HidroSIG: un sistema de información geográfica para la gestión de recursos naturales y modelación del medio ambiente

This paper describes HidroGIS, a GIS platform developed by Water Resources Program at Universidad Nacional de Colombia at Medellín. HidroSIG is a tool for hydrological variables visualization and analysis, using a set of modules that make this software a powerful tool for hydrological modeling. HidroSIG has tools for digital terrain models processing, water supply estimation using long term water balance in watersheds, a rainfall-runoff model, a model for landslide susceptibility estimation, an one-dimensional pollutant transport model, tools for homogeneity analysis in time series and tools for satellite images classification. The tools in development status are also described

Using appearance and context for outdoor scene object classification

We propose a probabilistic object classifier for outdoor scene analysis as a first step in solving the problem of scene context generation. The method begins with a top-down control, which uses the previously learned models (appearance and absolute location) to obtain an initial pixel-level classification. This information provides us the core of objects, which is used to acquire a more accurate object model. Therefore, their growing by specific active regions allows us to obtain an accurate recognition of known regions. Next, a stage of general segmentation provides the segmentation of unknown regions by a bottom-strategy. Finally, the last stage tries to perform a region fusion of known and unknown segmented objects. The result is both a segmentation of the image and a recognition of each segment as a given object class or as an unknown segmented object. Furthermore, experimental results are shown and evaluated to prove the validity of our proposal

Object and Scene Classification: what does a Supervised Approach Provide us?

Given a set of images of scenes containing different object categories (e.g. grass, roads) our objective is to discover these objects in each image, and to use this object occurrences to perform a scene classification (e.g. beach scene, mountain scene). We achieve this by using a supervised learning algorithm able to learn with few images to facilitate the user task. We use a probabilistic model to recognise the objects and further we classify the scene based on their object occurrences. Experimental results are shown and evaluated to prove the validity of our proposal. Object recognition performance is compared to the approaches of He et al. (2004) and Marti et al. (2001) using their own datasets. Furthermore an unsupervised method is implemented in order to evaluate the advantages and disadvantages of our supervised classification approach versus an unsupervised one

Scene Classification Using a Hybrid Generative/Discriminative Approach

We investigate whether dimensionality reduction using a latent generative model is beneficial for the task of weakly supervised scene classification. In detail, we are given a set of labeled images of scenes (for example, coast, forest, city, river, etc.), and our objective is to classify a new image into one of these categories. Our approach consists of first discovering latent ";topics"; using probabilistic Latent Semantic Analysis (pLSA), a generative model from the statistical text literature here applied to a bag of visual words representation for each image, and subsequently, training a multiway classifier on the topic distribution vector for each image. We compare this approach to that of representing each image by a bag of visual words vector directly and training a multiway classifier on these vectors. To this end, we introduce a novel vocabulary using dense color SIFT descriptors and then investigate the classification performance under changes in the size of the visual vocabulary, the number of latent topics learned, and the type of discriminative classifier used (k-nearest neighbor or SVM). We achieve superior classification performance to recent publications that have used a bag of visual word representation, in all cases, using the authors' own data sets and testing protocols. We also investigate the gain in adding spatial information. We show applications to image retrieval with relevance feedback and to scene classification in videos

Classification of textures seen from different distances and under varying illumination direction

Changes in the angle of illumination incident upon a 3D surface texture can significantly alter its appearance, implying variations in the image texture. These texture variations produce displacements of class members in the feature space, increasing the failure rates of texture classifiers. To avoid this problem, a model-based texture recognition system which classifies textures seen from different distances and under different illumination directions is presented in this paper. The system works on the basis of a surface model obtained by means of 4-source colour photometric stereo, used to generate 2D image textures under different illumination directions. The recognition system combines coocurrence matrices for feature extraction with a Nearest Neighbour classifier. Moreover, the recognition allows one to guess the approximate direction of the illumination used to capture the test image

A Novel Breast Tissue Density Classification Methodology

It has been shown that the accuracy of mammographic abnormality detection methods is strongly dependent on the breast tissue characteristics, where a dense breast drastically reduces detection sensitivity. In addition, breast tissue density is widely accepted to be an important risk indicator for the development of breast cancer. Here, we describe the development of an automatic breast tissue classification methodology, which can be summarized in a number of distinct steps: 1) the segmentation of the breast area into fatty versus dense mammographic tissue; 2) the extraction of morphological and texture features from the segmented breast areas; and 3) the use of a Bayesian combination of a number of classifiers. The evaluation, based on a large number of cases from two different mammographic data sets, shows a strong correlation ( and 0.67 for the two data sets) between automatic and expert-based Breast Imaging Reporting and Data System mammographic density assessment

