(西華師范大學 國土資源學院,四川 南充 637009)

基于端元變化的兩種混合像元分解算法比較研究

段金亮,王 杰,文星躍
(西華師范大學 國土資源學院,四川 南充 637009)

光譜混合分析對提高遙感影像分類具有重要意義,其中端元變化處理是提高解混精度的關(guān)鍵。目前,許多算法被用來解決端元變化,但仍存在一些問題有待解決，如算法運行效率慢、忽略端元的高階交互、像元空間鄰城信息缺失。結(jié)合IDL和MATLAB混合編程,利用確定性模型中的交替最小角度法和統(tǒng)計性模型中考慮高階項的非線性算法對Hyperion影像進行端元變化解混,再利用概率松弛標記法對像元補充空間鄰域信息。試驗結(jié)果表明:當某種地物類別所占面積較大時,確定性與統(tǒng)計性模型都能獲得較高的解混精度;當?shù)匚镱悇e所占面積較小時,確定性模型的解混精度高于統(tǒng)計性模型;補充像元空間鄰域信息對解混結(jié)果有很好的校正。

Hyperion影像;端元變化解混;IDL與MATLAB混合編程;交替最小角度法;非線性混合模型

1 引言

由于地物的復雜多樣性和電磁輻射傳輸過程中的各種環(huán)境因素[1],遙感圖像中普遍存在混合像元。混合像元的光譜包含多種地物,如果將其歸為一類,勢必會造成分類誤差增大、分類精度下降,因此光譜混合分析對遙感影像分類具有重要意義。傳統(tǒng)的光譜分解技術(shù)[2]主要假設(shè)某一像元的光譜是由有限的幾種地物組成,其光譜曲線是按照某種函數(shù)關(guān)系和比例混合而成,進而分析光譜混合方式,計算混合像元中包含的光譜成分與相應(yīng)比例。線性混合模型(LMM)[3]中,端元通常被假定在整個影像中是固定的,這顯然是一個簡化過程。因為在許多情況下,端元光譜是沿著圖像變化,引起光譜變異性或端元變異性[4,5]。光譜變異性已被確定為豐度估計的相關(guān)誤差源,引起了高光譜研究群體日益增長的興趣[4,5]。國內(nèi)外學者提出了許多算法來描述端元的變化,它們被分為兩個主要類別：第一類是將每種類別視為已知的光譜庫[6,7]或從遙感數(shù)據(jù)獲取的端元束[8,9]來進行解混,此類算法被稱為確定性模型,其中最常用的算法是多端元混合光譜分析(MESMA)[10]。第二類則采用統(tǒng)計分布來描述端元的變化,主要包括兩個模型,分別是假定端元高斯分布的正態(tài)成分模型[11,12]和探索光譜與空間分布的Beta成分模型。

目前雖然有很多算法用來解決端元變化,但是仍存在一些問題有待解決。首先,統(tǒng)計性模型中單純非線性算法僅考慮端元之間的二階交互而忽略了高階項的影響。其次,雖然確定性模型中的MESMA算法很好地處理了端元變化,但MESMA算法是一種窮盡算法,在運算效率上有一定的限制。第三,多數(shù)解混算法僅對單個像元光譜進行了優(yōu)化,忽略了空間鄰域信息,導致解混精度減低。針對當前解混算法存在的問題,本文描述了優(yōu)化的交替最小角度法(確定性模型)來提高程序的運算效率,同時引入了一種考慮高階項的非線性算法(統(tǒng)計性模型),最后利用一種補充像元空間鄰域信息的算法來校正解混精度。本文采用IDL與MATLAB的混合編程,解決了MATALB的功能模塊分散、靈活性較差[13]的缺陷,能有效地整合遙感影像處理與數(shù)學計算。

2 研究區(qū)與遙感影像預(yù)處理

研究區(qū)選擇新疆維吾爾自治區(qū)天山中段焉耆盆地,地處85°50′—87°50′E、41°40′—42°20′N,為南天山山脈之間的中生代斷陷盆地,海拔高程1050—1200m,是一個典型的綠洲—荒漠交錯地區(qū)[14]。研究區(qū)具體的經(jīng)緯度范圍為86°10′—86°50′E、42°20′—42°60′N,高程變化可忽略不計。焉耆盆地屬于南北疆過渡的大陸荒漠性氣候[15],多年平均氣溫8.4℃,年降水量50—80mm,年蒸發(fā)量2000.5—2449.7mm[16],水土資源豐富、光熱條件充分,是新疆農(nóng)牧業(yè)生產(chǎn)的主要基地之一。研究所選用的數(shù)據(jù)為從美國USGS網(wǎng)站獲取的L1R格式Hyperion影像,數(shù)據(jù)成像時間為2006年7月18日,影像編號EO1H1430302006199110PX,無云。

