Detekce mraků v satelitních obrazech

Abstract

V posledních letech došlo k enormnímu nárůstu veřejně dostupných satelitních snímků a celkového množství vynešených satelitů, což předložilo náročný problém s daty, jak označit nebo klasifikovat objekty na satelitních snímcích. Tato práce uvede algoritmus Fmask[1], state of the art řešení, detekce mraků a stínů, a zkoumá problém syntézy družicových dat a problém sémantického značení družicových snímků návrhem, provedením a vyhodnocením neuronové sítě. Výsledný algoritmus syntetizuje obraz na oblaka a zem, které lze kombinovat s jakýmkoliv jiným obrázkem, a tím se vytvoří nová nebo vylepšená stávající data. Hlavním přínosem této diplomové práce je využití syntézy datasetu při učení neuronových sítí. Na skutečném datasetu jsme dosáhli 94.3% přesnosti (accuracy). Neuronové sítě byly vytvořeny za pomoci knihovny Caffe[2].

In recent years there has been an enormous growth in the amount of publicly available satellite imagery and overall satellites launched, which has imposed a challenging data problem of how to label or classify objects on satellite imagery. This thesis reviews Fmask algorithm[1], a state of the art solution, of cloud and shadow detection, and explores a problem of synthesizing satellite data and a problem of semantic labelling of satellite imagery by designing, implementing and evaluating neural network. The resulting pipeline synthesizes image into clouds and background. The modelled clouds can be then combined with any other image creating a new or enhanced data. The main contribution of this thesis is the utilization of the dataset synthesis in learning of neural networks. We have achieved 94.3% střídavý on a real world dataset. Neural networks were created with a help of Caffe framework[2].