分類點雲

4.1 三維點雲產製

針對兩組空載系統的傾斜與垂直影像，使用 Pix4dMapper 商業軟體整合進行空中三角平差計算，

使用相同控制點群，使兩時期點雲套合於相同座標 系統。空載五相機攝影系統(AMCIS)之計算範圍包 含成功大學所有校區，使用 19 個地面控制點，後 驗量測中誤差為 0.18 個像元。SwingletCAM 無人 飛機系統之計算範圍為成功大學成功校區，使用 6 個地面控制點，後驗量測中誤差為 0.21 個像元，

因測區範圍較小，所以未佈設檢核點。兩組控制點 的 X、Y、Z 方向均方根值(rms)如表 1 所示。控制 點量測誤差由軟體量測座標與實際座標計算，

AMCIS 系統約 0.17 公尺，SwingletCAM 無人飛機 系統約 0.04 公尺。本文兩組影像皆適合用於變遷 分析。

表 1 前後期影像空中三角平差控制點計算成果 前期 rms_X [m] rms_Y [m] rms_Z [m]

平均值 0.004 0.024 0.029 標準偏差 0.077 0.136 0.065

後期 rms_X [m] rms_Y [m] rms_Z [m]

平均值 -0.001 0.001 0.007 標準偏差 0.026 0.010 0.030

本文使用 Pix4dMapper 軟體產製三維真實色 彩點雲，其有三個自訂參數分別為 Image scale、

Point density 與 Minimum number of matches，而點 雲的密度與品質影響後續變遷分析，因此本文測試 不同參數設定求最適當的點雲參數設定值。以產製 時間及應用成果為考量，本文取此三參數設定值分 別為 half image size、high、3 的點雲為後續使用之 材料，前期點雲約 58 ，後期點雲約 63 ，成果如 圖 9 及圖 10 所示，以紅色為底，展示出點雲破碎 處，後期點雲因影像張數較少且品質較差，造成破 碎處較前期點雲多，對於本研究的主角─建物的呈 現較不完整。點雲成果將影響變遷偵測成果，而點

雲的產生受限於一開始影像材料之取得情形，不同 時期之影像必然儲存不盡相同之地表資訊。

圖 9 2010 年成功校區點雲俯視圖

圖 10 2013 年成功校區點雲俯視圖

4.2 點雲分類

本文使用物件導向式影像分類(OBIA)來進行 影像地物分類，分類之成果將與原始點雲整合成為 附有地物分類屬性之點雲。本文物件導向式影像分 類共分為六個類別，分別是草地、樹木、牆面、屋 頂、道路及其他。影像分類過程中並加入輔助影像 提升分類精度，輔助影像包括由二維影像產生之邊 緣影像、由三維點雲產生之高度與梯度輔助影像等 等。高度與梯度輔助屬性影像透過可視性分析及反 投影方法產生，詳述如下。

4.2.1 可視點雲選取及反投影

點雲包含地物的三維資訊，而輔助影像為二維 平面，一張影像表示單一視角所見之特定範圍大小 的地物樣貌。因此，若要從點雲取得資訊儲存於影

像上，首先須選取選定視角之可視點雲，也就是該 視角所能看見之地表樣貌，受遮蔽點不被選取。點 雲由點構成，而點一般來說並不能彼此遮蔽，除非 落在相同視線上，因此由點雲展示地物時，物體背 面之點雲並不能真正被隱藏(Katz et al., 2007)，如 圖 11 所示，以影像單一視角來說，影像上並不該 出現物體背部應受遮蔽之資訊，因此利用三維點雲 配合 HPR 運算子 (Katz et al., 2007)技術選取影像 視角的可視點群(visible points)，減少影像重複映射 (double mapping)的問題。透過表面重建(surface reconstruction)或是點法向量(normals)等方法可決 定點雲之可視與否，但計算繁複且不適用在稀疏點 雲。HPR 技術則解決了以上兩個問題，直接透過 點雲本身決定點雲的可視性(visibility)。

