Una identificación precisa de objetos del sistema de adquisición depende de la clara segmentación y clasificación de imágenes de teledetección. Con recursos financieros limitados y altas variaciones intra-clase, los algoritmos propuestos anteriormente no lograron manejar el conjunto de datos subóptimo. La construcción de un conjunto de entrenamiento eficiente de manera iterativa en enfoques de aprendizaje activo (AL) mejora el rendimiento de la clasificación. El AL basado en heurísticas proporciona mejores resultados con la herencia de información contextual y la robustez a las variaciones de ruido. La existencia de incertidumbre en las variaciones de píxeles hace que el AL basado en heurísticas falle en el manejo de la clasificación de imágenes de teledetección. Anteriormente, nos enfocamos en la extracción de información clara de patrones texturales utilizando la máquina de vectores de relevancia basada en patrones diferenciales extendidos (EDP-AL). Este documento extiende ese trabajo hacia la novedosa actividad de aprendizaje de certeza de píxeles (PCAL) basada en la información sobre patrones texturales obtenidos del patrón diferencial extendido (EDP). Inicialmente, se utiliza un filtrado de intensidad distribuida (DIF) para eliminar el ruido de la imagen, y luego se utiliza la ecualización del histograma (HE) para mejorar la calidad de la imagen. El EDP se utiliza para fusionar y clasificar diferentes etiquetas para cada muestra de imagen, y este algoritmo expresa la información textural. La técnica PCAL se utiliza para clasificar los patrones HSI que son importantes en aplicaciones de teledetección utilizando esta colección de patrones. La Universidad de Pavia y Indian Pines (IP) son los conjuntos de datos utilizados para validar el rendimiento del PCAL propuesto (PU). La capacidad de PCAL para categorizar con precisión los tipos de cobertura terrestre se demuestra mediante una comparación del PCAL propuesto con los algoritmos existentes en términos de precisión de clasificación y el coeficiente Kappa.