Improving nonlinear dimensionality reduction algorithms for hyperspectral data

Abstract

Dimensionality reduction is a key step in hyperspectral image processing due to the large amount of data. Linear and nonlinear approaches have been proposed. The most important parameters on the majority of nonlinear dimensionality reduction algorithms (NLDR) are the number of neighbors used to construct the starting graph, and the number of dimensions of the low dimensional space where the data is embedded. This research work focuses on the influence of the first parameter on the DR. Newly proposed methods for constructing the weighted graph are used: k-VC, k-EC and k-MST which are alternatives to the classical approaches to k nearest neighbors (k-NN) and epsilon neighborhood (e-NN). This methods have the advantage that connectedness of the graph is guarantee and also update of the graph in case new data is available is computationally inexpensive compare to recalculating all the graph again as is needed on the classical algorithms. Also, a newly proposed neighborhood selection technique called cam-weighted neighborhood is used in combination with the NLDR algorithms. Finally, a method to improve the geodesic dis- tance estimation is explored. Experiments are carry out over hyperspectral datasets, where classification is used as the validation criteria.

Reducción de dimensionalidad es una etapa critica en el procesamiento de imágenes hyperspectrales debido a la gran cantidad de datos. Métodos lineales y nolineales han sido propuestos. El parámetro mas importante en la mayoría de los métodos nolineales de reducción de dimensionalidad (NLDR) es el número de vecinos usados para construir el grafo inicial, y el número de dimensiones del espacio donde la data es embebida. Este trabajo de investigación se centra en la influencia del primer parámetro en DR. Métodos recientemente propuestos para construir el grafo ponderado son usados: k-VC, k-EC y k-MST los cuales son alternativas a los métodos clásicos de k vecinos mas cercanos y vecinos dentro de una vecindad. Estos métodos tienen la ventaja de que la conectividad del grafo esta garantizada y además en caso de necesitar actualizar el grafo debido a la presencia de nueva información, el proceso es computacionalmente menor comparado a recalcular todo el grafo nuevamente como es requerido en los algoritmos clásicos. Además, un método de selección de vecinos propuesto recientemente llamado vecindad "cam-weighted" es es usado en combinación con los algoritmos de NLDR. Finalmente, un método para mejorar la estimación de la distancia geodésica es explorado. Se hicieron experimentos con datos hyperspectrales, donde la clasificación se uso como un criterio de validación.