關鍵詞：崩塌地、像元式影像分類、物件式影像分類、影像分割、椒鹽效應
4. 實驗結果及分析
4.3 影像分類結果及分析
本研究的目的主要是比較物件式分類法和像 元式分類法，因此，本研究之影像分類成果包含物 件式分類和像元式分類所產生的結果。此外，由於 本研究所分析的影像是在莫克拉颱風過境後所拍 攝，因此在此影像中的河道上有大量的土石淤積，
而這些土石淤積區域之光譜的反射值與崩塌地相 近，導致在影像分類時會將這些在河道上的土石淤 積區域錯誤分類成崩塌地的區域，為了解決這個問 題，本研究將河流向量圖層資料套疊至影像上，以 消除位於河道上被誤判為崩塌地的區域。
圖 17 Mean-shift 影像分割於不同參數成果圖(A:原始影像部分區域；B、C、D、E 為於不同參數之分割成 果圖)
本研究在物件式的影像分類上是以投票法的 方式決定每個區塊是否屬於崩塌地的類別。首先，
採取 Mean-shift 分割法將影像分割成若干個區塊，
並於每個區塊中，採取 SVM 分類法萃取崩塌地像 元。若一個區塊中屬於崩塌地類別的像元數量和該 區塊中總共的像元數量之比例大於所定的門檻值，
則該區塊被分類成崩塌地，反之則否。為了決定門 檻值的大小，本研究中共實驗了九種門檻值，分別
為 50%、55%、60%、65%、70%、75%、80%、85%
以及 90%。萃取出來的崩塌地成果如圖 18 至圖 20 所示。門檻值過小或過大都會影響到崩塌地之萃取 精度，如圖 21 所示，為在門檻值 50%以及 70%之 下錯誤的崩塌地萃取圖。可知當投票法的門檻值設 定為 50%時，其所萃取出來錯誤的崩塌地區域較門 檻值設定 70%時更大，尤其是在道路以及植被地區 的部分。
圖 18 50% (左)；55% (中)；60% (右)之崩塌地萃取成果圖
圖 19 65% (左)；70% (中)；75% (右)之崩塌地萃取成果圖
圖 20 80% (左)；85% (中)；90% (右)之崩塌地萃取成果圖
本研究為了決定何種投票門檻值，採取誤差矩 陣評估各個門檻值所求得之崩塌地萃取精度。因無 法直接於現場勘查崩塌地，本研究根據潘國樑 (2009)對崩塌地之視覺特徵(表 4)，直接於影像上數 化崩塌地並作為其地面參考分類資料。表 5 為於各 個投票法之門檻值所得到的崩塌地萃取精度比較 表，包括使用者精度、生產者精度、整體精度以及 Kappa 值。從表 5 可知，使用者精度在門檻值越高 時，其精度越高，但相對生產者精度降低；同時將 此表的各項精度以折線圖來表示(圖 22)，得知於門 檻值 70%時，可獲取最佳的崩塌地萃取成果：使用 者精度為 91.90%；生產者精度為 93.39%；整體精
度為 98.81%以及 Kappa 值為 91.99%。因此，本研 究採取 70%之投票法門檻值應用於物件式分類法 之崩塌地萃取。
表 4 崩塌地判釋依據(潘國樑，2009)
項目 崩塌地特性
外型 現狀、條狀、眼淚、彗星、舌型等。
長寬比 較大。
色調 新型崩塌地：明亮水藍、灰藍、灰白色。
舊型崩塌地：藍棕色。
坡度 較陡
圖 21 門檻值 50%(左)以及 70%(右)之物件式分類產生的錯誤分類圖
表 5 各個門檻值之物件式崩塌地萃取精度統計
門檻值 使用者精度 生產者精度 整體精度 Kappa 值
50% 52.23% 95.53% 92.67% 63.80%
55% 57.98% 95.20% 94.11% 68.99%
60% 64.98% 94.58% 95.50% 74.64%
65% 78.19% 94.10% 97.43% 84.01%
70% 91.90% 93.39% 98.81% 91.99%
75% 91.85% 80.00% 97.84% 84.35%
80% 92.52% 61.33% 96.52% 71.98%
85% 93.38% 48.37% 95.60% 61.63%
90% 94.13% 36.68% 94.76% 50.57%
圖 23 為像元式的影像分類成果，圖 24 為物件 式的影像分類成果。物件式的分類成果是以每個影 像分割出來的區塊當作是分類的最小單元，而像元 式的影像分類是以每個像元當作分類的最小單元，
因此，以物件式影像分類所得到的崩塌地分類成果 確實可以避免以像元式影像分類時所產生之椒鹽 效應的問題，如圖 25 所示。
為了評估物件式分類法和像元式分類法之崩 塌地萃取成果，以人工數化之崩塌地坵塊資料與此 兩種分類資料相比較，建立誤差矩陣以評估崩塌地
萃取精度。表 6 為物件式分類法採用投票法門檻值 70%的崩塌地誤差矩陣；表 7 為像元式分類法之崩 塌地誤差矩陣。由此二表可知物件式分類法所得到 的崩塌地分類精度不論是在使用者精度(物件式：
95.53%；像元式：36.61%)、生產者精度(物件式：
97.13%；像元式：84.99%)、整體精度(物件式：
99.41%；像元式：87.05%)以及 Kappa 值(物件式：
96.00%；像元式：45.04%)部分，均高於像元式分 類法之崩塌地分類精度。
圖 22 各個門檻值之崩塌地精度統計圖
圖 23 像元式影像分類成果 圖 24 物件式影像分類成果
圖 25 椒鹽效應示意圖
表 6 物件式分類法之崩塌地評估誤差矩陣 地面參考分類資料
使用者精度
崩塌地 非崩塌地 總和
分類 資料
崩塌地 27660 1294 28954 95.53%
非崩塌地 817 326855 327672 99.75%
總和 28477 328149 356626
生產者精度 97.13% 99.61%
整體精度：99.41%；Kappa 值：96.00%
表 7 像元式分類法之崩塌地評估誤差矩陣 地面參考分類資料
使用者精度
崩塌地 非崩塌地 總和
分類 資料
崩塌地 24202 41910 66112 36.61%
非崩塌地 4275 286239 290514 98.53%
總和 28477 328149 356626
生產者精度 84.99% 87.23%
整體精度：87.05%；Kappa 值：45.04%
5. 結論與建議
過度分割的區域數量大於 Mean-shift 分割演 算法。因此，本研究採用 Mean-shift 分割演 算法以進行後續的影像分類。張立雨、陳繼藩，2006。應用 Watershed 影像分割 法於高解析 QuickBird 衛星影像進行道路區塊 之萃取，航測及遙測學刊，11(3):261-267。
討 1999 集集地震後之崩塌地行為，航測及遙 修，2010。結合空載 LiDAR 與彩色航照應用 於 崩 塌 地 研 判 ， 航 測 及 遙 測 學 刊 ， 15(1):111-122。
Comaniciu, D., Meer, P. 2002. Mean Shift: A Robust Approach Toward Feature Space Analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence. 24(5), pp.603-619.
Geneletti, D., and Gorte, B.G.H. 2003. A method for object-oriented land cover classification combining Tm data and aerial photographs, International Journal of Remote Sensing, 24(6), pp.1273-1286.