高光譜影像預(yù)處理過程:刪除Hyperion影像立方體中定標質(zhì)量較差的波段,剩余176個波段,分別為8—57(426—926nm)、79—120(933—1346nm)、128—166(1427—1810nm)、179—223(1942—2385nm)。由于Hyperion傳感器所用的CCD陣列輻射標定導致影像中存在明顯的壞線，我們對已選擇的176個波段逐波段進行檢查,記錄每個波段壞線的列號,采用壞線所在行列左右相鄰的均值對該波段亮度值(DN)進行插值修復,如可見光(VNIR)等。其中,可見光(VNIR)波長范圍為400—1000nm,輻射定標值為40W·(m2srμm)-1,短波紅外(SWIR)波長范圍900—2500nm,輻射定標值為80W·(m2srμm)-1。我們將所有的VNIR波段和SWIR波段分別除以40和80所得圖像合并,得到絕對輻射值圖像。由于Hyperion傳感器是推掃型成像光譜儀,對面陣CCD器件上的上萬個探測元件進行逐一標定很困難,導致Hyperion影像多數(shù)波段不同程度地存在許多條紋。本文采用 “全局去條紋”方法對Hyperion影像進行條帶去除，將Hyperion影像與ALI影像分別進行波段合并,得到了新的兩幅影像。地物反射易受大氣和光照等因素的影響,因此對Hyperion影像進行大氣校正,大氣模型設(shè)置為中緯度夏季(MLS),水汽校正波段為1135nm,初始可見性為37,光譜打磨步長為7,氣溶膠反演為None,其他參數(shù)設(shè)置為默認值。大氣校正后得到的是反射率圖像,且反射率值被放大10000倍,因此將結(jié)果除以10000。裁剪出研究區(qū)影像見圖1(封二)，波長對應(yīng)于TM影像的7波長、4波長、1波長。

運用ALI高空間分辨率影像進行解混精度評價。首先對ALI數(shù)據(jù)進行輻射定標以生成輻射值,其中Gain與Bias系數(shù)參見相關(guān)文獻[17]。然后進行Gram-Schmit Spectral Sharpening融合,使其具有更高的分辨率(10m空間分辨率)。裁剪出研究區(qū)影像,從圖2(封二)可見，波長對應(yīng)于TM影像的7波長、4波長、1波長。同時，為了后續(xù)ALI影像監(jiān)督分類選擇樣本的需要,下載了Google Earth影像,見圖3(封二)。

3 試驗方法

3.1 確定性端元變化解混—交替最小角度法(AAM)

線性混合模型(LMM)是遙感影像處理中常用的一種光譜分析模型,主要通過選取特征地物的光譜將其作為端元,然后解混整個遙感影像。全約束最小二乘法(FCLS)[18]是一種被廣泛使用的混合像元分解算法,公式為:

(1)

式中,m為端元；ai為像元的豐度；η為一個加性噪聲；R為端元的總數(shù)。

固定端元在解混時容易受到地物物理特征的變化和大氣、光照條件的影響,導致端元光譜變化。此時，F(xiàn)CLS算法就有局限性,因此多端元混合光譜分析算法(MESMA)[10]被提出來處理端元變化。雖然MESMA算法很好地處理了端元變化,但算法的運算效率太低,導致算法的適用性不強。針對MESMA算法的局限性,這里采用交替最小角度算法[19]來提高程序的運算效率。

如果我們將每個光譜認定為d維向量光譜空間[0,1]的點,且假設(shè)光譜噪聲呈一致性分布,應(yīng)用最大似然法在線性混合問題中將產(chǎn)生最小二乘問題,這個最小二乘問題等價于數(shù)據(jù)點x映射到光譜子空間S上的最小歐氏距離。

y=Ps(x)??z|∈S:‖z-x‖≥‖y-x‖

(2)

如果僅考慮和為1的約束條件,解混問題等價于將目標x通過M中的端元正交投影到超平面H(M)上。重建誤差由x到H(M)的正交距離給出,如果我們定義F=M/{mp}=(m1,…mp-1),使用標準幾何關(guān)系表示這個正交距離:

‖x-PH(M)(x)‖=‖x-PH(F)(x)‖sin(θ)

