第四章 實驗結果與討論
4.1 實驗第一部份
(一)個案 1-1
實驗環境：參考文獻[7]與該文章作者聯繫後在作者的同意之下我們獲得了與 文獻[7]完全相同的影像資料檔案。其影像資料庫樣本如圖 12，
分別以不同廠牌型號相機 Nikon E2100 與 SONY-P51 所拍攝。
圖 12(a): SONY-P51 影像 圖 12(b): Nikon-E2100 影像 實驗結果：
表 2：個案 1-1 之實驗結果 實驗分類
Nikon-E2100 SONY-P51 辨識率(%) Nikon-E2100 90.0 0.0 100 原始
類別 SONY-P51 2.6 87.4 97.8
結果說明：從圖表數據中，可看出使用與文獻[7]相同之影像資料搭配本文所 採用的實驗流程方法得到非常好的辨識率。由於辨識率已近乎 100%且相較於參考文獻[7]中的效果更好，證實本文所採行的方 法除了確實可行之餘更提升了原始作者的分類辨識率。
(二)個案 1-2
實驗環境：本實驗設計動機在於假設一理想條件下，參加實驗的四台相機每 一台所拍攝內容相似度極高(如個案 1-1 之圖 12a,b,c,d)，我們藉 以探討數位影像相似度是否會提升或降低照片分類辨識率。在本 實 驗 中 採 用 的 四 台 數 位 相 機 分 別 為 SONY-T7 、 SONY-P9 、 SONY-P1 與 NIKON-E995 分別各拍攝了 150 張照片其中 60 張照 片當 Train Data 另外 90 張照片當 Test Data 作分類辨識率實驗。
圖 12(a)：SONY-T7 圖 12(b)：SONY-P9
圖 12(c)：SONY-P1 圖 12(d)：Nikon-E995 實驗結果：
表 3：個案 1-2 之實驗結果 實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%)
SONY-T7 90 0 0 0 100
SONY-P9 0 90 0 0 100
SONY-P1 0 0 90 0 100
原 始 類
別 Nikon-E995 0 0 0 90 100
結果說明：表 3 之實驗數據乃針對相同分類步驟重複作十次平均後的結果，其辨 識正確率每次都高達 100%。從表 3 之實驗數據中可以看出數位影像 拍攝的內容在相似度極高的狀況下對於對辨識率確實會有很大的提 升效果，而這個論點是以往文獻中所未涉及的實驗個案。經過了這 個個案實驗之後，我們可以觀察相關研究文獻中的實驗設計幾乎清
一色是採用相似度極高的影像照片來作分類辨識率的實驗，除了在 這樣的條件下會提升辨識率之外也同時反映出採用相似度極高的照 片來作分類是比較不切合實際生活上的實用性。
(三)個案 1-3
實驗環境：個案 1-2 之實驗假設是在影像內容相似度極高的狀態下，這是一 個很理想的狀況但是在實務應用上卻很少會有這樣的機率。為了 瞭解數位影像內容相似度是否確實會影響辨識率，我們採用與個 案 1-2 完全相同的數位相機與影像張數，唯獨這一個案中參與實 驗的四台相機這次所拍攝內容相似度極低(如圖 14a,b,c,d)。我們 特別將這四台參與實驗相機分別拍攝影像複雜度以及影像光線 差異極大的相片內容來作分類實驗。希望能將這組實驗數據與個 案 1-2 作一比較驗證出個案 1-2 所說明的結果。
圖 14(a)：SONY-T7 圖 14(b)：SONY-P9
圖 14(c)：SONY-P1 圖 14(d)：Nikon-E995 實驗結果：
表 4：個案 1-3 之實驗結果 實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%) SONY-T7 83.5 2.6 3.7 0.2 92.77 SONY-P9 1.6 80.1 6.4 1.9 90 SONY-P1 3.4 1.7 84.9 0 94.33 原
始 類
別 Nikon-E995 0.3 3.2 0 86.5 96.11
結果說明：從表 4 之實驗數據中我們可以觀察到數位相片之拍攝內容相似度 高低與否確實會對於分類辨識率有一定程度的影響。在採用本研 究方法比較後相同廠牌間之數位相機辨識率會略低於不同廠牌 的相機這是可以預期的因為相同廠牌相機所使用的關鍵零組件 有可能源自於相同的上游供應廠商，所以會有比較差的分類辨識 率。但在這些影像內容差異極大的相片中平均辨識率仍能達到 93%以上這證明了本文所採用的方法有一定的強健性。
(四)個案 1-4
實驗環境：在分析個案 1-2 及 1-3 之後，在這邊我們已經可以初步得到一些 實驗上的結論就是影像內容相似度確實對於分類辨識率會有一 定程度的影響。這間接說明了另一個現象便是當初參與訓練而建 立 SVM 模型的這些 Train Data 的選擇是相當重要的。影像相似 度高低既然已經確定會影響辨識率，那以本文所採用的三類影像 特徵中是否會有誤判的結果出現。為了要持續驗證相片之影像內 容對於辨識率的影響度，我們同個案 1-2、1-3 使用完全相同之四 台數位相機，每台相機各拍攝出一組相似度極高而另一組相似度 極低的影像資料作實驗分類。
實驗結果：