Automatic classification of breast density

A recent trend in digital mammography is computer-aided diagnosis systems, which are computerised tools designed to assist radiologists. Most of these systems are used for the automatic detection of abnormalities. However, recent studies have shown that their sensitivity is significantly decreased as the density of the breast increases. This dependence is method specific. In this paper we propose a new approach to the classification of mammographic images according to their breast parenchymal density. Our classification uses information extracted from segmentation results and is based on the underlying breast tissue texture. Classification performance was based on a large set of digitised mammograms. Evaluation involves different classifiers and uses a leave-one-out methodology. Results demonstrate the feasibility of estimating breast density using image processing and analysis techniques

A new approach to the classification of mammographic masses and normal breast tissue

A new approach to mammographic mass detection is presented in this paper. Although different algorithms have been proposed for such a task, most of them are application dependent. In contrast, our approach makes use of a kindred topic in computer vision adapted to our particular problem. In this sense, we translate the eigenfaces approach for face detection/classification problems to a mass detection. Two different databases were used to show the robustness of the approach. The first one consisted on a set of 160 regions of interest (RoIs) extracted from the MIAS database, being 40 of them with confirmed masses and the rest normal tissue. The second set of RoIs was extracted from the DDSM database, and contained 196 RoIs containing masses and 392 with normal, but suspicious regions. Initial results demonstrate the feasibility of using such approach with performances comparable to other algorithms, with the advantage of being a more general, simple and cost-effective approach

Classification of sags according to their origin based on the waveform similarity

A statistical method for classification of sags their origin downstream or upstream from the recording point is proposed in this work. The goal is to obtain a statistical model using the sag waveforms useful to characterise one type of sags and to discriminate them from the other type. This model is built on the basis of multi-way principal component analysis an later used to project the available registers in a new space with lower dimension. Thus, a case base of diagnosed sags is built in the projection space. Finally classification is done by comparing new sags against the existing in the case base. Similarity is defined in the projection space using a combination of distances to recover the nearest neighbours to the new sag. Finally the method assigns the origin of the new sag according to the origin of their neighbours

Estructura i dinàmica del sistema bentònic en llacunes costaneres dels aiguamolls de l'Empordà

