向量機、粗糙集方法及Plausible Neural Network。
第四章「影像資料與分類實驗流程」：介紹兩組實驗區所採用的影像及其 資料前處理，並對兩組實驗區的分類實驗流程作說明。
第五章「實驗成果與探討」：各分類成果以誤差矩陣作展示並計算各分類 成果之精度評估指標。
第六章「結論與建議」：研究成果總結與建議事項。
6
第二章 分類理論基礎
2-1 水稻生長概述
台灣地區水稻生長情形隨季節、緯度及生長環境不同而具有差異，依農糧署
（2000）「台灣地區稻米生產量調查報告」資料，台灣地區依氣候條件每年可有 兩期的水稻種植。第一期稻作約在冬末春初插秧，夏季之6 到 7 月時收獲；二期 稻作在一期稻作收割後約15-20 天開始整田、插秧，秋末冬初之 11 到 12 月時收 穫。一期稻作因在插秧期的溫度較低，發芽生長較緩，生長週期天數約需110-140 天；二期稻作因陽光日照充足，插秧至收割僅需100-110 天左右（工研院，2001）。
水稻生長階段則依農復會等（1977）針對稻作生長所作的研究，將其概略分 為四個時期，包括（1）秧苗期；（2）營養生長期；（3）生殖生長期；（4）成 熟期。上述四個時期並可再細分為九個期別，即（1）成活期；（2）生長期；（3）
有效分蘗期；（4）最高分蘗期；（5）幼穗形成期；（6）孕穗期；（7）抽穗期
（8）乳熟期；（9）黃熟期。圖 2-1 為水稻生育期別及生長日期概略圖。
2-2 水稻植生變化
水稻於不同生長階段其土地覆蓋類型將隨之改變，而土地覆蓋類型的變化將 反應於遙測影像上的光譜變化。藉由蕭國鑫（1998）研究得知，結合水稻不同生 長階段的遙測影像，將有助於水稻田的辨識作業。
2-2-1 土地覆蓋變化
水稻於稻作期間內，經整地育苗、插秧、生長、分蘗及收割等過程，其土 地覆蓋類型會有所改變，表2-1 為水稻在不同生長時期之土地覆蓋類型。在整地 育苗期，水稻田引水灌溉使土壤風化並進行犁耕整地作業，此時土地覆蓋以水體 或含豐富水份的土壤為主；插秧至有效分蘗期，土地覆蓋類型呈水體與植被混合，
圖2-1 水稻生育期別及生長日期概略圖(農復會等，1977)
7
8
燥裸露土壤（陳益凰，1998）。
並隨水稻生長，植被會越茂密而水體則相對減少；水稻從最高分蘗期到結穗成熟 採收前，土地覆蓋類型呈完全植被；收穫期，當水稻收割完成後，土地覆蓋類型 則呈乾
表2-1 水稻在不同生長時期之土地覆蓋類型 生 長 時 期 土 地 覆 蓋 類 型
整 地 育 苗 期 水 體
插秧期-有效分蘗期 水 體 + 植 被
最高分蘗期-黃熟期 植 被
收 穫 期 乾 燥 裸 露 土 壤
2-2-2 光譜變化
遙測感測器接收到的光譜反射率會因不同地表物而有所不同，而同一植被 在不同季節其光譜反射率也會有所差異，遙測影像分類即是利用地表物光譜反射 率的差異進行土地覆蓋之辨識。
圖 2-2 為乾燥裸露土壤、綠色植物及水體三種地表物之標準光譜反射率曲 線，縱軸為反射率而橫軸為波長（單位為μm）。由圖 2-2 可見，三種地表物在
不同波 卻有
的反射率。倘若遙測感測器具由極高的光譜解析度，則可將波 長範圍切割成密集的波段
之多光譜影像，各波段的波長範圍分別為：藍光波段（0.45～
0.52μ ） 光波段（0.76 三個波
紅光波段（ 0.79～0.89μm），光譜解析度約
為 0.1μm。與圖 2-2 相較，兩衛星影像各波段所包含的波長範圍，僅是圖中左 長時的反射率，於近紅外光波段，水體的反射率幾近為零而綠色植物 相對其它兩者為強
，並依據各波段的反射率，作為土地覆蓋分類作業時所 需的有效資訊。
本研究所採用的衛星影像為 Formosat-2 及 SPOT 兩種。Formosat-2 衛星影 像為包含四個波段
m 、綠光波段（0.52～0.60μm）、紅光波段（0.63～0.69μm）和近紅外
