第二章 文獻回顧
第三節 影像偵測崩塌地之相關研究
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
15
第三節 影像偵測崩塌地之相關研究
本研究利用物件導向分類法於影像中偵測崩塌地，又於物件導向分類 流程中，首要的就是影像分割。因此，關於影像偵測崩塌地的相關研究中，
首先為影像分割的相關研究，接著為影像分類法，最後為影像上偵測崩塌 地之相關研究整理。
一、影像分割法
影像分割的目的將影像依照其同質性分割成不同區塊。區塊內的像元 同質性高，異質性低；區塊和區塊之間彼此之間的同質性低，異質性高。
主要可以分成三種方式（Pekkarinen, 2002），分別為像元式（Pixel-based）
的分割、邊緣式（Edge-based）的分割以及區塊式（Region-based）的分割。
像元式的分割方式有兩種，門檻值法（thresholding）和群集（Clustering）
分析。門檻值法制定的方式有全域（Global）和區域（Local）兩種，全域 即為整張影像中制定一個門檻值分割影像，此種方式為二元式的分割；區 域的分割方式為利用罩窗於該範圍內統計其區域的光譜亮度質之直方圖分 佈，以得到該區域內門檻值，如圖 2-5 所示，選取該區域內兩個波峰之間 直作為該區域分割的門檻值，所以每個區域內的門檻值皆不相同。
圖 2-4 區域分割門檻值示意圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
16
群集分析應用於影像分割的技術如圖 2-5 所示，其每個群其的特性為 群集內的點與點之間的異質性（以距離來表示，當距離越小，表示異質性 越小；若距離越大，表示異質性越大）越小；相對群集與群集之間的異質 性越大。因此，於影像分割的應用中，即為每個像元與像元之間的光譜反 射值差異程度表示異質性大小程度，當像元彼此之間的光譜反射值差異越 大時，表示像元之間的異質性越大，此時兩者會被分割成不同的區塊；相 對若像元彼此之間的光譜反射值差異越小時，表示像元之間的異質性越小，
此時兩者會被歸類為同一區塊（Tan et al., 2006）。
圖 2-5 群集分析示意圖（Tan et al., 2006）
像元式分割方法的缺點為僅利用像元之光譜反射值作為分割門檻值的 依據有限，同時此種分割方式沒有考慮到地物的空間關係，可能會把影像 中光譜反射值差異小但位於不同地區的像元分割成同一區塊（Haralick and Shapiro, 1985）。
邊緣式的分割方式為利用邊緣增強（Edge Enhancement）的技術將影像 中的邊緣地區偵測出來，接著分割的根據為該邊緣所圍繞的區域視為一個 區塊。邊緣偵測的流程首先為平滑（Smoothing），此部分為將影像中的雜 訊過濾。接著為影像銳化（Sharpening），此部分利用高通濾波器（High Pass
‧
塊生長（Haralick and Shapiro, 1985）。圖 2-10 區域成長法（1） 圖 2-11 區域成長法（2）
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
18
圖 2-12 區域成長法（3） 圖 2-13 區域成長法（4）
圖 2-10 至圖 2-13 為區域成長法的示意圖（邱瑩潔，2004），圖 2-10 為影像中的種子點，其光譜反射值為 5，接著由此種子點向八方鄰方向成長，
此示意圖之門檻值設定為 5，也就是說，像元彼此之間的光譜亮度值差異必 須在 5 之內才會成長。圖 2-11 和圖 2-12 為此種子點成長的過程。最後將區 塊成長的結果標籤（Labeling），如圖 2-13 所示，區塊內的像元標籤為 1，
區塊外的像元標籤為 0，即完成區域成長法。
此種區塊式的分割方式的有兩個問題，第一是要如何決定像元和像元 之間的門檻值。第二是要如何決定分割的數量（種子點數量）。
除此之外，上述的所提的影像分割方法，不論是像元式、邊緣式和區 塊式的分割方法，其技術大部分沒有同時包含光譜（Spectral）和空間（Spatial）
的關係。因此，Baatz 和 Scahpe （2000）提出一個同時包含光譜以及空間 的影像分割技術，稱之為多重解析度分割法（Multiresolution Segmentation）。 此分割技術在光譜方面考量各波段影像像元之光譜反射亮度值，並且對不 同的波段可以給予不同的權重；在空間方面考量區塊之形狀，以不同的形 狀因子表示區塊形狀情形。此外，可藉由設定不同的門檻值，以顯示不同 的分割狀況，此種概念稱之為多重解析（Multiresolution），為目前較佳的 分割技術。因此，本研究採用多重解析分割法技術作為物件導向上之影像 的區塊分割。
‧
（Minimum Distance）以及支持向量機（Support Vector Machine）等。因此，
須以訓練樣區的地物資料訓練分類器，以建立分類器對各個地物之分類模 為主完全鏈結（Complete Link）演算法或單一鏈結（Single Link）演算法、
基於密度的 DBSCAN（Density-based Spatial Clustering of Application with Noise）演算法和改良 K-means 演算法的 ISODATA（Iterative Self-Organizing Data Analysis）演算法（Jensen, 2006; Tan et al., 2006）。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
20
另外除了利用分群技術應用於非監督是影像分類外，也可以建立地物 分 類 準 則 直 接 分 類 影 像 中 的 地 物 ， 此 種 概 念 為 基 於 知 識 庫 為 主