表 5：個案 1-4 之實驗結果 實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995 相
似
不相 似
相 似
不相 似
相 似
不相 似
相 似
不相 似
辨識 (%)
T7(相似) 90 0 0 0 0 0 0 0 100
T7(不相似) 0.5 83.6 0.4 1.6 0 3.9 0 0 93
P9(相似) 0 0 90 0 0 0 0 0 100
P9(不相似) 0.1 2.2 1.3 80.1 0.4 4.6 0 1.3 90
P1(相似) 0 0 0 0 90 0 0 0 100
P1(不相似) 0 3.3 0 3 3.1 80.6 0 0 90
E995(相似) 0 0 0 0 0 0 90 0 100
原 始 類 別
E995(不相似) 0 0.6 0 3.5 0 0 2.9 83 92
5 10 15 20 25 30 35 40 45 50 55 60 96
96.5 97 97.5 98 98.5 99 99.5 100
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
Number of SVM Train Data SONY-T7
SONY-P9 Nikon-E995
SONY-P1
結果說明：從表 5 之實驗數據中我們可以發現數位相片之影像內容相似度除 了會影響分類辨識率之外，甚至同樣一台數位相機也會因為當初 建立 SVM 模型所選擇的影像內容而產生 SVM 分類的誤判現象，
誤認為是從兩台不同的數位相機所拍攝出來的。個案 1-4 的實驗 數據結果是我們所不樂見的，除了呼應之前個案的結論之外也間 接證明了本實驗方法有一定的研究限制存在。
(五)個案 1-5
實驗環境：在驗證數位影像相似度絕對會影響分類辨識率之後，接下來要探 討第二個方向就是 SVM Train Data 的數量多寡對於分類辨識率 是否會產生影響。本實驗個案中我們沿用之前個案所使用相同四 台數位相機也採用這四台數位相機彼此相似度極高的這些影像 資料來訓練 SVM 並作分類驗證。我們從 Train Data 等於 5 張、
10 張、15 張到 60 張然後用另外 90 張相片資料作 Test Data。
實驗結果：
圖 15：個案 1-5 中 Train Data 數量對於分類辨識率的影響(影像相似度極高)
辨
識
率
(%)
5 10 15 20 25 30 35 40 45 50 55 60 60
65 70 75 80 85 90 95 100
SONY-T7 SONY-P9 SONY-P1 Nikon-E995 SONY-P1
SONY-P9 SONY-T7 Nikon-E995
Number of SVM Train Data
相機所拍攝到相似度極高的影像內容時，我們僅僅只需要 5 張影 像資料就可以達到 96%以上的辨識率，只採用 20 張當訓練資料 (Train Data)之後就可以達到 100%的分類辨識率。這個個案說明 了如果我們欲分類的影像照片中在彼此相似度極高的狀況下可 以節省很多的實驗時間及取材成本。
(六)個案 1-6
實驗環境：在個案 1-5 中我們瞭解到以高辨識率為前提下，影像內容相似與 否也會影響到 SVM Train Data 的數量。針對完全不相似的影像內 容我們同樣做出了以下的實驗數據。
實驗結果：
圖 16：個案 1-6 中 Train Data 數量對於分類辨識率的影響(影像相似度低) 結果說明：從圖 16 之實驗圖表中我們可以發現如果在實際上針對完全不相似 的影像內容作分類時，我們必需要至少 55 張影像資料當 Train Data 才能保證有 90%以上的辨識率。我們可以另外推論如果要達到九成 以上的分類辨識率，其 Train Data 必須要達到 Test Data 的 0.6 倍。
相較於個案 1-5 的實驗數據顯示卻只需要 0.05 倍確實有著當相大的
辨
識
率
(%)
落差。
(七)個案 1-7
實驗環境：本文採用文獻[7]中影像特徵擷取方法作實驗，其影像特徵大致可 以分為三大類共 33 個特徵(如附錄)。本實驗個案中將探討影像特 徵類別、數位影像內容與辨識率三者之間的關係。本實驗假設在 相同四台數位相機中使用影像相似度低的影像資料並且只擷取 三個類別中的單一類別提供給 SVM 作分類，我們來觀察哪一類 別對於辨識率有較大的影響。
實驗結果：
表 6：只擷取影像色彩特徵(Color Feature)對分類辨識率的影響(影像相似度低) 實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%) SONY-T7 59.2 7.3 10.9 12.6 65.77 SONY-P9 6.9 52.1 23.4 7.6 57.88 SONY-P1 5.7 15.6 65.6 3.1 72.88 原
始 類
別 Nikon-E995 11.5 19.2 12.5 46.8 52 表 7：只擷取影像品質特徵(Quality Feature)對分類辨識率的影響(影像相似度低)
