影像分割是將側掃聲納影像切割成一塊塊的矩形，這些矩形是互相緊密排列
的(圖 4-4)。在進行分割時可以選擇要分割的矩形大小，分割的大小沒有一定的正 確性，但要注意的是必須盡量將其設定為正方形，因為在定位上是採用矩形的長、
寬一半延伸的點作為之後產生數值的座標位置，越接近正方形，其所對應的位置 越能代表矩形的中心。分割矩形的寬(rectangle width)為垂直航線上的長度，單位是
49
採樣點數(sample)；分割矩形的高(height)為沿航線方向上的長度，單位為砰發數 (pings)，其與側掃聲納的砰發速率(ping rate)及船速有關。
圖 4-4 進行影像分割後的影像圖。紅色矩形為左舷的分割，綠色為右舷的分割。
產生特徵值主要是採用個別矩形內回散射振幅值的大小，利用各種不同的演 算法去得到 29 個數值，每個劃分出來的矩形區域都會產生 29 個數值(圖 4-5)。用 來計算的演算法有下面四種：
(1) 基礎統計：包括平均、標準差、Kurtosis(峰度)、Skewness(歪度)。
(2) 功率譜(Power Spestra)。
(3) 灰階共生矩陣(Gray-Level Co-occurrence Matrices,簡稱 GLCM)。
(4) 碎形維度(Fractal Dimension)
由以上演算法計算出來的數值稱為 FFV(Full Feature Vector)，其代表一個分割 矩形經由演算法計算後產生的資料點，一個矩形就是一個資料點，資料點中包含 了該矩形的三個 Q 值。為了避免錯誤影像區域產生的 FFV 值影響分類結果，必須 進行 FFV 資料點的編修，將錯誤的或品質不良的 FFV 過濾掉(圖 4-5)。
50
圖 4-5 進行 FFV 編修過濾品質不好的資料點區域。紅色的資料是被過濾的不良資 料點，綠色的資料則是將要進行分析的 FFV 資料點。
4. 主成份
主成份主成份分析法主成份分析法分析法(PCA)分析分析法 分析分析 分析經過演算法計算後，每個矩形個別會有 29 個數值，為了區分這些矩形內的影 像，必須從這些數值中找到具有最大變異性的項目來做進一步的分群，利用主成 份分析法(Princi[le Component Analysis,PCA)就可針對這些大量的資料做粹取的動 作。先將資料群中的數值牌成一個陣列，每個矩形為一單位，代表一列；而演算 法計算出來的數值個別代表一欄，接著使用 PCA 法將陣列中變異性最大的前三個 參數取出來，依照變異程度大小分別稱為 Q1、Q2、Q3，再建立一個由 Q1、Q2、
Q3 所組成的座標系，稱為 Q-Space。由於每個矩形都有自己的 Q1、Q2、Q3，因 此就可將所有矩形資料點放在 Q-Space 上，成為一個三維的資料分佈圖(圖 4-6)。
圖 4-6 PCA 分析後產生之 Q-Space。
51
5. K-means 分群
分群分群分群、、、貝葉斯訊息準則、貝葉斯訊息準則貝葉斯訊息準則 貝葉斯訊息準則一般要進行資料分群時，必須對資料群做群集分析(cluster analysis)，主要是將 資料點分成數個群集，每個群集中的資料點間的相似程度高於其它群集中資料點 的相似程度，K-means 分群法即是現今常用且簡單的群集分析法，其可在大量高維 的資料點中找出具有代表性的資料點。由於 K-means 分群法可自行選擇要分群的 群數，根據設定的群數將資料點分別歸類至適當的群集，但沒辦法判別哪一種群 數是最恰當的，因此可利用貝葉斯訊息準則(Bayesian information criterion,BIC)來判 別何種分群群數具有較高的正確性。貝葉斯訊息準則可用來決定擁有不同參數可 選擇的模式中，哪種參數套出來的模式配適度是最高的，每個可套用至模式中的 參數都會計算出一個 BIC 值，這邊稱為貝葉斯分數，分數越小代表這個參數套用 至模式的配適度是最好的。像圖 4-7 中 K-MEANS 分群設定為 2~10 個分群，而貝 葉斯分數顯示最佳配適度的分群為 5 個分群。
圖 4-7 K-means 分群與 BIC 分數。