(3)

其中:θ=min(α,π-α)

3.2 統(tǒng)計性端元變化解混—NL模型

LMM模型假定端元之間是相互獨立的,但在遙感影像的獲取過程中,電磁波與地物可能存在多次交互,特別是植被與土壤的交互,這樣端元就不是純粹的獨立關(guān)系。如果以線性混合模型來反演,必然導致解混精度減低，這里采用非線性混合像元分解算法[20]來解決端元變化導致的反演誤差。將混合模型分為線性部分、端元的非線性交互項、噪聲項三部分,由式(1)得出:

(4)

式(4)中豐度系ar數(shù)滿足式(1)中的非負與和為1的限制。

非線性混合模型為克服LMM的固定限制提供了有用的替代方案。LMM模型可能不適用于那些包含樹木、植被或城市的地區(qū)的高光譜圖像。對處理這類影像,線性/多項式模型已通過解決雙重散射效應(yīng)顯示了有用的結(jié)果,但這些模型僅考慮了端元之間的二階交互而忽略了高階項的影響,這里采用雙線性非線性模型,將式(4)重新改寫為：

(5)

其中,殘差分量被表示為:

(6)

3.3 像元空間鄰域信息處理—PLR聚類法

圖4 一個像元鄰域

多數(shù)解混算法僅考慮單個像元的光譜屬性,導致圖像內(nèi)的空間關(guān)系被忽略,如區(qū)域的相關(guān)性和紋理,導致解混精度降低。本文引入一種考慮分類圖像中隱含的部分空間信息的后處理技術(shù)來提高解混精度,這種技術(shù)是利用后驗的向量與每個分類像元相關(guān)聯(lián)的概率來校正解混結(jié)果。

圖4表示單個像元m及其直接鄰域n,我們認為該像元由m的上方、下方、左側(cè)和右側(cè)的四個像元組成。讓其后驗概率滿足如下公式:

(7)

(8)

用矢量方法表達式(8),得到如下結(jié)果:

(9)

根據(jù)貝葉斯概率理論,推導出:

(10)

4 試驗處理

ALI數(shù)據(jù)融合后,采用支持向量機算法(SVM)對影像進行分類。根據(jù)Google Earth與ALI影像判別研究區(qū)主要包括四類,分別是植被、未利用地、建筑用地、水體及其陰影。研究區(qū)ALI影像分類參照相關(guān)文獻[22]選擇感興趣的區(qū)和驗證樣本。SVM算法內(nèi)置于ENVI軟件中,核函數(shù)采用徑向基函數(shù),核函數(shù)值為0.167,懲罰參數(shù)為100,金字塔水平設(shè)置為1,金字塔重分類閥值設(shè)為0.9，結(jié)合Google Earth高分辨率影像采取目視解譯的方法改正分類錯誤的像元。由于ALI分類影像的空間分辨率與Hyperion影像的空間分辨率不一致,因此我們采用一個大小為3×3的模板重采樣,使其與Hyperion影像的空間分辨率保持一致。其真實覆蓋度影像見圖5(見封二)。

混合像元解混前,需要建立端元光譜庫,這里采用自動端元束(AEB)算法獲取4個類別的端元。刪除異常的端元后,最終每個類別獲取10個端元,建立端元光譜曲線圖(圖6,見封二)。

在建立端元光譜庫后,編寫AAM與NL的Matlab解混代碼,然后編寫IDL通過COM接口調(diào)用其程序,這里AAM與NL算法的Matlab代碼都是以函數(shù)形式給出的,由于本文篇幅限制,因此沒有羅列Matlab代碼。其中,Matlab的版本為R2009a,32位，IDL版本為8.5,64位，操作系統(tǒng)為Windows 7,64位。在IDL中分別編寫AAM和NL調(diào)用及輸出結(jié)果的代碼,分別命名為AAM.pro和NL.pro。其中,AAM.pro部分代碼為：

openr,lun,′C:UsersAdministratorDesktopdataSpectral

Library.txt′,/get—lun

end=fltarr(40,num—bands)

readf,lun,end

free—lun,lun

end1=reform(transpose(end(0:9,*)),10,num—bands)

end2=reform(transpose(end(10:19,*)),10,num—bands)

end3=reform(transpose(end(20:29,*)),10,num—bands)

end4=reform(transpose(end(30:39,*)),10,num—bands)

img=reform(img,num—pixels,num—bands)

img1=reform(transpose(img),num—pixels,num—bands)