HPR 之計算在 Matlab 環境中執行，輸入資料 包含點雲資料、相機位置(視角)與間接描述 HPR 搜尋半徑的使用者自訂參數。選取可視點雲後，利 用反投影公式將三維點雲以選定之視角反投影至 像平面上，形成反投影影像，反投影公式如式(1) 與式(2)所示。將點雲高度資訊以 HPR 技術及反投 影公式產生物件高度影像。另外，透過點雲切割技 術(Wang and Tseng, 2011)將點雲區塊化成共平面 的 點 群 集 ， 進 而 取 得 各 點 所 屬 平 面 的 梯 度 值 (gradient)，產生梯度影像，用於協助物件導向分 類。

圖 11 (左)HPR 運算前點雲 (右) HPR 運算後點雲 (Katz et al., 2007)

x = −f × ^{( ) ( ) ( )}

( ) ( ) ( ) ... (1)

y = −f × ^{( ) ( ) ( )}

( ) ( ) ( ) ... (2)

211

其中，(x,y)為像座標，f 為相機焦距， ~ 為旋轉矩陣元素，( , , )攝影中心地面座標，

(X,Y, Z)為地面座標。

4.2.2 物件導向式影像分類

本文使用商業軟體 eCognition 作為物件導向 式影像分類之平台，除了另外加入高度與梯度資 訊，本文還使用了軟體及自行定義的屬性例如：

面積、物件長寬比、紋理複雜度(GLCM)、green ratio( = )、亮度、與鄰近物件距離等等進行 更細緻的分類，而本研究即是使用此軟體產生影 像邊緣資訊後，將其應用於分類中。根據各地物 類別的特性以不同屬性來進行描述，首先決定各 類別之主要判斷屬性門檻，草地及樹木有較顯著 的判斷屬性：高度、藍光平均值及 Green ratio，

而牆面為梯度，道路及屋頂則為高度及亮度。由 最容易判斷的樹木與草地開始對影像進行分類。

再者為牆面，接下來為屋頂，而道路包括人行道、

車道紅磚道、裸露地等等人可行走之平坦地區，

又陰影覆蓋多，其判斷屬性不明顯，因此為最後 分類之類別。透過主要屬性並輔以其他屬性，搭 配影像切割物件之尺度由小到大進行分類，產生

分類影像。

以一張前期影像與兩張後期影像進行分類精 度分析。三組案例的影像資訊於圖 12 展示，前兩 組為後期影像，第三組為前期影像。以人工判斷 影 像 地 物 類 別 做 為 真 實 地 物 類 別 參 考 資 料 (reference data)，並計算分類影像的誤差矩陣表，

及精度指標包括生產者精度(user’s accuracy)、使 用者精度(producer’s accuracy)、整體精度(overall accuracy)與 Kappa 統計值。三組案例的精度值整 理於表 2、表 3 及表 4。生產者精度及使用者精度 針對各類別精度進行描述，而整體精度代表所有 類別的總合精度，kappa 值則代表分類成果與真實 地物類別參考資料的相近程度。生產者精度代表 該類別正確分類之物件數量占該類別之參考資料 總物件數量之百分比，使用者精度則代表該類別 正確分類之物件數量占本文採用之物件導向式分 類結果中，該類別總物件數量之百分比。以整體 影像分類成果進行評估，三組案例的整體精度皆 大於百分之八十，kappa 值皆在 0.75 以上，顯示物 件導向式影像分類成果有高正確性及可靠性，用 於分類點雲及其後之變遷分析是可行且合理的。

精度分析案例一

(a) 空載傾斜影像 (b) 真實地物類別參考資料 (c) 物件導向式分類影像 精度分析案例二

(d) 空載傾斜影像 (e) 真實地物類別參考資料 (f) 物件導向式分類影像 精度分析案例三

(g) 空載傾斜影像 (h) 真實地物類別參考資料 (i) 物件導向式分類影像 圖 12 精度分析案例之影像資訊

表 2 精度分析案例一之誤差矩陣及精度指標表(單位：百分比) 真實地物類別參考資料

分類地物 類別

分類類別 樹木 草地 牆面 屋頂 道路 其他

樹木 81.64 11.25 1.27 1.12 4.09 14.14 草地 4.87 80.16 0.00 0.02 5.33 0.00 牆面 0.71 0.07 68.41 6.39 4.53 20.80 屋頂 2.37 1.24 26.49 90.50 9.40 10.32 道路 8.68 7.29 2.96 1.65 76.44 32.21 其他 1.73 0.00 0.86 0.32 0.21 22.54