～0.90μm），光譜解析度約為 0.1μm；SPOT 衛星影像則為包含 段之多光譜影像，各波段的波長範圍分別為：綠光波段（0.50～0.59μm）、
0.60～0.68μm）和近紅外光波段（
9
方一小 性。
用多時段影像，利用水稻在不同 生長時
段波長範圍，若僅想以單一影像細分出各項土地覆蓋類型則具有其困難
如2-2-1 節所述，水稻田土地覆蓋類型會隨不同生長階段而有所變化，包含 水體、水體與植被混合、單純植被及裸露土壤，而其土地覆蓋類型的不同將使得 遙測影像上的光譜資訊也將不同。本研究即是採
期，其光譜反射率會隨之變化的特性，進行水稻田的辨識作業。
圖2-2 不 2004）
2-3 紋理特徵
遙測影像經由紋理分析可提供影像分類作業時額外的輔助資訊，且具有助 益的輔助資訊將能提升分類成果的準確性。紋理分析方法則可分為結構型、統計 型與頻譜型，以下將對三種紋理分析方法作說明（Haralik et al., 1973；Gonzalez &
Woods, 2002）：
1. 統計方法（Statistical Approaches）：藉由像元灰度值及像元間的相對位
。 2. 結構方法（Structural Approaches）：藉
3. 頻譜方法（Spectral Approaches）：以傅利葉頻譜性質為基礎，指認出 同地表物之標準光譜反射率曲線（Lillesand et al.,
置關係，得出平滑、粗糙、均勻性及熵等紋理特徵
由影像基本單元（Primitives）的 排列對紋理特徵作描述。
10
（1973）的 Gray Level ccurrence Matrix（GLCM）為依據；該方式為由原始影像得出共生矩 Haralik et al.（1973）在其研究中共列舉出十四
紋理統計量具有高相關性，故Schowengerdt（1997）列出七種常用的紋理統計量 用於取得紋理影像，說明如下：
1. 二階角動量（Angular Second Moment，ASM）：度量影像紋理的一致性，
即
3. 相關（Correlation）：度量影像的相關性，即 Pij
4. 變方和（Sum of Squares）：計算取樣視窗中灰階之變方和，即
∑∑
(i−µ)2Pij (2-4i j
)
反差動量（ ）：度量影像的均調性，又稱作
5. Inverse Different Moment Homogeneity，即
錯誤之型 ommission Error）及漏授（Omission Error）兩種。
ijlog
若每張遙測影像具有三個波段，
紋理影像，則將產生15 種紋理影像，若採多時段影像，則產生的紋理影 像將會倍增。故黎瑋（1998）將得到的紋理影像進行主成分分析法（Principle Component Analysis，PCA），將重要的資訊集中於前幾個主軸中使用。
2-4 分類精度評估
12 Accuracy，PA）及使用者精度（User's Accuracy，UA）、全體精度（Overall Accuracy，OA）、Kappa 指標（K hat， ）及 Z-Test。精度評估指標分述如下，
並先對各符號作定義：
13
14
不具有顯著性； 法之分類成果具有顯
著性，即分類成果各具有其代表意義。
若Z 值大於 1.96，則代表兩分類方
15
三章 影像分類理論
遙測影像分類最初是以統計分析方法為主，如高斯最大似然分類法及判別分 析方法等，而這些統計分析方法在早期都可獲得不錯的分類成果。但隨著遙測技 術的提升，遙測影像能獲取的波段數增加，若以統計分析方法對影像進行分類，
將面臨 現象（
料進行假設，如高斯最大似然法需假設樣本資料具有常態分佈之性質，而這些因 素都將使得統計分析方法在使用上受到限制。