oMtlab=obj—new(′IDLcomIDispatchS|ProgIdS|Matlab.Application.7.8′)

oMtlab-gt;setproperty,visible=1

oMtlab-gt;putworkspacedata,′p1′,′base′,double(end1)

oMtlab-gt;putworkspacedata,′p2′,′base′,double(end2)

oMtlab-gt;putworkspacedata,′p3′,′base′,double(end3)

oMtlab-gt;putworkspacedata,′p4′,′base′,double(end4)

oMtlab-gt;putworkspacedata,′mx′,′base′,double(img1)

oMtlab-gt;Execute,′C:Program Files (x86)MATLABR2009a′

oMtlab-gt;Execute,′[abundances, rec]=AAM(mx,p1,p2,p3,p4);′

oMtlab-gt;GetWorkSpaceData,′abundances′,′base′,abundence

unmixing=transpose(reform(abundence,4,num—pixels))

envi—write—envi—file,reform(unmixing,num—cols,num—rows,4),out—dt=4,out—name=′E:AAM.img′

上述代碼用end變量定義端元數(shù)組的大小,然后從硬盤中讀取端元數(shù)據(jù)。AAM算法是對每一個類別的端元矩陣進行處理,所以需要將每個類別的端元矩陣單獨傳遞。由于IDL與Matlab的存儲方式相反,因此同時運用IDL的transpose(轉(zhuǎn)置函數(shù))和reform(數(shù)組行列改變函數(shù)),將IDL的端元矩陣輸入到Matlab程序之中。同時,AAM解混算法是對整體影像進行解混,所以遙感影像的輸入與端元矩陣一樣。然后,調(diào)用IDL的面向?qū)ο蟮念惡瘮?shù)obj_new(),以此指向Matlab引擎,通過Matlab引擎的PutWorkspaceData將IDL的數(shù)據(jù)輸入到Matlab引擎之中,參與數(shù)學運算。通過Matlab的執(zhí)行命令execute,將增加M語言編寫的AAM.m程序所在的路徑。由于需要將Matlab的結(jié)果輸入到IDL進行成圖與分析,所以輸出到IDL中時transpose與reform函數(shù)與輸入到Matlab相反使用。最后,調(diào)用envi_write_envi_file函數(shù),將Matlab中的結(jié)果保存到硬盤(保存為ENVI標準格式,包含影像AAM.img與頭文件AAM.hdr),從而為遙感影像后處理做好準備。

NL的調(diào)用及輸出代碼與AAM解混算法相似,唯一不同的是，NL是將整個光譜庫端元矩陣輸入到Matlab中。由于AAM與NL解混算法沒有考慮地物的空間信息,因此這里對解混后的影像運用PLR算法增加空間信息。由于篇幅限制,PLR和NL代碼從略。

5 結(jié)果與分析

為了驗證AAM與NL模型的解混精度和PLR聚類處理的效果,使用融合后的ALI分類影像作為真值,同時利用均方根誤差(RMSE)、相關(guān)系數(shù)(R)指標來進行精度評價。針對AAM模型和NL模型,按照類別對解混結(jié)果進行求和與歸一化[23],結(jié)果分別見圖6、圖7(見封二),結(jié)果精度指標對比見表1。分析圖6、圖7可知:AAM模型對植被、未利用地、建筑用地和水體及陰影的解混結(jié)果都優(yōu)于NL模型。結(jié)合表1分析,AAM模型對植被、未利用地、建筑用地的解混精度高于NL模型。對比圖7、圖8、圖9、圖10(見封二)可知,AAM模型與NL模型對植被、未利用地、建筑用地解混較好,但對水體及陰影解混結(jié)果較差。

表1 AAM模型與NL模型解混影像指標對比

注:1為植被、2為未利用地、3為建筑用地、4為水體及陰影。

針對AAM與NL模型解混結(jié)果,采用PLR聚類處理,其結(jié)果見圖7、圖8,結(jié)果精度指標對比見表2。對比分析圖7、圖8和圖9、圖10,經(jīng)過PLR處理后的AAM與NL模型解混結(jié)果對植被、未利用地、建筑用地和水體及陰影的解混結(jié)果優(yōu)于沒有經(jīng)過PLR處理后的解混結(jié)果。同時,分析表1和表2,PLR處理后的解混結(jié)果的相關(guān)系數(shù)增加,均方根誤差減少,解混精度提高。綜合兩種情況對比,PLR處理對解混結(jié)果有很好的校正,使植被、未利用地、建筑用地的解混結(jié)果與真值接近。PLR處理NL的解混結(jié)果,對水體和陰影有明顯提高,但與真值相差太遠,而PLR處理AAM的解混結(jié)果與真值接近。

