La clasificación de imágenes hiperespectrales mediante aprendizaje profundo enfrenta la escasez de muestras etiquetadas, dado el alto costo de etiquetar píxeles. El aprendizaje semi-supervisado sobre redes convolucionales de grafos sortea esta restricción propagando la información de pocos nodos etiquetados a través de un grafo de superpíxeles. Sin embargo, los algoritmos de segmentación del estado del arte exigen una reducción de dimensionalidad previa que suaviza las firmas espectrales que distinguen clases similares, por lo que el grafo hereda nodos que mezclan clases, y bajo escasez de etiquetas la GCN no puede corregirlos. Esta tesis propone PCNN-SAM, un algoritmo de segmentación bio-inspirado que incorpora la métrica Spectral Angle Mapper en la función de enlace de una red neuronal de pulsos acoplados, sustituyendo el peso sináptico fijo del modelo clásico por una compuerta espectral: un píxel se agrega a una región solo si su divergencia angular respecto a ella es suficientemente pequeña. Los superpíxeles se generan a partir del vector espectral completo, sin reducción de dimensionalidad previa, y se acoplan como nodos de un clasificador GCN semi-supervisado, dando lugar a la arquitectura híbrida PCNN-GCN. Evaluada con cinco muestras etiquetadas por clase sobre seis conjuntos de datos de referencia frente a SLIC, LSC, ERS y SEEDS, PCNN-GCN ocupa el segundo lugar en exactitud global (70.75 % frente a 72.80 % de SLIC). El resultado clave es otro: ninguna estrategia domina en todas las escenas, y PCNN-GCN obtiene su mayor ventaja en los dos conjuntos con mayor correlación espectral entre clases y mayor fragmentación espacial, pues la varianza explicada predice la exactitud casi el doble de bien que la exactitud de segmentación alcanzable. La elección del algoritmo depende, por tanto, de si la dificultad de la escena es geométrica o espectral.
Palabras clave: imágenes hiperespectrales, segmentación en superpíxeles, redes neuronales de pulsos acoplados, Spectral Angle Mapper, redes convolucionales de grafos, aprendizaje semi-supervisado, escasez de etiquetas.
Abstract
Deep learning classification of hyperspectral images is limited by the high cost of labelling pixels, leaving very few annotated samples available in practice. Semi-supervised graph convolutional networks address this by propagating information from a handful of labelled nodes across a superpixel graph. However, state-of-the-art segmentation algorithms require a prior dimensionality reduction that smooths away the subtle spectral signatures distinguishing similar classes, so the graph inherits class-mixing nodes that the GCN cannot correct under label scarcity. This thesis proposes PCNN-SAM, a bio-inspired segmentation algorithm that embeds the Spectral Angle Mapper metric into the linking function of a pulse-coupled neural network, replacing its fixed synaptic weight with a spectral gate: a pixel joins a region only if its angular divergence with respect to it is sufficiently small. Superpixels are generated from the complete spectral vector, without prior dimensionality reduction, and coupled as nodes of a semi-supervised GCN, yielding the hybrid PCNN-GCN architecture. Evaluated with five labelled samples per class on six benchmark datasets against SLIC, LSC, ERS and SEEDS, PCNN-GCN ranks second overall (70.75% accuracy versus 72.80% for SLIC), so no general superiority holds. Crucially, no single strategy dominates across all scenes: PCNN-GCN attains its largest advantage, the widest margin in the study, on the two datasets with the highest spectral correlation between classes and the greatest spatial fragmentation, this is because explained variance, which measures how much spectral information survives within a superpixel, predicts classification accuracy nearly twice as well as achievable segmentation accuracy, which measures geometric purity. The optimal segmentation algorithm therefore depends on whether scene difficulty is geometric or spectral in nature.
Keywords: hyperspectral images, superpixel segmentation, pulse-coupled neural networks, Spectral Angle Mapper, graph convolutional networks, semi-supervised learning, label scarcity