類神經網路於遙測影像分類之研究至今已非常普遍，其非線性的處理能力優 於統計分析方法，但類神經網路模式具有無法對其網路權重進行解釋的能力及所 求得的解可能為局部最佳解的缺點。粗糙集方法為以樣本所得的規則對影像進行 分類作業，屬規則式的分類方法 該理論並會對屬性進行縮減，將多餘的屬性予 以剔除，僅以縮減後的屬性進行規則攫取。
近年來，統計學習理論受到重視，支持向量機即是以其為基礎所發展出的理 論，而將支持向量機應用於遙測影像分類，在國外已有多項研究。如 Zhu &
Blumberg（2002）、Melgani & Bruzzone（2004）、Cam -V lls 2
等， 的
為新提出的類神經網路模 式，其結合統計推論及模糊理論，可用於計算樣本的機率及可能性。
Plausible Neural Network 進行水稻田辨識
作業 測影像分類的類神經網路模式
（倒 網路及輻狀基底函數類神經網路）及
粗糙 其它
第
Hughes Hughes, 1968）問題。且某些統計分析方法必須對樣本資
，
ps a & Bruzzone（ 005）
且上述列舉 各項研究成果皆顯示，支持向量機所獲得的分類成果皆較其所 採用的類神經網路方法為佳。Plausible Neural Network
故本研究主要是以支持向量機及
，並選取高斯最大似然分類法、三種已用於遙 傳遞類神經網路、學習向量量化類神經
集方法進行比較，以驗證在水稻田辨識作業中，上述兩種主要方法是否優於 分類方法。以下各節將針對各分類理論進行說明。
3-1 ISODATA 分類法
16
覆蓋情形複雜，且受限檢核資料僅提供水稻及非 水稻
則該像元即屬於該類 別。
本研究因實驗區影像上土地
類別之資訊，故先以ISODATA 分類法對實驗區影像進行群聚分析，並以指 定條件所得的群聚類別數代表影像上土地覆蓋之情形。
ISODATA（Iterative Self-Organizing Data Analysis Technique (A)）為屬最小 距離分類法之一種，若某像元與某類別之距離為最小時，
距離值之計算採歐基里得距離（Euclidean Distance），公式如下（陳益凰，
1998）：
(
k) (
T k)
k x x
d = −µ ⋅ −µ (3-1) 上式中，d 為某像元至第 k 個群聚類別之歐基里得距離；k x為未知點向量；
µk為第k 個群聚類別之平均值向量。上述歐基里得距離僅考慮平均值間的距離，
若欲顧及離散度之影響，可藉由標準差將離散度之影響進行正規化處理，得標準 歐基里得距離，即
(
x)
T k(
x k)
dk = −µk ⋅σ−1⋅ −µ (3-2) 上式中，σk為第 k 個群聚類別之標準差。基本的 ISODATA 分類法包含以 下五個步驟（Duda & Hart, 1973；陳益凰，1998）：
1. 輸入 N、T 與 M 相關參數。
2. 選擇各群聚中心之起始值。
3. 將各像元分別指定給最靠近的群聚中心。
4. 重新計算每個群聚中心的平均值。
5. 若任一群聚中心的平均值有所變動，則回至第 3 步驟，若無則停止運算。
與 N 表示欲分類的群聚數；T 為臨界值，
若前後兩次疊代運算成果之各群聚中心變化量小於此臨界值，即完成分類作業；
N、T M 為使用者需輸入的參數，
17
M
3-高斯最大似然分類法（Gaussian Maximum Likelihood Classification 督式的 據（Lillesand et al., 2004）。高斯最大似然分類法處理程序可分為兩個階段，如
，如下所述（劉孝恆，1999）：
18
度函數（ 各類別之
機
Probability Density Function），以求得整幅影像上各像元對 率，並依據此機率值對各像元進行分類作業，機率密度函數公式如下：
Probability Density Function），以求得整幅影像上各像元對 率，並依據此機率值對各像元進行分類作業，機率密度函數公式如下：