Transformar conjuntos bi-dimensionales de píxeles de imagen en secuencias mono-dimensionales con un escaneo de Peano (PS) es una técnica establecida que permite el uso de cadenas de Markov ocultas (HMCs) para la segmentación de imágenes no supervisada. Los métodos de segmentación bayesianos relacionados pueden competir con los basados en campos de Markov ocultos (HMFs) y son mucho más rápidos. PS ha sido extendido recientemente al PS contextual, y algunos experimentos iniciales han mostrado el valor del modelo HMC asociado, denominado como HMC-CPS, en la segmentación de imágenes. Además, las HMCs han sido extendidas a cadenas de Markov de evidencia oculta (HEMCs), que son capaces de mejorar la segmentación bayesiana basada en HMC. En este estudio, presentamos un nuevo modelo HEMC-CPS al considerar simultáneamente PS contextual y HMC de evidencia. Mostramos su efectividad para la segmentación del modo posterior máximo bayesiano (MPM) utilizando imágenes sintéticas y reales. La segmentación se realiza de manera no supervisada, con los parámetros siendo estimados utilizando el método de esperanza-maximización estocástica (SEM). El nuevo modelo HEMC-CPS presenta potencial para el modelado y segmentación de imágenes más complejas, como imágenes tridimensionales o multi-sensor multi-resolución. Finalmente, los modelos HMC-CPS y HEMC-CPS no se limitan a la segmentación de imágenes y podrían ser utilizados para cualquier tipo de datos correlacionados espacialmente.