生產者精度 0.82 0.80 0.68 0.91 0.76 0.23

使用者精度 0.93 0.51 0.69 0.84 0.79 0.27

整體精度 0.81 kappa 值 0.75

表 3 精度分析案例二之誤差矩陣及精度指標表(單位：百分比) 真實地物類別參考資料

分類地物 類別

分類類別 樹木 草地 牆面 屋頂 道路 其他

樹木 85.84 32.16 0.32 0.77 7.62 29.68 草地 4.68 58.23 0.00 0.09 8.75 1.17 牆面 0.28 0.00 57.09 0.86 0.40 0.00 屋頂 0.99 1.25 38.64 95.29 6.04 5.09 道路 7.75 8.36 2.92 2.78 77.10 46.22 其他 0.46 0.00 1.03 0.21 0.07 17.85

生產者精度 0.86 0.58 0.57 0.95 0.77 0.18

使用者精度 0.90 0.21 0.83 0.89 0.75 0.69

整體精度 0.83 kappa 值 0.76

表 4 精度分析案例三之誤差矩陣及精度指標表(單位：百分比) 真實地物類別參考資料

分類地物 類別

分類類別 樹木 草地 牆面 屋頂 道路 其他

樹木 82.92 11.59 13.28 0.89 3.07 35.65 草地 7.89 80.08 0.07 0.00 4.28 7.17 牆面 0.54 0.08 58.59 3.78 1.66 2.92 屋頂 2.46 1.00 17.28 92.80 7.36 22.43 道路 5.20 7.05 5.81 2.10 81.92 25.30 其他 1.00 0.19 4.97 0.43 1.71 6.54

生產者精度 0.83 0.80 0.59 0.93 0.82 0.07

使用者精度 0.93 0.47 0.64 0.88 0.81 0.06

整體精度 0.83 kappa 值 0.77

213

4.2.3 分類點雲

物件導向式分類後得到的每張分類影像經由 HPR 運算子選取相應的可視點雲，透過反投影公 式，計算可視點雲中每個點所對應的影像像元位 置，取其分類屬性資訊做為該點之屬性。每張分 類影像得到一組有分類屬性的點雲。

因單張空載傾斜影像範圍無法涵蓋整體測區，

因此需選取數張影像使整體點雲都能取得分類資 訊。本文從東西南北四個傾斜視角，各選取數張 空載傾斜影像使其總涵蓋範圍擴展至整測區，並 進行物件導向式影像分類。各傾斜視角之分類影 像提供點雲不同方位的類別資訊，讓點雲取得豐 富的立面分類資訊，此為垂直影像所無法提供的。

而影像重疊區之點雲會對應兩張以上之分類影像，

造成一個點有多個類別屬性值的情形，示意圖如 圖 13，由紅色虛線圈選之建物，對應到三張分類 影像，因此在進行 HPR 運算及反投影的過程之後，

該建物之點雲會有三張分類影像所提供的類別屬 性，此時，透過眾數濾波器(mode-based filter)取 屬性眾數值做為該點最終屬性值，而執行眾數濾 波器也能減少反投影與分類所帶來的誤差。前期 影像之地物涵蓋範圍較大，因此使用數量較後期 分類影像少，前期點雲共使用 13 張前期分類影像，

後期點雲共使用 21 張後期分類影像。分類點雲結 果如圖 14 所示。前期點雲密度約為 21 或 8 ，後期點雲密度約 47 或 13 。

圖 13 點雲分類示意圖

(a) 前期分類點雲側視圖

(b) 後期分類點雲側視圖

圖 14 前後期分類點雲結果