影像特徵

挑選控制點(地面控制點或影像控制點)主要為從影像中，挑選不會搬動、具一定大小、可 辨識地物或人工結構物。以人工進行影像判釋時會考慮影像之顏色(Color)與色調(Tone)、形狀 (Shape)、尺寸(Size)、網紋或圖樣(Pattern)、紋理(Texture)、陰影(Shadows)、位置(Site)與關連 性(Association)等要素進行特徵選取的依據(John R. 1996)。顏色與色調為呈現於影像中的顏色 差異，對於灰階影像中差別為陰影深淺，或多光譜影像則為不同顏色呈現，如圖15。形狀則 為當從一張垂直的照片上面觀看的一個物體具體的形狀。例如，一棵松柏類植物樹看起來像一 個圈，而一棵落葉樹的有一個不規則的形狀，飛機場，海港，工廠等等，也能被它們的形狀被

24

鑑定如圖16。尺寸表示一個物體大約的大小可以透過照片規模或影像長度被測量。圖樣通常 是一個有規律的形狀重複出現，例如，排列房子或者公寓、稻田、公路的交替、果園等等，能 提供來自他們獨特圖案的訊息，如圖17 所示。

圖15 顏色與色調範例

圖16 形狀範例

圖17 影像圖樣範例

25

在影像紋理分析中，像元點間的相互關係如對比性或規則性，相對於像元本身的灰度值屬 較高階的定義性質，此一像元間相互關係性質則稱之為紋理(Texture)。紋理為影像灰階變化的 頻率，可決定區塊特徵影像之視覺顯示粗糙或細緻情形，為影像判釋之重要特徵之一，影像紋 理的應用相當廣泛，從遙測影像進行作物種類的判定，地物判別、作物成長階段的判讀、⋯等；

依使用之影像類型可分為衛星影像、醫學影像、織品影像、農產品影像、工業製品影像、⋯等。

前人曾對紋理的研究得到一個結論:人類對於紋理識別中最重要的三個維度為週期、方向和隨 機性（林榮章，1998）。藉紋理特性不同，可以從影像中判斷出雲、植被差異、土地裡用變化 等(圖 18)。陰影通常是影像判釋的一個視覺障礙，但是有時陰影也能給予大約高度資訊，如高 塔、高樓等等(圖 19)。位置為物體怎樣被安排與另一個各樣地形特徵(地形學，地質學，土壤，

植物和文化等)關係，如一些植物只生長在沼澤或其它在沙脊上、農莊可能喜歡某些條件、電 廠在河上游處或者天文台或者雷達設備在山頂或高處(圖 20)。關連性為具上述判釋要素具體的 結合地理特性、環境構造或者一個對象的週遭環境，能為提供影像判釋的具體訊息，如煙囪、

大樓、冷卻池塘、變壓器場、煤堆與鐵路軌道這種種相關物體可以代表該處為燃煤發電廠；乾 旱的地形、河流下游處、非常亮的反射表面加上稀少植物等可能表示該處為乾涸的河床，關連 性對於人工設施判釋常是最有幫助要素(圖 21)。

圖18 影像質地範例

26

圖19 陰影範例

圖20 位置範例

圖21 關連性範例

影像特徵(Image Feature)辨識是從影像中，尋求有意義解釋的物理物體，選出各樣的影像 特徵、影像中灰度值具有明顯變化的位置，為獨特影像屬性。影像中的特徵有許多不同形式的

27

表現，如點、線或面，也可以是河渠、樹木、建築物或是紋理、灰度出現的頻率等，依其特性 可分類成為3 種類型：光譜特徵(Spectral features)、幾何特徵(Geometric features)與質地特徵 (Textural features)。

光譜特徵由顏色、色調、比率( ratio)與光譜索引(spectral index)等組成，利用感測器對地表 地物反應差異辨識，廣泛應用於辨識植物特徵，如植生指數(Vegetation Index, VI)、常態化植生 指數與增揚植生指數(Enhanced Vegetation Index, EVI)或同類型指數等。幾何特徵通常利用空間 濾波器(Spatial filter)選出點或線性邊緣特徵(例如道路、地質或農業區邊界等等)。質地特徵則 利用影像灰度値相似形進行篩選，包含圖案、相似性與空間頻率等等，相較於前二者，質地特 徵最難以藉由電腦化進行辨識。

影像分割是影像分析過程之中間步驟，為後續諸如影像描述（Description）和辨識

（Recognition）之基礎。主要目的是將影像切割成空間中連續且特性(光譜或紋理)均值的區塊，

利用演算法找出最適合的臨界(Threshold Value) ，將影像區分成目的物以及稱為背景之其它物 體。而其方法主要可以分成像素基礎方法(pixel-based method)、輪廓基礎方法(contour-based method)及區塊基礎方法(region-based method)三類(Pekkarinen, 2002)。

影像分離的方法一般是利用影像中灰度值的二特性：不連續性⁵(discontinuity)與相似性

6(similarity)(劉晟志等，1988、陳耀賢，1991)。灰度值的不連續性主要是利用灰度值的突然變 化來分離影像，而灰度值之突然變化出現於孤立點（Isolated Points）或影像中之邊緣。而灰度 值之相似性是利用閥值擷取（Thresholding），區域成長（Region-Growing）和區域分裂及合併

（Region Splitting and Merging）等方法來完成影像分離的目的。

利用灰度值不連續性差異主要用於偵測可大致分為點(Point)與線(Line)，面(Region)與樣板 (Templates)則多採用相似性行評量，大多影像特徵都以點為主，可直接用來確定記錄影像轉換 功能的參數，在不同區域或影像中可能無法偵測出點狀的影像特徵，但可能線狀或面狀的影像 特徵卻是相當豐富的，此時可以藉線或區塊的處理產生點的影像特徵(Raz Koren. Etc,2006)。

5所謂不連續性是指灰度值突然出現變化，例如邊界。常用方法如High Pass， Low Pass， Laplacian， Sobel，

Gradient。

6相似性是指影像的灰度值集中於某些數值上，如植生與水體的灰度值分別集中於145 與 23 附近。對於相似性的 分析，常用的方法包括Thresholding， Region Growing， Split and Merge 等。

28

圖22 左為原始影像，右紅標與綠標為經萃取後點特徵

藉由一個已知或自訂的濾波器，對既有影像的部分區域或全部範圍做點對點遮罩式的矩陣 運算(加、減、乘、除)而得到特定效果的影像。一般常用如線狀偵測，可利用濾波器將權重加 強於同一方向延伸，用以篩選出連續性的物體，多以圖24 中濾波器為主，另可搭配旋轉、放 大縮小偵測不同方向性的線段。

圖23 線狀偵測濾波器

邊緣偵測通常定義為灰度值不連續的兩區塊分界(如圖 25 所示對於灰度值變化處以 0、1 表示其變化以判對邊緣所在)，其步驟包含 1.雜訊平滑化(Noise smoothing)；2.增強邊緣(Edge enhancement)；與 3.邊緣區域化(Edge localization)。此類邊緣偵測多以一階導數或二階導數作 為濾波器，一階導數中常用Roberts、Pewitt 與 Soebl 為濾波器；二階導數則常用 Laplacian 作 為其濾波器(Sobel,1968; Rafael C. Gonzalez et al.,2001)。

圖24 邊緣偵測濾波器

29