實際空載光達資料

本部份採國立成功大學光復校區之光達資料 進行測試，由 RIEGL-Q680i 全波形 (full-waveform) 光達掃描而成，本次航高約 800 公尺，點雲密度約

可初步判定 Model Ratio、Mean Zn、Mean PC1、

Mean Intensity、Std Z 及 Area 等特徵在此場景下，

0.02 至 0.75 時，則可判釋出大多數混合物。由圖 21(b)、(c)、(d) 可知，Mean Z_n、Std Z、Area 能有 效反應出物體實際高度、高度變化量與投影至地面 之面積。其中，車輛之 Mean Z_n 大都低於 1.5 公尺、

Std Z 低於 0.5 公尺且 Area 小於 10 平方公尺。因 此相較於結構物、樹木與混合物而言，同時使用該 些特徵能有效輔助車輛判釋。此外，對於樹木類別 而言，Mean Z_n普遍高於 3 公尺，因此利用該特徵 將有利於樹木判釋。由圖 21(e) 可知，物體幾何變 化劇烈程度會直接反應在物件整體曲率上，因此對 於結構物、車輛等較規則、平滑的物體而言，Mean

PC₁在區別樹木與結構物 (或樹木與車輛) 上，具 有較高的能力。當 Mean PC₁ 高於 5.0 時可辨識出 大部分之樹木；當 Mean PC₁ 低於 5.0 時可辨識出 大部分之結構物與車輛。由圖 21(f) 可知，受結構 物與樹木表面材質不同的影響，感測器取得的點雲 反射強度有較顯著的差異，因此 Mean Intensity 對 於輔助此二類別的辨識上，有較高的助益。當 Mean Intensity 低於 50 時，可判釋出大部分樹木；當 Mean Intensity 高於 50 時，可判釋出大部分結構 物。

3

(a) 地面點(紅)/ 非地面點(藍) (b) 非地面點分割 Step:25.0 m Spike:1.0 m

Stddev:0.015m Offset:0.05 m CT:0.6 m 圖 19 空載光達點雲分割成果

(a) 實驗區航照影像 (b) 俯視圖

圖 20 空載光達訓練資料 (橘：結構物;灰黑：樹;綠：車輛;淺藍：混合物)

(a) Model Ratio (b) Mean Z_n (unit:m)

(c) Std Z (unit:m) (d) Area (unit:m²)

(e) Mean PC₁ (unit:1/m) (f) Mean Intensity 圖 21 物件特徵響應曲線

(紅：結構物;桃紅：車輛;綠：樹木;藍：混合物)

4.1.3 分類規則設計與分類成果

以下利用物件特徵分析成果設計分類規則。由 於 Model Ratio 在結構物、混合物、樹木與車輛上 具有高度分辨能力，首先可利用該特徵分類點雲物 件為(1) 結構物、(2) 混合物與(3) 無模型 (No Model) 三類別。接續利用樹木於 Mean Intensity 與 Mean Z_n反應特性分出 No Model 中的樹；以及 使用 Mean Z_n、 Std Z、Area 與 Mean PC₁分類車

輛。最後將不符合決策條件的物件，歸為未分類 (Unclassified)。然而，在結構物的部分，受實驗區 樹木緊鄰結構物影響，叢聚分割法無法以凝聚特性 分割不同地物點雲，造成 Model Ratio 特徵值反應 介於結構物與非結構物之間，使多數結構物、樹木 過於鄰近的區域，被分類為混合物。有鑑於此，本 研究採用模型導向之 RANSAC 分割法進行二次 分割。其中受限於 RANSAC 僅考量如何萃取出點 雲資料中可模型化的點位，未考慮點位間個體上的

差異，本研究首先對混合物件採取 RANSAC 分割，

以區別規則 (Regular) /不規則 (Irregular) 點雲，再 分別對規則/不規則點群以三維叢聚分割法叢聚出 獨立物件，最後將分割後之物件同樣進行物件特徵 萃取與分類。基於上述方式，可設計分類規則如圖 22。

分類成果如圖 23，由分類成果來看，結構物、

樹木與車輛之分類結果與人為認知的一致性相當 高。此外，以本研究之二次分割程序可有效處理複

合構型的物件，並藉由 RANSAC 重新分割點雲物 件，達到合理的分類。同時，比對光達點雲分類成 果與航照影像後可以發現，過去容易受光譜資訊混 淆而分類錯誤的地物，在本研究以物件架構搭配三 維幾何與統計特性分類情況下，能有效改善分類成 果。而在過去影像無法描述的三維資訊上，例如受 大量樹叢遮蔽的車輛、小型結構等，以本研究之三 維架構進行分類亦可有效將其分出，提供額外的空 間資訊，如圖 23 (f) 所示。

圖 22 空載光達分類規則

(a) 實驗區航照影像 (b) 俯視圖 (未經二次分割) (c) 俯視圖 (經二次分割)

(d) 側視圖 (經二次分割) (e) 側視圖 (經二次分割) (f) 剖視圖 (經二次分割) 圖 23 空載光達分類成果 (紅：結構物;綠：樹;黃：車輛;淺藍：混合物;卡其：地面點;白：未分類)

4.1.4 分類品質評估

Structure 345525 2251 59 347835

Tree 14078 744095 109 758282

Car 407 923 6124 7454

Total 360010 747269 6292 1113571

表 3 空載光達分類精度

(a) 實驗區航照影像 (b) 俯視圖

(c) 側視圖

(d) 側視圖 圖 24 空載光達地真資料 (灰：結構物綠：樹橘：車輛)

(a) OBPCA 分類成果(俯視圖) (b) LASTOOL 分類成果(俯視圖)

(c) OBPCA 分類成果(側視圖) (d) LASTOOL 分類成果(側視圖)

(e) OBPCA 分類成果(剖視圖) (f) LASTOOL 分類成果(剖視圖) 圖 25 OBPCA 與 LASTOOL 於空載光達分類成果比較 (紅：結構物;綠：樹木;白：未分類)