Un Algoritmo Supervisado para el Estudio de Cultivos a través de Firmas Espectrales en Imágenes de Satélite

Abstract

En este trabajo se propone una generalización de un modelo de Campo de Medida de Pro- babilidad que permite combinar verosimilitudes provenientes de diferentes fuentes de informa- ción. El algoritmo se aplica para identificar distintos tipos de vegetación en imágenes del satélite Landsat-5 TM. Para cada fuente de información que se considera, se obtienen histogramas tri- dimensionales. De cada histograma se estima una verosimilitud. La verosimilitud final es una combinación lineal de todas las calculadas. Los pesos de la combinación están en función de la entropía de las distribuciones de probabilidad derivadas de la verosimilitud estimada en ca- da histograma. Para procesar una imagen, se usa la verosimilitud de cada píxel en pertenecer a una clase (tipo de vegetación). Este dato es la entrada del algoritmo de segmentación proba- bilístico llamado Campos de medida Gausianos Markovianos. Este algoritmo proporciona una estimación de la probabilidad de un pixel en pertenecer a una clase. La segmentación final se obtiene fácilmente mediante la maximización de la probabilidad discreta estimada para cada pi- xel. Los experimentos con datos reales muestran que el algoritmo propuesto obtiene resultados competitivos en comparación con otras técnicas reportadas.