Gibbes, G., Adhikari, S., Rostant, L., Southworth, J., and Qiu, Y. 2010. Application of Object Based Classification and High Resolution Satellite Imagery for Savanna Ecosystem Analysis, Remote Sensing, 2010, 2, 2748-2772.
Gonzalez, R.C., Woods, R.E. 2008. Digital Image Processing, Prentice Hall.
Gonzalez, M.A., Meschino, G.J., Ballarin, V.L. 2013.
Solving the over segmentation problem in applications of Watershed Transform, Journal of Biomedical Graphics and Computing. 3(3), pp.29-40.
Hinz, A., Doerstel, C., and Heier, H. 2000. Digital Modular Camera: System Concept and Data Processing Workflow. International Archives of Photogrammetry and Remote Sensing, Vol.
33, Part B2, pp. 164-171.
Jensen, J.R. 2006. Introductory Digital Image Processing, Pearson Eductation.
Matinfar, H.R., Sarmadian, F., Alavi Panah, S.K., and Heck, R.J. 2007. Comparisons of Object-Oriented and Pixel-Based Classification of Land Use/Land Cover Types Based on Lansadsat7, Etm+ Spectral Bands (Case Study:
Arid Region of Iran), American-Eurasian Journal of Agricultural and Environmental Sciences, 2(4), pp.448-456.
Meinel, G., and Neubert, M. 2004. A Comparison of Segmentation Programs for High Resolution Remote Sensing Data. International Archives of Photogrammetry and Remote Sensing, Vol. 35, Part B4, pp. 1097–1102.
Schiewe, J. 2002. Segmentation of high-resolution remotely sensed data-concepts, applications and problems. In: Joint ISPRS Commission IV Symposium: Geospatial Theory, Processing and Applications.
Svoboda, T., Kybic, J., and Hlaváč, V. 2007. Image Processing, Analysis and Machine Vision – A MATLAB Companion, Thomson.
Tan, P., Steinbach, M., and Kumar, V. 2006.
Introduction to Data Mining, Addison-Wesley.
Ward, J. H. 1963. Hierarchical Grouping to Optimize an Objective Function, Journal of American Statistical Association, 58, pp.236-244.
Xiao, P., Feng, X., An, R., and Zhao, S. 2010.
Segmentation of Multispectral High-resolution Satellite Imagery Using Log Gabor Filters, International Journal of Remote Sensing, 31(6), pp.1427-1439.
Zhang, H., Frittsm, J.E., and Goldman, S. A. 2008.
Image segmentation evaluation: A survey of unsupervised methods, Computer Vision and Image Understanding, 110(2), pp. 260–280.
Zhou, W., and Troy, A. 2008. An object-oriented approach for analyzing and characterizing urban landscape at the parcel level, International Journal of Remote Sensing, 29(11), pp.3119-3135.
1 Graduate Student, Department of Land Economics, National Chengchi University Received Date: May. 12, 2013
2 Associate Professor, Department of Land Economics, National Chengchi University, Revised Date: Dec. 26, 2013 corresponding author Accepted Date: Jan. 16, 2014
3 Associate Professor, Department of Civil Engineering, China University of Science and Technology
4 Associate Technical Specialist, Aerial Survey Office, Forestry Bureau
5 Technical Specialist, Aerial Survey Office, Forestry Bureau
6 Director, Aerial Survey Office, Forestry Bureau
*.Corresponding Author, Phone: 886-2-29393091 ext 51647, E-mail: [email protected]