影像分類之改進與成果

利用上述之研究方法進行影像之分割及分類 曾遭遇一些問題，以下將針對在分類時產生的問題 及改進後的成果加以論述。

4.1 以事件前後兩期影像同時 均質化區塊分割處理

以物件導向式電腦輔助分析進行影像分類，與 像素式分析相比，固然有許多優點。但是在瞭解災 前、後變遷情形的面積增加估算時，不管是物件、

像素式分析都會有災前、後變遷作相減，其分類結 果邊界不符合邏輯之狀況，如：以物件導向式分析，

對單一期影像作均質化區塊分割分類後，災前崩塌 邊界會超出災後崩塌邊界的情形（圖8 a）。問題產 生原因可能為災前、後衛星影像拍攝之時間、氣候、

拍攝方位條件不同，使災前、後變遷在分類後進行 相減對面積估算時產生問題，這種狀況即使在經過 精準的影像前處理校正後，仍會些微偏差的問題發 生。

本研究將以3.1.1 節所敘述的影像分割方法應 用於兩期影像各自4 個波段（R、G、B、NIR）總 共8 幅影像；同時做均質化的區塊分割處理，其區 塊分割結果（圖3 c、e），可看到災前、後影像之 分割區塊大小一致，經由前後期影像的光譜填色後，

仍能將未區塊均質化處理的原始影像重要資訊展 示出來，因此克服以上所述之邊界問題。

(a) 布唐布納斯溪上游崩塌-以單期災前、後作分割，災前後邊界不一致情況。

(b) 布唐布納斯溪上游崩塌-以兩期災前、後同時作分割，災前後邊界已趨於一致，且左下角方框中 可見崩塌漏估減少情況。

(c) 布唐布納斯溪上游崩塌-災前原始影像。

(d) 布唐布納斯溪上游崩塌-災後原始影像。

圖8 影像分割後邊界展示圖

4.2 物件導向之變異點監測

變異情形在許多的前人研究中，多半利用影像 光譜及紋理資訊，找到在單期影像中欲分類的地貌 後再做比對得取。但通常因為變異判釋單在比對前 的分類就會產生判釋誤差之問題；而兩幅影像各自 分類後再作比對時又會因為邊界之不同再一次產 生4.1 節所論述之問題。因此，在本研究中除使用 兩幅影像均質化區塊分割處理解決邊界問題後，以 3.4 節之影像變異法作以變異點的監測將可使判釋 誤差降低。

以位於荖濃溪支流布唐布納斯溪上游大規模 崩塌作一說明（圖8 b），黑色實線部分為以變異法 做出之NDVI 變異值其變異點情形；綠色實線及黃 色圖框為單以災前、後NDVI 值作出之崩塌塊體圈 繪的情形，由此可發現以影像變異法分析後使得崩

塌漏估狀況降低。

4.3 變異點區別-河道變遷與新 增崩塌地

河道變遷與新增崩塌地分類在單期影像分析 中，不論是以光譜或是坡度作分析常會有難以區分 之窘境發生。

因此，本研究利用3.3 節所論述之最鄰近法與 模糊隸屬函數，從中選取樣本進行分類訓練。先經 由影像變異法作出變異點分類（圖9 a），接著從變 異點分類物件中，配合坡度為特徵，選取河道變遷 分類的樣本作以訓練，直線條為在影像中選取的物 件樣本的坡度分佈（圖9 c）；訓練運算處理後產生 一包絡線，接著系統將以此包絡線判定河道變遷之 地貌分類（圖9 b）。

(a) 以影像變異法作出變異點分類情形。

(b) 以最鄰近法及模糊隸屬函數以坡度圖為特徵，選取樣本訓練分類後之新增崩塌地及河道變遷分 佈情形。

(c) 以最鄰近法與模糊隸屬函數選取河道變遷分類樣本訓練之隸屬函數值與坡度關係圖，落於隸屬 函數外的資料為產生誤判的樣本。

圖9 變異點區別-河道變遷與新增崩塌地

4.4 誤差矩陣

災後影像對以上14 種地貌分類進行物件導向 影像自動判釋後，使用誤差矩陣（error matrix）進 行精確度計算，在此需注意的是道路分類，如3.2.2 節所述為指定分類，因此有關於道路分類之3 種分

類都不納入計算（表5），最後得到整體精度（overall accuracy）為 81.6%，Kappa 值為 0.798。災前影像 分類成果利用誤差矩陣對 7 種未受災害影響之地 貌 分 類 進 行 精 確 度 計 算 ， 最 後 得 到 整 體 精 度

（overall accuracy）為 87.4%，Kappa 值為 0.853（表 6）。

表5 災後分類成果之誤差矩陣

表6 災前分類成果之誤差矩陣