Manian, VidyaOrozco Sandoval, Jairo J.2025-04-242025-04-242025-04-12https://hdl.handle.net/20.500.11801/7309Hyperspectral image (HSI) classification is a challenging task due to the high di- mensionality, spectral redundancy, and complex spatial structures present in the data. Traditional deep learning models, such as Convolutional Neural Networks (CNNs), often fail to capture the non-Euclidean relationships among pixels, leading to suboptimal classification performance. Graph Convolutional Networks (GCNs) offer a promising alternative by modeling HSIs as graphs, where nodes represent pixels or superpixels, and edges encode spectral-spatial relationships. This thesis investigates the effectiveness of GCNs for HSI classification by constructing and optimizing graph representations. Several similarity metrics, including Spectral Information Divergence (SID), Spectral Angle Mapper (SAM), Wasserstein Distance (WD), and Radial Basis Function (RBF), are explored to generate adjacency matrices that accurately capture pixel-wise depen- dencies. Additionally, an adaptive neighborhood selection mechanism is developed to dynamically refine graph connectivity and improve classification accuracy. To evaluate the proposed methodologies, several experiments are conducted on multiple benchmark datasets, including Indian Pines, Pavia University, Salinas, Botswana, and University of Houston. An ablation study is performed to assess the impact of different adjacency matrix constructions and neighborhood selection strategies. Results demonstrate that GCNs leveraging adaptive graph representations significantly outperform traditional CNNs and other GCN based deep learning methods, particularly in scenarios with lim- ited training samples. Furthermore, a novel dimensionality reduction approach based on Local Linear Embeddings (LLE) is integrated with GCNs to enhance computational efficiency without compromising classification accuracy. Hybrid architectures, incorporating autoencoders based in deep neural networks (DNNs) and CNN with GCN for accuracy improvement are presented. Among the proposed models, the S3CLLE-WGCN framework achieves state-of-the-art performance across multiple datasets, setting new benchmarks in HSI classification. The findings of this research highlight the advan- tages of leveraging graph-based learning techniques for HSI analysis. The integration of similarity measures for adjacency matrix construction, spectral, and spatial information into graph structures enables a more expressive representation of HSI data, paving the way for improved classification accuracy in practical applications such as precision agriculture, environmental monitoring, and land cover mapping.La clasificación de imágenes hiperespectrales (HSI) es una tarea desafiante debido a la alta dimensionalidad, la redundancia espectral y las complejas estructuras espa- ciales presentes en los datos. Los modelos tradicionales de aprendizaje profundo, como las Redes Neuronales Convolucionales (CNNs), a menudo no logran capturar las rela- ciones no euclidianas entre los píxeles, lo que conduce a un rendimiento subóptimo en la clasificación. Las Redes de Convolución sobre Grafos (GCNs) ofrecen una alternativa prometedora al modelar las imágenes hiperespectrales como grafos, donde los nodos representan píxeles o superpíxeles y las aristas codifican relaciones espectro-espaciales. Esta tesis investiga la efectividad de las GCNs para la clasificación de HSI mediante la construcción y optimización sistemática de representaciones en grafos. Se exploran varias métricas de similitud, incluyendo la Divergencia de Información Espectral (SID), el Mapeador de Ángulo Espectral (SAM), la Distancia de Wasserstein (WD) y la Fun- ción de Base Radial (RBF), para generar matrices de adyacencia que capturen con pre- cisión las dependencias entre píxeles. Además, se propone un mecanismo de selección de vecindario adaptativo para refinar dinámicamente la conectividad del grafo y mejorar la precisión de la clasificación. Para evaluar las metodologías propuestas, se realizan varios experimentos en múltiples conjuntos de datos de referencia, incluyendo Indian Pines, Pavia University, Salinas, Botswana y University of Houston. Se lleva a cabo un estudio de ablación para analizar el impacto de diferentes construcciones de matrices de adyacencia y estrategias de selección de vecindario. Los resultados demuestran que las GCNs que utilizan representaciones gráficas adaptativas superan significativamente a las CNNs tradicionales y otros métodos de aprendizaje profundo basados en GCNs, es- pecialmente en escenarios con muestras de entrenamiento limitadas. Además, se integra un novedoso enfoque de reducción de dimensionalidad basado en Embeddings Lineales Locales (LLE) con GCNs para mejorar la eficiencia computacional sin comprometer la precisión de la clasificación. El estudio también explora arquitecturas híbridas, incorpo- rando autoencoders basados en redes neuronales profundas (DNNs) y CNNs con GCNs para mejorar la precisión. Entre los modelos propuestos, el marco S3CLLE-WGCN alcanza un rendimiento de vanguardia en múltiples conjuntos de datos, estableciendo nuevos referentes en la clasificación de HSI. Los hallazgos de esta investigación destacan las ventajas de aprovechar técnicas de aprendizaje basadas en grafos para el análisis de imágenes hiperespectrales. La integración de información estadística, espectral y espacial en estructuras gráficas permite una representación más expresiva de los datos HSI, allanando el camino para una mayor precisión en la clasificación en aplicaciones prácticas como la agricultura de precisión, el monitoreo ambiental y la cartografía de cobertura del suelo.enAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/GCNHSILaplacian MatrixMachine LearningClassificationSpectral analysisNeural networksDeep learning (Machine learning)Matrix analytic methodsDissertation(c) 2025 Jairo J. Orozco Sandoval