tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Additional title: |
Aplicación de técnicas de inpainting para la reconstrucción de imágenes satelitales afectadas por nubes |
| Additional title: |
Application of inpainting techniques for the reconstruction of satellite images affected by clouds |
| Date: |
2025 |
| Abstract: |
Aquest projecte estudia l'aplicació de tècniques d'inpainting per eliminar núvols en imatges satel·litals, amb l'objectiu de restaurar de manera plausible informació perduda de l'escena. S'han avaluat diversos mètodes clàssics com TE-LEA, Navier-Stokes i FSR, i també arquitectures d'aprenentatge profund com U-Net i DeepFillv2, emprant el conjunt de dades CloudSen12. L'anàlisi inclou mètriques quantitatives com PSNR i SSIM, i també una avaluació qualitativa visual. Els resultats mostren que els mètodes basats en deep learning superen els clàssics, especialment en reconstruc-cions de grans zones ocultes. Per explorar el límit de rendiment dels models, s'han aplicat millores com l'ús de màs-cares separades i canals d'entrada addicionals, que han aportat una millora clara. Finalment, s'ha fet un darrer expe-riment amb augmentació de dades mitjançant rotacions aleatòries i inversions horitzontals i verticals, que ha aportat una millora addicional. En aquest context, també s'ha simulat el procés de restauració aplicant les màscares d'imatges ennuvolades sobre les seves versions sense núvols, permetent una avaluació més controlada. |
| Abstract: |
Este proyecto estudia la aplicación de técnicas de inpainting para eliminar nubes en imágenes satelitales, con el objetivo de restaurar de manera plausible la información perdida de la escena. Se han evaluado diversos métodos clásicos como TELEA, Navier-Stokes y FSR, y también arquitecturas de aprendizaje profundo como U-Net y DeepFillv2, empleando el conjunto de datos CloudSen12. El análisis incluye métricas cuantitativas como PSNR y SSIM, y también una evaluación cualitativa visual. Los resultados muestran que los métodos basados en deep learning superan a los clásicos, especialmente en reconstrucciones de grandes zonas ocultas. Para explorar el límite de rendimiento de los modelos, se han aplicado mejoras como el uso de máscaras separadas y canales de entrada adicionales, que han aportado una mejora clara. Finalmente, se ha realizado un último experimento con aumento de datos mediante rotaciones aleatorias e inversiones horizontales y verticales, que ha aportado una mejora adicional. En este contexto, también se ha simulado el proceso de restauración aplicando las máscaras de imágenes nubladas sobre sus versiones sin nubes, permitiendo una evaluación más controlada. |
| Abstract: |
This project explores the application of inpainting techniques to remove clouds from satellite images, with the aim of plausibly restoring missing scene information. Several classical methods such as TELEA, Navier-Stokes and FSR have been evaluated, along with deep learning architectures like U-Net and DeepFillv2, using the CloudSen12 data-set. The analysis includes quantitative metrics such as PSNR and SSIM, as well as a qualitative visual evaluation. The results show that deep learning methods outperform classical ones, especially when reconstructing large occluded areas. To explore the performance limits of the models, improvements such as the use of separate masks and additio-nal input channels were applied, leading to noticeable gains. Finally, a last experiment with data augmentation-using random rotations and horizontal and vertical flips-brought further improvements. In this context, the restora-tion process was also simulated by applying the cloud masks to the corresponding cloud-free images, enabling a more controlled evaluation. |
| Rights: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original.  |
| Language: |
Català |
| Studies: |
Enginyeria Informàtica [2502441] |
| Study plan: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Subject area: |
Menció Computació |
| Subject: |
Inpainting ;
Imatges satel·litals ;
Visió per computador ;
Núvols ;
Aprenentatge profund ;
Restauració d'imatges ;
CloudSen12 ;
Imágenes satelitales ;
Visión por computador ;
Nubes ;
Aprendizaje profundo ;
Restauración de imágenes ;
Satellite imagery ;
Computer vision ;
Clouds ;
Deep learning ;
Image restoration |
guest ::
tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
