A new approach to segmentation of remote sensing images with hidden markov models

Autores
Baumgartner, Josef; Scavuzzo, Marcelo; Rodríguez Rivero, Cristian; Pucheta, Julián
Año de publicación
2014
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Scavuzzo, Marcelo. Comision Nacional de Actividades Espaciales; Argentina.
Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
In this work, we present a new segmentation algorithm for remote sensing images based on two-dimensional Hidden Markov Models (2D-HMM). In contrast to most 2D-HMM approaches, we do not use Viterbi Training, instead we propose to propagate the state probabilities through the image. Therefore, we denote our algorithm Complete Enumeration Propagation (CEP). To evaluate the performance of CEP, we compare it to the standard 2D-HMM approach called Path Constrained Viterbi Training (PCVT). As both algorithms are not restricted to a certain emission probability, we evaluate the performance of seven probability functions, namely Gamma, Generalized Extreme Value, inverse Gaussian, Logistic, Nakagami, Normal and Weibull. The experimental results show that our approach outperforms PCVT and other benchmark algorithms. Furthermore, we show that the choice of the probability distribution is crucial for many segmentation tasks.
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6868456
Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Scavuzzo, Marcelo. Comision Nacional de Actividades Espaciales; Argentina.
Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Sistemas de Automatización y Control
Materia
Algorithm
2D-HMM
Complete Enumeration Propagation
Path Constrained Viterbi Training
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:11086/29331
Acceder
id RDUUNC_daf36ecdf1b489b49a7f929a28ad3caf
oai_identifier_str oai:rdu.unc.edu.ar:11086/29331
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling A new approach to segmentation of remote sensing images with hidden markov modelsBaumgartner, JosefScavuzzo, MarceloRodríguez Rivero, CristianPucheta, JuliánAlgorithm2D-HMMComplete Enumeration PropagationPath Constrained Viterbi TrainingFil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.Fil: Scavuzzo, Marcelo. Comision Nacional de Actividades Espaciales; Argentina.Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.In this work, we present a new segmentation algorithm for remote sensing images based on two-dimensional Hidden Markov Models (2D-HMM). In contrast to most 2D-HMM approaches, we do not use Viterbi Training, instead we propose to propagate the state probabilities through the image. Therefore, we denote our algorithm Complete Enumeration Propagation (CEP). To evaluate the performance of CEP, we compare it to the standard 2D-HMM approach called Path Constrained Viterbi Training (PCVT). As both algorithms are not restricted to a certain emission probability, we evaluate the performance of seven probability functions, namely Gamma, Generalized Extreme Value, inverse Gaussian, Logistic, Nakagami, Normal and Weibull. The experimental results show that our approach outperforms PCVT and other benchmark algorithms. Furthermore, we show that the choice of the probability distribution is crucial for many segmentation tasks.http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6868456Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.Fil: Scavuzzo, Marcelo. Comision Nacional de Actividades Espaciales; Argentina.Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.Sistemas de Automatización y Control2014info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf978-1-4799-4269-5http://hdl.handle.net/11086/29331enginfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-11T10:19:32Zoai:rdu.unc.edu.ar:11086/29331Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-11 10:19:32.404Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv A new approach to segmentation of remote sensing images with hidden markov models
title A new approach to segmentation of remote sensing images with hidden markov models
spellingShingle A new approach to segmentation of remote sensing images with hidden markov models
Baumgartner, Josef
Algorithm
2D-HMM
Complete Enumeration Propagation
Path Constrained Viterbi Training
title_short A new approach to segmentation of remote sensing images with hidden markov models
title_full A new approach to segmentation of remote sensing images with hidden markov models
title_fullStr A new approach to segmentation of remote sensing images with hidden markov models
title_full_unstemmed A new approach to segmentation of remote sensing images with hidden markov models
title_sort A new approach to segmentation of remote sensing images with hidden markov models
dc.creator.none.fl_str_mv Baumgartner, Josef
Scavuzzo, Marcelo
Rodríguez Rivero, Cristian
Pucheta, Julián
author Baumgartner, Josef
author_facet Baumgartner, Josef
Scavuzzo, Marcelo
Rodríguez Rivero, Cristian
Pucheta, Julián
author_role author
author2 Scavuzzo, Marcelo
Rodríguez Rivero, Cristian
Pucheta, Julián
author2_role author
author
author
dc.subject.none.fl_str_mv Algorithm
2D-HMM
Complete Enumeration Propagation
Path Constrained Viterbi Training
topic Algorithm
2D-HMM
Complete Enumeration Propagation
Path Constrained Viterbi Training
dc.description.none.fl_txt_mv Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Scavuzzo, Marcelo. Comision Nacional de Actividades Espaciales; Argentina.
Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
In this work, we present a new segmentation algorithm for remote sensing images based on two-dimensional Hidden Markov Models (2D-HMM). In contrast to most 2D-HMM approaches, we do not use Viterbi Training, instead we propose to propagate the state probabilities through the image. Therefore, we denote our algorithm Complete Enumeration Propagation (CEP). To evaluate the performance of CEP, we compare it to the standard 2D-HMM approach called Path Constrained Viterbi Training (PCVT). As both algorithms are not restricted to a certain emission probability, we evaluate the performance of seven probability functions, namely Gamma, Generalized Extreme Value, inverse Gaussian, Logistic, Nakagami, Normal and Weibull. The experimental results show that our approach outperforms PCVT and other benchmark algorithms. Furthermore, we show that the choice of the probability distribution is crucial for many segmentation tasks.
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6868456
Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Scavuzzo, Marcelo. Comision Nacional de Actividades Espaciales; Argentina.
Fil: Rodríguez Rivero, Cristian. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Fil: Pucheta, Julián. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
Sistemas de Automatización y Control
description Fil: Baumgartner, Josef. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación Matemática Aplicada a Control; Argentina.
publishDate 2014
dc.date.none.fl_str_mv 2014
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 978-1-4799-4269-5
http://hdl.handle.net/11086/29331
identifier_str_mv 978-1-4799-4269-5
url http://hdl.handle.net/11086/29331
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_ 1842975220098400256
score 13.004268

Publicaciones similares