表2 AAM模型與NL模型經(jīng)PIL模型聚類后解混影像指標對比

綜上所述,AAM模型對植被、未利用地、建筑用地、水體與陰影的解混精度高于NL模型。在PLR模型修正解混算法中忽略空間信息的不足,使解混結(jié)果明顯優(yōu)于未經(jīng)過PLR處理的結(jié)果,對解混精度有很好的校正,降低了解混誤差。PLR算法彌補了解混中空間信息的丟失,使解混結(jié)果精度提高,說明解混時考慮像元空間領(lǐng)域信息可提高解混精度,這對混合像元分解領(lǐng)域是一個新的思路。

6 結(jié)論與展望

本文針對Hyperion影像提出了一種IDL與MATLAB混合編程的影像處理方法,比較了AAM與NL端元變化解混模型的精度,采用PLR算法對兩種解混的結(jié)果進行校正。試驗表明，IDL與MATLAB混合編程和PLR模型在遙感影像處理中的可行性與應(yīng)用前景,并得出以下結(jié)論:①IDL和MATLAB混合編程在進行Hyperion影像混合像元解混處理時結(jié)合了兩者的優(yōu)勢,提高了程序編寫效率。②在研究區(qū)中,當某種地物類別所占面積較大時,AAM與NL都有較高的解混精度；但當某種地物類別所占面積較小時,AAM與NL的解混精度低,其中AAM模型的解混精度高于NL模型。③在研究區(qū)中,經(jīng)過PLR處理后的解混精度明顯提高,其中地物類別所占面積越大,校正結(jié)果越明顯。

PLR對影像進行混合像元解混結(jié)果校正時,補充解混算法忽略了空間信息,從而提高了解混結(jié)果的精度,但其空間鄰域的運算放在后處理部分,以后考慮在解混過程中增加空間信息[24]。

[1]胡茂桂,王勁峰.遙感影像混合像元分解及超分辨率重建研究進展[J].地理科學進展,2010,29(6)∶747-756.

[2]Keshava N,Mustard J F.Spectral Unmixing[J].IEEE Signal Processing Magazine,2002,19(1)∶44-57.

[3]Bioucas Dias J M,Plaza A,Dobigeon N,etal.Hyperspectral Unmixing Overview：Geometrical,Statistical,and Sparse Regression-based Approaches[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(2)∶354-379.

[4]Zare A,Ho K.Endmember Variability in Hyperspectral Analysis：Addressing Spectral Variability During Spectral Unmixing[J].IEEE Signal Processing Magazine,2014,31(1)∶95-104.

[5]Halimi A,Dobigeon N,Tourneret J Y.Unsupervised Unmixing of Hyperspectral Images Accounting for Endmember Variability[J].IEEE Transactions on Image Processing,2015,24(12)∶4904-4917.

[6]Roberts D A,Gardner M,Church R,etal.Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models[J].Remote Sensing of Environment,1998,65(3)∶267-279.

[7]Bateson C A,Asner G P,Wessman C A.Endmember Bundles：A New Approach to Incorporating Endmember Variability into Spectral Mixture Analysis[J].IEEE Transactions on Geoscience and Remote Sensing,1999,38(2)∶1083-1094.

[8]Goenaga M,Torres-Madronero M,Velez-Reyes M.etal.Unmixing Analysis of a Time Series of Hyperion Images over the Guánica Dry Forest in Puerto Rico[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2013,6(2)∶329-338.

[9]Somers B,Zortea M,Plaza A,etal.Automated Extraction of Image----Based Endmember Bundles for Improved Spectral Unmixing[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012,5(2)∶396-408.

[10]Roberts D A,Gardner M,Church R,etal.Mapping Chaparral Endmember Spectral Mixture Models[J].Remote Sensing of Environment,1998,(65)∶267-279.

[11]Eches O,Dobigeon N,Mailhes C,etal.Bayesianestimation of Linear Mixtures Using the Normal Compositional Model Application to Hyperspectral Imagery[J].IEEE Transactions on Image Process,2010,19(6)∶1403-1413.

[12]Stein D.Application of the Normal Compositional Model to the Analysis of Hyperspectral Imagery[C].in Proc[Z].IEEE Workshop on Advance in Techniques for Analysis of Remote Sensing Data,2003∶44-51.

