介紹

第一章 介紹

第一節 緒論

在遙測影像領域中 ，遙測載具 搭載感測器(sensor)所能記錄的光學影像 (optical image)隨著科技進步而越來越精細，從原來頻段較窄、感測器數量較少的 多光譜影像(multispectral image)（圖 1 下），發展到頻段較寬、感測器數量較多的 高光譜影像(hyperspectral image)（圖 1 上），

圖 1 多光譜影像與高光譜影像示意圖組 (節錄自[4])

並且從單純使用空中飛行載具遙測地表影像，發展至使用衛星遙測高或超高解析 (high/very high spatial resolution)的地表影像，以改善了過去必須實際去現場勘查 的類別確認方式。高解析影像大多為使用單一波段的全色態影像(panchromatic)與 使用多個波段的多光譜影像，相較於高光譜影像，雖然高解析影像所記錄影像上 樣本的頻譜資料細緻度相較低，但善用高解析影像的解析度，將兩者影像資料融 合(fusion) [45]後，能夠讓使用者直接從螢幕上標定類別，省去必須前往實地標定 類別所耗費的人力與物力。然而，即使如此，決定類別的方式也仍舊需要人工判 定，因此無論是過去或現今的科技發展水準，能否使用少量樣本訓練分類器，使

2

其在遙測影像辨識時，便可取得令人滿意的辨識正確率，以減低人工判定的成本，

仍然是遙測影像辨識領域中重要議題之一。

因應科技的發展，雖然能從不同的平台（空中飛行載具、衛星）有效地取得 影像的頻譜資料，但單獨使用影像的頻譜資料，對於直接使用者與決策者的幫助 始終有限[16]。高光譜影像資料的每一個樣本，皆同時具有頻譜與空間訊息，除 了最常被使用的頻譜訊息，空間訊息的使用也是影像處理的重要關鍵[7], [58]。

由遙測載具搭載感測器所測得的光譜資料，即稱為樣本的頻譜訊息；樣本在圖像 上的座標(coordinate)資料，即為樣本的空間訊息，然而高光譜影像的空間訊息具 有叢聚性，相同類別的樣本在空間分布上會形成一大或數塊子區域，為了更有效 處理高光譜影像資料，將樣本在圖像上的座標資料，經處理或轉換後，提供影像 分類等資料處理使用。因此，近年來有許多研究發展，將高光譜影像的空間訊息 使用於影像的處理與辨識。

對於結合頻譜與空間訊息之相關研究，較多研究對於空間訊息的使用方式，

僅用於探測樣本在圖像位置之近鄰樣本，也就是說，此類空間訊息的使用方式對 於分類器之辨識結果的影響力較屬於間接性，仍然只有頻譜訊息為直接性地被使 用於分類器的辨識運算過程。然而，比起單純地使用高維度頻譜訊息於高光譜影 像處理(hyperspectral image processing)設計，從高光譜遙測影像攫取空間訊息應 用於高光譜影像處理設計，能達到更好的辨識結果[1], [20]，對於空間訊息的使 用方式，除了較多研究用於探測樣本在圖像位置之近鄰樣本之外，亦有研究將頻 譜與空間訊息直接性地導入分類器的設計[25]，而本研究利用高光譜影像資料在 空間域中樣本間彼此獨立之性質，結合頻譜與空間訊息，進行分類器開發。除此 之外，高光譜遙測影像本身使用大量波段紀錄頻譜訊息，導致形成龐大的資料量，

雖然記錄詳細，卻也同時增加了電腦在計算時所需要瞬間記憶體的負荷量，為減 緩該問題，可以使用維度降低方法(dimensionality reduction)，而此方法大致可分 為特徵選取法(feature selection)與特徵萃取法(feature exctration)，其中以特徵萃取 法較廣為人使用，因此，本研究結合頻譜與空間訊息，進行特徵萃取演算法開發。

3

第二節 架構

本研究結合高光譜遙測影像的頻譜屬性資料與空間座標資料於分類器設計 與特徵萃取演算法開發，在本章之後：第二章相關文獻主要介紹本研究選定的高 光譜遙測影像資料、資料之樣本情境與維度現象，以及本研究選定實驗比較對象 之分類器與特徵萃取法；第三章為本研究之分類器研究，介紹本研究提出分類器，

說明其實驗架構與設計，並呈現實驗結果；第四章為本研究之特徵萃取法研究，

介紹本研究提出特徵萃取法，說明其實驗架構與設計，並呈現實驗結果；第五章 則綜合本研究之分類器研究與特徵萃取法研究之實驗結果，提出結論與未來研究 發展建議；於下表列出本論文常用符號表，並於本論文末條列本研究之參考資料。

表 1 符號表

符號 說明

L

L

^{樣本資料的類別數}

N

N

^{樣本資料的總樣本數}

N

⁽ⁱ⁾

N

^{(i) 樣本資料中第}

ii

類的樣本數

d

d

^{樣本資料的維度數}

p

p

樣本資料的最佳化維度數，其中1 · p · d1 · p · d

x

x

_{樣本資料，其中}

x 2 R x 2 R

^d£1d£1

X

X

樣本資料構成矩陣，其中

X = [x X = [x

₁₁

; : : : ; x ; : : : ; x

_NN

] 2 R ] 2 R

^d£Nd£N

y

y

_{投影後樣本資料，其中}

_{y 2 R y 2 R}

^d£1d£1

Y

Y

投影後樣本資料構成矩陣，其中

Y = [y Y = [y

₁₁

; : : : ; y ; : : : ; y

_NN

] 2 R ] 2 R

^p£Np£N

¹

¹

樣本資料的總樣本平均

¹

⁽ⁱ⁾

¹

^{(i) 樣本資料的第}

ii

類樣本平均

§

⁽ⁱ⁾

§

^{(i) 樣本資料於第}

ii

類的共變異矩陣

4

p(x)

p(x)

樣本

x x

的機率函數（或稱樣本

x x

的先驗機率、邊際機率）

p(!

⁽ⁱ⁾

)

p(!

⁽ⁱ⁾

)

^樣本

x x

為第

ii

類的機率函數（或稱第

ii

類的先驗機率、邊際機率）

p(xj!

⁽ⁱ⁾

)

p(xj!

⁽ⁱ⁾

)

^樣本

x x

在第

ii

類的條件機率（或稱第

ii

類的後驗機率）

p(!

⁽ⁱ⁾

jx)

p(!

⁽ⁱ⁾

jx)

^樣本

x x

屬於第

ii

類的條件機率（或稱樣本

x x

的後驗機率）

S

_B

S

_B 樣本資料的組間共變異矩陣

S

_W

S

_W 樣本資料的組內共變異矩陣

W

W

樣本資料的特徵向量構成投影矩陣，其中

W 2 R W 2 R

^d£pd£p

kx

_m

¡ x

_n

k

kx

_m

¡ x

_n

k

樣本

x x

_mm與樣本

x x

_nn的歐式距離

5

在文檔中 結合頻譜與空間訊息設計於高光譜遙測影像辨識之數學模型研發 (頁 9-13)