Apprentissage actif d'images hyperspectrales multi-temporelles pour la génération de signatures 3D

International audience; L'avènement et l'analyse des images hyperspectrales multi-temporelles est un champ de recherche très actif de nos jours. Dans ce papier, nous proposons une nouvelle approche se référant à une modèlisation 3D définissant la reflectance de chaque pixel comme une fonction des dimensions spectrale et temporelle. Cette investigation permet de définir une nouvelle signature spectrale multi-temporelle pour chaque matériau de la surface terrestre. A partir de cette modélisation, un apprentissage actif nous a permis de construire une nouvelle génération des bases de signatures 3D acclimatant les techniques d'analyse et de reconnaissance multi-dimensionnelle pour la classification des images multi-dates. Les résultats expérimentaux obtenus sur un Benchmark d'images AVIRIS démontrent de l'efficacité de l'approche proposée.