Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models

Autores
Baumgartner, J.; Giménez, J.; Pucheta, J.; Flesia, A. G.
Año de publicación
2013
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Fil: Baumgartner, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Giménez, J. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Pucheta, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Flesia, A.G. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Flesia, A. G. Universidad Tecnológica Nacional. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.
Image segmentation is a key competence for many real life applications such as precision agriculture. In this work we present an approach to classify agricultural fields in noisy satellite images. We start with the Markovian neighborhood hypothesis from where on we derive a general two-dimensional hidden Markov model (2D-HMM). To make the 2D-HMM feasible we apply the Path-Constrained Variable-State Viterbi Algorithm (PCVSVA) which allows us to approximate the optimal hidden state map. We evaluate the PCVSVA for a Landsat image of the province of C´ordoba, Argentina and a synthetic satellite image. In both cases we use Cohen’s κb coefficient to compare the PCVSVA and the solution obtained by maximum likelihood (ML) to show the effectiveness of 2D-HMM of solving image segmentation tasks.
Fil: Baumgartner, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Giménez, J. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Pucheta, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Flesia, A.G. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Flesia, A. G. Universidad Tecnológica Nacional. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.
Sistemas de Automatización y Control
Materia
Satellite farming
pattern recognition
image segmentation
hidden Markov models
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/21531
Acceder
id RDUUNC_84a564d6bf19b0d7aa6c7946d9a9b26a
oai_identifier_str oai:rdu.unc.edu.ar:11086/21531
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov ModelsBaumgartner, J.Giménez, J.Pucheta, J.Flesia, A. G.Satellite farmingpattern recognitionimage segmentationhidden Markov modelsFil: Baumgartner, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.Fil: Giménez, J. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Fil: Pucheta, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.Fil: Flesia, A.G. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Fil: Flesia, A. G. Universidad Tecnológica Nacional. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.Image segmentation is a key competence for many real life applications such as precision agriculture. In this work we present an approach to classify agricultural fields in noisy satellite images. We start with the Markovian neighborhood hypothesis from where on we derive a general two-dimensional hidden Markov model (2D-HMM). To make the 2D-HMM feasible we apply the Path-Constrained Variable-State Viterbi Algorithm (PCVSVA) which allows us to approximate the optimal hidden state map. We evaluate the PCVSVA for a Landsat image of the province of C´ordoba, Argentina and a synthetic satellite image. In both cases we use Cohen’s κb coefficient to compare the PCVSVA and the solution obtained by maximum likelihood (ML) to show the effectiveness of 2D-HMM of solving image segmentation tasks.Fil: Baumgartner, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.Fil: Giménez, J. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Fil: Pucheta, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.Fil: Flesia, A.G. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.Fil: Flesia, A. G. Universidad Tecnológica Nacional. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.Sistemas de Automatización y Control2013info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1852-48501852-4850http://hdl.handle.net/11086/21531enginfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-04T12:33:52Zoai:rdu.unc.edu.ar:11086/21531Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-04 12:33:52.534Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
title Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
spellingShingle Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
Baumgartner, J.
Satellite farming
pattern recognition
image segmentation
hidden Markov models
title_short Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
title_full Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
title_fullStr Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
title_full_unstemmed Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
title_sort Classication of Agricultural Fields in Satellite Images Using Two-Dimensional Hidden Markov Models
dc.creator.none.fl_str_mv Baumgartner, J.
Giménez, J.
Pucheta, J.
Flesia, A. G.
author Baumgartner, J.
author_facet Baumgartner, J.
Giménez, J.
Pucheta, J.
Flesia, A. G.
author_role author
author2 Giménez, J.
Pucheta, J.
Flesia, A. G.
author2_role author
author
author
dc.subject.none.fl_str_mv Satellite farming
pattern recognition
image segmentation
hidden Markov models
topic Satellite farming
pattern recognition
image segmentation
hidden Markov models
dc.description.none.fl_txt_mv Fil: Baumgartner, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Giménez, J. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Pucheta, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Flesia, A.G. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Flesia, A. G. Universidad Tecnológica Nacional. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.
Image segmentation is a key competence for many real life applications such as precision agriculture. In this work we present an approach to classify agricultural fields in noisy satellite images. We start with the Markovian neighborhood hypothesis from where on we derive a general two-dimensional hidden Markov model (2D-HMM). To make the 2D-HMM feasible we apply the Path-Constrained Variable-State Viterbi Algorithm (PCVSVA) which allows us to approximate the optimal hidden state map. We evaluate the PCVSVA for a Landsat image of the province of C´ordoba, Argentina and a synthetic satellite image. In both cases we use Cohen’s κb coefficient to compare the PCVSVA and the solution obtained by maximum likelihood (ML) to show the effectiveness of 2D-HMM of solving image segmentation tasks.
Fil: Baumgartner, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Giménez, J. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Pucheta, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
Fil: Flesia, A.G. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Flesia, A. G. Universidad Tecnológica Nacional. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.
Sistemas de Automatización y Control
description Fil: Baumgartner, J. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina.
publishDate 2013
dc.date.none.fl_str_mv 2013
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv 1852-4850
1852-4850
http://hdl.handle.net/11086/21531
identifier_str_mv 1852-4850
url http://hdl.handle.net/11086/21531
dc.language.none.fl_str_mv eng
language eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1842349668650975232
score 13.13397

Publicaciones similares