（Knowledge-based）的分類模式（Song and Civco, 2002）。通常此種分類 方式為建立在物件導向分類方法中，利用影像中每個物件的光譜（Spectral）、
紋理（Texture）、形狀（Shape）、面積（Area）和地形（Topography）等 指標建立地物的分類準則。
圖 2-15 非監督式分類流程圖
因此，由上述可知群集分析需要後續的人為加入以標籤地物類別，但 若是建立分類準則可不需要加入此流程，以提高整體分類流程自動化程度。
此外，雖然監督式分類透過訓練樣區的選取，可以提高地物分類的精度，
但選取訓練樣區需要人為的加入，如此會增加整體工作的流程。因此，本 研究採取非監督式分類，並引入知識庫的概念對影像分類，以提升分類之 執行效率以及精度。
硬式分類以及模糊分類的區分在於其分類地物之模糊性程度。硬式分 類是指某地物屬於某類別的模糊性程度為 0%，表示某種地物只會屬於該類 別；模糊分類（Fuzzy），是指某地物屬於某類別的模糊性程度不為 0%，
比方該地物有 75%屬於類別 A，25%屬於類別 B。因此，大部分的影像分 類法為硬式分類，表示地物於影像分類的結果只會屬於某種類別，並且該 地物的分類結果不會同時包含兩種以上的類別。但影像上的每個像元無法
‧
（Foody, 1996）。一般來說，若影像的影像的 GSD （Ground Sample Distance）
越大，則一個像元包含的地物類別也越多，適合考量模糊分類的成果，以 分類，此種現象稱之為椒鹽效應（Salt and Pepper Effect），如圖 2-16 所示，
藍色圈圈表示正確的分類結果，綠色圈圈和黃色圈圈為錯誤的分類結果，
造成此原因為影像之空間解析度太高，例如影像上一個像元對應於真實地 表的解像力高達數十公分時，其單一像元無法精確地代表真實地物資訊，
甚至會誤分類成雜訊區域，如上述的綠色圈圈和黃色圈圈所示（Yu et al., 2006）。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
22
圖 2-16 椒鹽效應示意圖
解決椒鹽效應的分法有許多，如利用高斯濾波器（Gaussian Filter）、
中值濾波器（Median Filter）或傅立葉轉換（Fourier Transform）過濾影像 的雜訊（Chi et al., 2008; Alamri et al., 2010）。高斯濾波器和傅立葉轉換屬 於低通濾波器，其過濾雜訊原理為保留影像中的低通區域（灰階梯度變化 低），過濾高通區域（灰階梯度變化高）。影像中的雜訊，其光譜反射值 之梯度較周遭地物來的高（高通區域），所以利用高斯濾波器可以過濾影 像中的雜訊。但此過濾器的缺點為會將其他地物光譜反射梯度較高的地區 平滑化，如地物邊緣線區域。
資料中的中值，顧名思義，即為將資料值從小依序排到大，位於中間 的資料值，稱之為該資料的中值。因此，中值濾波器所獲取影像內的光譜 反射值，是根據該罩窗範圍之光譜反射值的中值。此種轉換方式較高斯濾 波器來得佳，對影像中的邊緣地區影響較小。圖 2-17 為的包含雜訊的影像，
圖 2-18 為利用中值濾波器過濾雜訊後的影像。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
23
圖 2-17 雜訊處理前影像 圖 2-18 雜訊處理後影像 雖然可以利用濾波器將影像中的雜訊過濾，但真實的地物並不是由單 一像元就可以決定的，此外，利用像元式的分類方式不能建立地面地物和 地物之間的關係，因此，物件導向的分類方式被引進，首先先以影像分割 的技術依據像元和像元之間的同質性和異質性將影像分割成許多區塊，以 各個區塊當作分類的最小單元，如此，可以有效地將影像中的雜訊過濾，
避免椒鹽效應的現象，如圖 2-19 所示，紅色外框內的像元被分割成一個物 件，儘管此物件內的像元有錯誤的分類，如橘色和綠色圈圈，但在此物件 中以正確分類的像元（藍色圈圈）數量居多，因此，此物件可以在像元光 譜反射值不被轉換的情況下獲得正確的類別（藍色圈圈）。
圖 2-19 物件導向分類示意圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
24
此外，物件導向的優點為可以利用所分割出來的物件之形狀、大小（面 積）、光譜和相鄰等關係判釋物件，如圖 2-20 和圖 2-21 所示，圖 2-20 左 邊為田地、右邊為道路，此兩種人工地物可利用形狀（田地形狀接近矩形、
道路形狀狹長）、相鄰（田地旁有道路）等關係將田地和道路判釋出來；
圖 2-21 為判釋田地和房舍，可以利用兩者的面積（田地面積較大，房舍面 積較小）或光譜資訊（由植被指標如常態化植生指數判釋）。此種為語意
（Semantic），即以人的記憶和思考為主（Quillian, 1968），同時也為知識 庫的概念（Song and Civco, 2002），應用於物件式的影像分類中，並且此 種分析無法藉由像元式分類完成。因此，本研究採取物件導向的方式於影 像中萃取崩塌地區域，以增加自動化影像分類判釋之精度。
圖 2-20 物件判釋（1）
圖 2-21 物件判釋（2）
‧
‧
‧
黃韋凱（2010）、王主一（2012）、詹鈞評（2012） 6/15
從表 2-8 可知近十年來崩塌地影像偵測之研究其影像來源大部分是以
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
28
塌地，不同於監督式分類。其監督式分類需要先人工選取訓練樣區並放入 分類器訓練，所以針對每張影像需要重新選取訓練樣區才能後續分類影像，
如此需花費較多的時間進而影響整體崩塌地偵測的作業效率。最後，本研
如此需花費較多的時間進而影響整體崩塌地偵測的作業效率。最後，本研