Key points are not available for this paper at this time.
La définition des modèles de bruit adaptés aux données hyperspectrales est légèrement différente selon qu'il s'agit de balayage en balai ou de balayage en poussoir. En se concentrant sur ce dernier type (par exemple, VIRS-200), le bruit est intrinsèquement non stationnaire dans les comptes numériques bruts. Après calibration, c'est-à-dire après avoir éliminé les effets de variabilité dus aux différents gains et décalages des détecteurs, le bruit présentera des statistiques stationnaires, du moins spatialement. Ainsi, des processus 3D séparables corrélés le long de la trajectoire (x), dans le sens de la trajectoire (y) et dans la longueur d'onde (?), modélisés comme autorégressifs avec des statistiques GG, se sont révélés adéquats. L'estimation des paramètres du modèle à partir des véritables données est réalisée par des techniques robustes reposant sur des régressions linéaires calculées sur des nuages de points de statistiques locales. Une procédure originale a été conçue pour détecter des zones dans le nuage de points correspondant à des pixels statistiquement homogènes. Les résultats sur les données VIRS-200 montrent que le bruit est à longue traîne (queues plus longues que celles d'une PDF gaussienne) et quelque peu corrélé le long et à travers la trajectoire dans des proportions légèrement différentes. La corrélation spectrale a également été étudiée et s'est avérée dépendre à la fois de la parcimonie (échantillonnage spectral) et des valeurs de longueur d'onde des bandes qui ont été sélectionnées.
Aiazzi et al. (Mon,) ont étudié cette question.