Gli Autoencoder nel Digital Image Processing
Abstract
Questo studio esplora l'efficacia degli autoencoder nell'apprendimento non supervisionato applicato al Digital Image Processing, con un focus innovativo sulla generazione di modelli archetipici definiti "pseudoimmagini". Partendo dall'architettura fondamentale encoder-decoder, il report analizza come lo spazio latente possa essere utilizzato non solo per il denoising standard, ma per formalizzare pattern strutturali profondi. La metodologia, originariamente sviluppata per la spettroscopia Raman, viene qui traslata all'analisi di immagini satellitari degli Stati Uniti, sfruttando la regolarità geometrica del Public Land Survey System (PLSS). I risultati dimostrano che l'autoencoder, attraverso il clustering dello spazio latente, è in grado di identificare e ricostruire visivamente i centroidi dei cluster (pseudoimmagini), fornendo rappresentazioni idealizzate di paesaggi rurali, industriali e di transizione. Il lavoro sottolinea la versatilità transdisciplinare del concetto di "pseudospettro" come strumento per la creazione di librerie di riferimento sintetiche e la validazione della logica interna dell'Intelligenza Artificiale.