實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%) SONY-T7 52.8 10.9 13.1 13.2 58.66 SONY-P9 23.3 51.9 11.2 3.6 57.66 SONY-P1 18.1 7.5 58 6.4 64.44 原
始 類
別 Nikon-E995 16.6 6.6 7.5 59.3 65.88 表 8：只擷取影像小波頻率域特徵(Wavelet Domain Statistic Feature)對於分類辨識
率的影響(影像相似度低)
實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%) SONY-T7 70 2.3 14.1 3.6 77.77 SONY-P9 0.7 77.7 5.9 5.7 86.33
SONY-P1 0 2.6 87 0.4 96.66
原 始 類
別 Nikon-E995 0 0 0 90 100
結果說明：從表 6~8 之實驗圖表中我們可以發現在影像內容相似度極低的狀 態下實驗使用三類別中單一種都無法達到良好的分類辨識率。在 這三個類別實驗數據中又以小波頻率域特徵比較能達到良好的
分類辨識效果。從這個地方我們是否可以回顧這些實驗前後所得 到的論點，也就是影像內容相似度確實跟影像頻率域的數值有著 很大的關係。在相似度極高的狀態下其實也意味著其影像頻率內 容的相似度也是很高的，因而可以得到較高之辨識率。。
(八)個案 1-8
實驗環境：參考個案 1-7 的實驗作法，只是這次所採用四台數位相機之影像 內容是極為相似的資料。本實驗同樣只擷取三個類別中的某一類 作特徵提供給 SVM 作分類，希望能跟個案 1-7 的實驗作比較。
實驗結果：
表 9：擷取影像色彩特徵(Color Feature)對於分類辨識率的影響(影像相似度高) 實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%)
SONY-T7 90 0 0 0 100
SONY-P9 0 89.8 0.2 0 99.77
SONY-P1 0 2.1 87.9 0 97.66
原 始 類
別 Nikon-E995 0 0 0 90 100
表 10：擷取影像品質特徵(Quality Feature)對於分類辨識率的影響(影像相似度高) 實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%) SONY-T7 89.5 0 0.2 0.3 99.44
SONY-P9 0 89.5 0.5 0 99.44
SONY-P1 0 0 90 0 100
原 始 類
別 Nikon-E995 0 0 0 90 100
表 11：擷取影像小波頻率域特徵(Wavelet Domain Statistic Feature)對於分類辨識率 的影響(影像相似度高)
實驗分類
SONY-T7 SONY-P9 SONY-P1 Nikon-E995
辨識率 (%)
SONY-T7 89.8 0.2 0 0 99.77
SONY-P9 0.8 89.2 0 0 99.11
SONY-P1 0 0 90 0 100
原 始 類
別 Nikon-E995 0 0 0 90 100
結果說明：從表 9~11 之實驗圖表中我們可以發現在影像內容極為相似的狀態 下作分類實驗，只需要三類別中任一種特徵型態就能達到良好的分
類辨識率。
(九)個案 1-9
實驗環境：這個個案主要是要探討數位影像資料如果經過人為的修改或破壞 之後是否仍具有良好之分類辨識能力。本實驗使用與個案 1-1 同 樣的相機並且使用相同的相片影像內容作分類。我們針對影像尺 寸作後製處理修改其影像大小(Resize)然後利用 SVM 作分類。
實驗結果：
表 12：原始相片大小（1600×1200），並未做任何處理 實驗分類
Nikon-E2100 SONY-P51 辨識率(%) Nikon-E2100 90.0 0.0 100 原始
類別 SONY-P51 2.6 87.4 97.8
表 13：相片大小經過影像軟體修正為（1280×960）
實驗分類
Nikon-E2100 SONY-P51 辨識率(%)
Nikon-E2100 58 32 64.7
原始
類別 SONY-P51 23 64 73.9
表 14：相片大小經過影像軟體修正為（800×600）
實驗分類
Nikon-E2100 SONY-P51 辨識率(%)
Nikon-E2100 82 8 91.2
原始
類別 SONY-P51 9 81 89.5
表 15：相片大小經過影像軟體修正為（320×480）
實驗分類
Nikon-E2100 SONY-P51 辨識率(%)
Nikon-E2100 69 21 76.4
原始
類別 SONY-P51 18 72 79.6
結果說明：從表 12~15 之實驗圖表中我們可以發現影像大小尺寸如果經過了 影像處理軟體的後製過程之後將會大大的影響影像分類辨識 率。本實驗雖然在大小尺寸成等比例縮放，但辨識率卻呈現非線 性變化。這邊得到的結論是如果我們獲得的影像資料是一個複製 品或這張影像已經經過電腦合成處理，這些非原版影像資料將會 大大的影響爾後的分類辨識率。