影像的前置處理及雲林莞草辨識方法

IHS 色彩空間代表每個 Pixel 都由色相(Hue)、飽和度(Saturation)和亮度 (Intensity)三種資訊所組成，IHS 色彩轉換則可有效將多頻譜影像從 RGB 色 彩空間，轉換到 IHS 色彩空間中，亮度儲存的是空間細節的資訊，而色相

(2) Saturation(飽和度):

I

(3)Intensity(亮度):RGB 強度的平均。

3 ) (R G B

I = + + (3-3)

本文參考前人的研究方法及吳(2010)得知衛星影像的多頻譜影像資訊較 全色態影像豐富，其不同波段的組合對於辨識物體有良好的判斷效果，但 其空間解析度無法將這項優點加以發揮，而全色態影像的空間解析度較多 頻譜影像高，但卻只有單一波段，相較於多頻譜影像的資訊是較少的。本 文利用的 IHS 轉換法的流程如圖 3-1 所示。

圖 3-1 IHS 轉換法的流程示意圖

本文利用 IHS 轉換法，將高解析度的全色態影像，與低解析度但空間資 訊較豐富的多頻譜影像加以融合，獲得具有高解析度的多頻譜融合影像。

首先將多頻譜影像圖 88m 的空間解析度，重新取樣成 22m 的空間解析 合(Geometric registration of imagery)，如此才可得出可靠的比對結果。幾何 套合就是將不同時間、不同波段、不同感測器所拍攝同一地區的影像，依 相應像素點之位置及方向互相疊置的作業。本文以 Matlab 商業數學軟體對 多時期衛星影像進行幾何套合，Matlab 中的 Image Processing Toolbox(簡稱 IPT)即提供了以控制點為基礎的幾何套合，其操作步驟為:1.將影像讀入 Nonreflective similarity 類型、選取 8 對控制點進行幾何套合，評估經過幾

何套合後的影像及原始影像，其 RMSE 為 2.55m。

表 3-1 7 種轉換類型及所需最小控制點數量(引自 Matlab 軟體) Transformation Type Minimum Control Points

Nonreflective similarity 2 pairs

Similarity 3 pairs

Affine 3 pairs

Projective 4 pairs

Polynomial 6、10、15pairs Piecewise linear 4 pairs Lwm(local weighted mean) 6 pairs

3-3 常態化差異植生指數

Rouse 等 (1973) 所提出的 常態化差 異 植生指數(Normalized difference vegetation index, NDVI)，其原理為健康的綠色植物會強烈吸收紅光波段 (Red，波長約為 0.67μm)，且強烈反射近紅外光(NIR，波長約 0.79μm~0.89μm) 之特性，所以使用可見光中之紅光與近紅外光波段之比值或差值，適合用

又本研究參考 Lillesand & Kiefer(1994)提出的標準波譜反射率曲線，如

圖 3-2 所示。由圖中可發現清澈水體對於近紅外光波段的反射率其值接近於 零，又反射率最大值落在綠光波段和紅光波段之間，且土壤對於不同波段 的反射率恰與水體相反，以上所述特徵非常符合 NDVI 比值關係。

如前段所述，常態化差異植生指數 NDVI 普遍用在監測植生之變化或 是判斷影像上植生、土壤及水體的差異。本文在 2-3 節說明選用之影像資料 為低潮位之時間，但海灘上仍有不同的含水量，而水體對於近紅外光波段 的反射率其值接近於零，所以雲林莞草在植生指標的界定範圍與陸地植物 不一樣。故衛星影像圖經 NDVI 轉換後，利用馬可夫隨機場來界定雲林莞 草的範圍門檻值，以判斷濕地內之雲林莞草、土壤及水體。

圖 3-2 植物土壤及水之標準光譜反射曲線(引自 Lillesand & Kiefer, 1994) 3-4 馬可夫隨機場

馬可夫隨機場(Markov random field, MRF)的概念已經被廣泛地應用在 許多不同領域，例如人口的遷移的預測、土地利用變遷、環境災害預測、

疾病醫療追蹤和影像處理，影像處理的應用上馬爾可夫隨機場可應用於邊 緣偵測(edge detection)、影像分割(image segmentation)、影像復原(image restoration)、表面重建(surface reconstruction)與紋理分析(texture analysis)。(引 自貝式網路課程: http://bn-course.wikispaces.com/)

3-4-1 馬可夫性質

在目前以及所有過去事件的條件下，任何未來事件發生的機率，和過 去的事件是不相關的（獨立的），而僅和目前的狀態相關的性質稱為馬可夫 性質(Markov property)，而具有馬可夫性質的隨機變數之數列或是隨機過程 則稱為馬可夫過程(Markov process)或稱馬可夫鏈(Markov chain)。假設一個 隨機變數之數列 S0、S1、S2…Sn 若具有馬卡夫性質，則其機率 P(S)如(3-6)

其鄰域系統的關係包含兩種性質:

由上述可知，每一個像素位置的鄰域系統都有其範圍，且隨著鄰域系統

式中 Gs為鄰居點(仍在影像裡面的像素點)

(X x Positivity

P = > (3-13) 吉伯斯隨機場(Gibbs random field, GRF):

e

T 稱為溫度常數，參數 T 控制著 P(x)的分佈形狀，T 值愈大則 P(x)的分佈育 平坦，但如果沒有溫度上的考量，參數 T 通常預設為 1。

根據 Hammersley-Clifford 定理(Hammersley and Clifford,1971)，該理論

建立了馬可夫隨機場與吉伯斯隨機場的等效關係，使得在模型建構和統計 根據影像 S 估算出 R，也就是使用最大事後機率(Maximum a Posteriori, MAP) 來估計機率分布，以求出影像可能的分類標記(label,其值以 x 表示)，其定義 且根據 Hammersley-Clifford 定理，最大事後機率會遵循吉伯斯分布，如(3-19) 式

(Iterative conditional mode algorithm, ICM)，由於 ICM 演算法的判斷條件較 簡單，其在估算 MAP 的速度較快。