia in campo chiaro e in fluorescenza. La qualità dei risultati è stata analizzata confrontando le immagini prodotte dal modello EDSR con quelle prodotte da un algoritmo di interpolazione bicubica, valutando sia la qualità visiva che quella quantitativa, attraverso gli indici numerici di PSNR e SSIM. A seguito dell'applicazione sulle immagini in greyscale del MNIST e in campo chiaro, il modello EDSR produce risultati migliori rispetto alle immagini super risolte con interpolazione bicubica e a quelle a bassa risoluzione che gli vengono fornite. La sua applicazione ad immagini in fluorescenza, invece, non ha portato a risultati nettamente migliori: solo il valore di SSIM risulta favorevole al modello EDSR.