New clustering techniques prior to hyperspectral image classification

En el presente trabajo de tesis doctoral proponemos nuevas técnicas capaces de particionar imágenes hiperespectrales en el dominio espacial mediante la utilización del concepto de superpíxel, que ha sido ampliamente utilizado en la literatura para incrementar la precisión en la clasificación. Sin embargo, en la literatura no se ha propuesto hasta la fecha un método capaz de integrar de forma natural la información espacial en el proceso de clasificación mediante sobre segmentación, debido a que el proceso resulta altamente costoso desde el punto de vista computacional. Para abordar este problema e incorporar de forma sencilla la información proveniente de múltiples particiones espaciales en el proceso de clasificación, hemos desarrollado un nuevo método que permite realizar este proceso (NP-complejo) mediante una técnica de relajación lineal, que aproxima el problema original en un dominio variable compacto. De esta forma, resulta mucho mas sencillo construir funciones convexas con información a priori, que ofrecen un mayor grado de flexibilidad a la hora de incluir información espacial (proveniente de superpíxels) en el modelo de clasificación. Además, en la presente tesis doctoral también exploramos la posibilidad de explotar y validar esta nueva estrategia en el contexto de problemas que involucran datos obtenidos mediante múltiples sensores para la observación remota de la tierra, incluyendo tanto sensores hiperespectrales como sensores de tipo LiDAR.In this thesis we deal with the problem via partitioning the three-dimensional hyperspectral cube data in the spatial (image) domain by superpixelizing techniques that have been proven successful in promoting classification performance. However, a straightforward using of over-segmented superpixels has been seldom explored, since it leads to a very complex (NP-hard) problem due to its discrete nature. In order to reinforce the information of spatial partitions into the classification model, we have attacked the aforementioned NP-hard problem via a linear relaxation technique, which approximates the original problem into a compact variable domain. Thus, it turns much easier to construct convex prior functions that provide more flexibly while including rich information (such as over-partitioned superpixels) into the classification model. Furthermore, in this thesis we have also exploited and validated this strategy in the context of multi-source remote sensing data classification scenarios involving both hyperspectral and LiDAR data