S'ha estudiat l'estructura i dinàmica del sistema bentònic de llacunes costaneres de la maresma dels aiguamolls de l'Empordà (NE de la península Ibèrica) i els factors que les determinen. Amb aquesta finalitat es van prendre mostres d'organismes del bentos (mensualment), nutrients i pigments de l'aigua (setmanalment) i el sediment (mensualment), així com paràmetres físics de l'aigua (setmanalment), durant dos cicles d'inundació (1997-1998 i 1998-1999). En aquesta maresma els factors determinants per als organismes bentònics i el contingut en nutrients del sediment són principalment físics: el grau de permanència de l'aigua, el confinament i la granulometria. De manera que els factors tròfics tenen menys pes que els físics tal com es posa de manifest amb les associacions de nematodes. El règim hídric de les llacunes integra des del grau de permanència de l'aigua fins a la salinitat i el confinament, per la qual cosa a partir de la caracterització dels diferents tipus de règim hídric es poden discriminar les tres tipologies d'ambients amb comunitats bentòniques diferenciades en l'estructura, la composició i la dinàmica temporal. Així, les tres comunitats diferenciades són: (1) la d'aigües permanents caracteritzada per una riquesa i diversitat elevades i constants en el temps, i per un nombre més elevat de tàxons sense adaptacions per passar situacions adverses; (2) la d'aigües semipermanents i temporànies d'inundació pulsativa, caracteritzada per una menor riquesa i diversitat, i per la dominància d'organismes amb estructures de resistència per passar la fase seca i aguantar condicions desfavorables, i (3) la d'aigües temporànies d'inundació continuada, caracteritzada per una major variabilitat de la riquesa i diversitat al llarg del cicle i per una singularitat taxonòmica més elevada, ja que s'observen cladòcers i una major representació taxonòmica dels insectes. Durant la realització d'aquest estudi els dos cicles d'inundació van suposar entrades d'aigua en el sistema diferents, per això es va diferenciar un cicle humit (1997-1998) i un de sec (1998-1999). En relació amb la major importància de les entrades d'aigua en el sistema, es va observar un contingut en nutrients de l'aigua significativament superior durant el cicle humit. Pel que fa al sediment, la seva major inèrcia explicaria la manca de diferències significatives en el contingut en nutrients del sediment del cicle humit i del sec. Ara bé, sí que s'observa diferència en la composició d'organismes. Així, la variabilitat interanual en l'estructura de la comunitat bentònica de la maresma es pot atribuir a una situació d'estrès provocada pel cicle sec. Aquesta situació va comportar un augment de la diversitat per disminució de la dominància a totes les llacunes estudiades, determinada, en gran manera, per la disminució de l'abundància original de poblacions dominants i característiques d'ambients permanents, Corophium orientale, o temporànies, Gammarus aequicauda. No existeix un patró estacional en les comunitats estudiades, sinó que els principals canvis en el plàncton i el bentos són deguts a pertorbacions hídriques. Aquestes pertorbacions provoquen que s'estableixi una situació en què dominen uns tàxons característics en el plàncton (Synchaeta i Eutintinnus) i, en canvi, que en el bentos es perdi l'estructura pròpia de les comunitats característiques dels diferents ambients (comunitats dominades per Corophium orinetale en aigües permanents i per Chironomus salinarius en temporànies). La severitat és diferent en funció del grau de permanència de l'aigua, i és més alta en ambients permanents i més baixa en els temporanis. La major severitat en ambients permanents ve determinada per la menor adaptació del bentos d'aigües permanents a les fluctuacions ambientals i a l'efecte de la predació sobre el plàncton. A més, tant en el bentos com en el plàncton es donen fenòmens d'histèresi, segons els quals l'efecte de la pertorbació no solament depèn de la causa pertorbadora sinó també de l'estat en què es troba la comunitat en el moment de la pertorbació.

Image classification for a large number of object categories

L'increment de bases de dades que cada vegada contenen imatges més difícils i amb un nombre més elevat de categories, està forçant el desenvolupament de tècniques de representació d'imatges que siguin discriminatives quan es vol treballar amb múltiples classes i d'algorismes que siguin eficients en l'aprenentatge i classificació. Aquesta tesi explora el problema de classificar les imatges segons l'objecte que contenen quan es disposa d'un gran nombre de categories. Primerament s'investiga com un sistema híbrid format per un model generatiu i un model discriminatiu pot beneficiar la tasca de classificació d'imatges on el nivell d'anotació humà sigui mínim. Per aquesta tasca introduïm un nou vocabulari utilitzant una representació densa de descriptors color-SIFT, i desprès s'investiga com els diferents paràmetres afecten la classificació final. Tot seguit es proposa un mètode par tal d'incorporar informació espacial amb el sistema híbrid, mostrant que la informació de context es de gran ajuda per la classificació d'imatges. Desprès introduïm un nou descriptor de forma que representa la imatge segons la seva forma local i la seva forma espacial, tot junt amb un kernel que incorpora aquesta informació espacial en forma piramidal. La forma es representada per un vector compacte obtenint un descriptor molt adequat per ésser utilitzat amb algorismes d'aprenentatge amb kernels. Els experiments realitzats postren que aquesta informació de forma te uns resultats semblants (i a vegades millors) als descriptors basats en aparença. També s'investiga com diferents característiques es poden combinar per ésser utilitzades en la classificació d'imatges i es mostra com el descriptor de forma proposat juntament amb un descriptor d'aparença millora substancialment la classificació. Finalment es descriu un algoritme que detecta les regions d'interès automàticament durant l'entrenament i la classificació. Això proporciona un mètode per inhibir el fons de la imatge i afegeix invariança a la posició dels objectes dins les imatges. S'ensenya que la forma i l'aparença sobre aquesta regió d'interès i utilitzant els classificadors random forests millora la classificació i el temps computacional. Es comparen els postres resultats amb resultats de la literatura utilitzant les mateixes bases de dades que els autors Aixa com els mateixos protocols d'aprenentatge i classificació. Es veu com totes les innovacions introduïdes incrementen la classificació final de les imatges.