[13]于洋,周學偉,趙亞威.COM組件在實現(xiàn)VB調(diào)用MATLAB中的應(yīng)用[J].計算機工程與科學,2008,30(5)∶110-112.

[14]麥麥提吐爾遜·艾則孜,海米提·依米提,祖皮艷木·買買提,等.焉耆盆地土地利用變化對生態(tài)服務(wù)價值的影響[J].水土保持研究,2012,19(6)∶137-141.

[15]王水獻,王云智,董新光.焉耆盆地淺層地下水埋深與TDS時空變異及水化學的演化特征[J].灌溉排水學報,2007,26(5)∶90-93.

[16]石瑞花,李霞,董新光,等.焉耆盆地天然植被與地下水關(guān)系研究[J].自然資源學報,2009,24(12)∶2096-2103.

[17]Chander G, Markham B L,Helder D L.Summary of Current Radiometric Calibration Coefficients for Landsat MSS,TM,ETM+,and EO-1 ALI Sensors[J].Remote Sensing of Environment,2009,113(5)∶893-903.

[18]Heinz D C,Chang C.Fully Constrained Least Squares Linear Spectral Mixture Analysis Method for Material Quantification in Hyperspectral Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing,2001,39(3)∶529-545.

[19]Heylen R,Zare A,Gader P D,etal.Hyperspectral Unmixing With Endmember Variability via Alternating Angle Minimization[J].IEEE Transactions on Geoscience and Remote Sensing,2016,54(8)∶4983-4993.

[20]Halimi A,Honeine P,Bioucasdias J M,etal.Hyperspectral Unmixing in Presence of Endmember Variability,Nonlinearity,or Mismodeling Effects[J].IEEE Transactions on Image Processing,2015,25(10)∶4565-4579.

[21]Jia X,Richards J A,Ricken D E.Remote Sensing Digital Image Analysis[M].Springer-Verlag,1999∶209-218.

[22]張俊,周成虎,李建新.新疆焉耆盆地綠洲景觀的空間格局及其變化[J].地理研究,2006,25(2)∶350-359.

[23]Veganzones M A,Drumetz L,Tochon G,etal.A New Extended Linear Mixing Model to Address Spectral Variability[C].Workshop on Hyperspectral Image and Signal Processing：Evolution in Remote Sensing,2014,6(6)∶1-5.

[24]Iordache M D,Bioucas-Dias J,Plaza A.Total Variation Spatial Regularization for Sparse Hyperspectral Unmixing Sparse Regression for Hyperspectral Unmixing[J].IEEE Transactions on Geosciences and Remote Sensing.2012,50(11)∶4484-4502.

ComparisonAnalysisBetweenTwoSpectralMixtureAnalysisMethodsofIncorporatingEndmemberVariability

DUAN Jin-liang,WANG Jie,WEN Xing-yue
(College of Land and Resources,China West Normal University,Nanchong 637009,China)

Spectral mixing analysis was of great significance to improve the classification of remote sensing images.The processing of the change in endmember was the key to improving the solution.Many algorithms were proposed to solve the problem,but there were still some problems.For example,the poor operation efficiency of the algorithm,ignoring the high orer interaction of the endmembers,and missing some information in the spatial domain.To solve problems above,based on the combination of IDL and MATLAB mixed programming,this paper used the alternate deterministic model minimum angle method and statistical model for the sake of the nonlinear algorithm of high order terms of endmember unmixing changes within the Hyperion images,and the probabilistic relaxation labeling on pixel space field information was used to improve the unmixing accuracy.The experimental results showed that both the deterministic model and the statistical model could obtain a high degree of unmixing accuracy when a certain object category occupied a large area in a image.When the area occupied by the object category was small,the deterministic model′s accuracy was superior to the statistical model.In addition,when the field information of the pixel space was supplemented,the result of the unmixing could be corrected.

hyperion image;spectral endmember variability unmixing;IDL and MATLAB;alternating angle minimization;nonlinear mixing model

10.3969/j.issn.1005-8141.2017.06.002

TP751.1

A

1005-8141(2017)06-0651-05

2017-04-17；

2017-05-15

國家自然科學基金面上項目(編號:41671220);西華師范大學博士科研啟動基金項目(編號:412546、412547);四川省教育廳自然科學基金重點項目(編號:15ZA150)。

段金亮(1994-),男,四川省達州人,本科,主要從事遙感數(shù)字圖像處理工作。

王杰(1984-),男,四川省南充人,博士,講師,主要從事遙感數(shù)字圖像處理、數(shù)據(jù)挖掘研究工作。