En el presente proyecto de fin de carrera se busca automatizar las técnicas de parametrización de la calidad de una imagen y de creación de máscaras de vegetación basadas en índices RGB y la correlación entre imágenes utilizando Python, con el fin de segmentar la vegetación de la imagen. El trabajo busca complementar el código ya existente del proyecto GeoRisk (https://georisk.upc.edu/es). Para encontrar la mejor manera de estimar la calidad de una imagen se han explorado diversos métodos. De estos métodos el que mejor resultados ha dado y se ha implementado ha sido el del índice de enfoque o varianza de la La placiana. En el ámbito de las máscaras de vegetación se han explorado diversos índices basados en RGB, siendo el GreenLeafIndex(GLI), el ExcessGreenIndex(ExG) y el Red-Green-Blue VegetationIndex(RGBVI) los que mejor han funcionado. Debido al amplio marco temporal del proyecto, se ha optado por transformar el color de las imágenes utilizando el espacio de color LAB, con tal de conseguir resultados homogéneos en todas las imágenes y mejorando la respuesta de los índices. De los resultados de estos índices se han creado máscaras binarias que segmentan la vegetación de la imagen. Por último, hemos realizado el registro de las imágenes para poder crear una máscara basada en la correlación de dos imágenes. Esta correlación se ha obtenido mediante el método Structural Similarity Index Measure(SSIM). Combinando estas dos máscaras hemos obtenido un producto final que mejora la segmentación de la vegetación basada únicamente en índices RGB, y a que las máscaras generadas a partir de la correlación entre imágenes han sido capaces de detectar ramas y hojas secas que se escapaban a los índices.
