Vis enkel innførsel

dc.contributor.advisorBratsberg, Svein-Erik
dc.contributor.advisorTofting, Adrian
dc.contributor.authorEllefsen, Lars Moe
dc.date.accessioned2019-09-26T14:00:42Z
dc.date.available2019-09-26T14:00:42Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2619036
dc.description.abstractI dette prosjektet har vi utviklet tre forskjellige metoder for å analysere Sentinel-2 satellitt-bilder som inneholder skip, med mål om å avgjøre om skipet er skjult av en sky. Vår motivasjon for denne oppgaven er å finne den optimale metoden for å kunne klassifisere bilder av skip med høyest mulig nøyaktighet. Målet med bildene og klassifiseringen er å kunne bruke de som et treningssett for å lære en maskinlærings-algoritme å gjenkjenne og spore skip i Sentinel-2 bilder. Ved å utvikle tre forskjellige metoder tillater det oss å sammenligne og evaluere de forskjellige metodene med hverandre og eksisterende løsninger, og også legge et grunnlag og detaljert beskrivelse for videre arbeid på oppgaven. Vi presenterer bakgrunnen og teorien for oppgaven for å gi leseren den nødvendige kunnskapen for å forstå hva vi gjør og hvorfor vi gjør det. Leseren vil også få en forståelse for hva som utgjør en korrekt og nøyaktig klassifisering av et Sentinel-2 bilde. De tre metodene presentert i denne oppgaven er fuzzy logikk metode for å avgjøre sannsynligheten for at skipet er tildekket, en bildesegmenterings-metode for å regne ut det potensielle skydekket over en båt, og til slutt en dyp lærings-metode som er i er stand til å produsere skysegmenter på et gitt bilde. Gjennom evaluering og analyser har vi fastslått at bildesegmentering er den mest nøyaktige metoden for å finne ut om skip er tildekket av en sky eller ikke. Vi presenterer også argumentet for bruk av vår dyp læring metode som det optimale valget for videre arbeid, gitt et bedre datasett av høyere kvalitet.
dc.description.abstractIn this project we have developed three different methods for analyzing Sentinel-2 satellite images containing ships, and determining whether the ship is obscured by a cloud or not. Our motivation for this work is to find the optimal method for correctly labeling images for use as training data in a ship detection machine learning model. By creating three different approaches we are able to compare and evaluate each approach with each other and existing solutions, as well as create a baseline and detailed outline for further work. We present the background and theory for our work to specify why and how we are doing this, as well as presenting an overview of what constitutes a correctly labeled image. The three different methods proposed in this work is a fuzzy logic reasoning method for determining the probability that the ship is obscured, an image segmentation method for calculating the cloud cover over the ship, and lastly a deep learning model capable of producing cloud masks on a given image. Through evaluation and analysis we uncovered that image segmentation was the most accurate method in correctly detecting when a ship is covered by a cloud, and we present the case for deep learning semantic segmentation being the optimal choice for further work given a better data set.
dc.languageeng
dc.publisherNTNU
dc.titleCloud Recognition and Masking of Earth Observation Imagery - An Optimized approach for Automatic Labeling of Sentinel-2 Imagery for Object Detection
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel