第四章 研究成果與分析
第三節 特徵選取與影像匹配
原演算法應用於光學遙測影像時，在電腦運算資源限制下，僅能針對維度較小影像 (1400pixel x 1400pixel)進行運算。以福衛二號影像全色態 (1280 pixel x 1400 pixel)，個別 與多光譜(900 pixel x 900 pixel)影像進行匹配，得到 615~788 對匹配點位，其匹配結果於
77
影像中如圖46~圖 49，除應具預期的正確匹配外，也得到許多錯誤匹配。大量錯誤匹配結 果會降低資料處理正確性，且需更多資源與時間進行檢核。
圖46 原始SIFT全色態與多光譜Band1影像匹配結果
圖47 原始SIFT全色態與多光譜Band2影像匹配結果
78
圖48 原始SIFT全色態與多光譜Band3影像匹配結果
圖49 原始SIFT全色態與多光譜Band4影像匹配結果
原SIFT 應用於衛星影像匹配時，雖可提供大量匹配結果，但其亦伴隨不少錯誤匹配 情況。為提高正確匹配並減少錯誤匹配產生，本研究採搭配各種可能影響匹配因素，尋求 一台灣常用衛星影像適用影像匹配方法，改善影像處理後幾何與光譜精度同時，也簡化現 有現有冗長、需經驗累積技術、時間與人工投入比重。後續可以提供做為不同時間點或不 同解析度(光譜、空間、時間與輻射解析度)影像進行套疊，對於未來遙測資料大量產生與 累積環境中，將能有效幫助研究進行資料比對、變遷比較與分析或長期監控等。
79
以福衛二號影像進行匹配測試，得到原有演算法於遙測影像結果，人工逐對檢視是否 具有顯著錯誤並剔除，加以RMSE=0.5pixel 做為 GCP 門檻篩除後計算整體 RMSE。測試 影像採用2008/03/05 與 2008/09/18 原始全色態影像進行匹配，採用原演算法參數如表 40 所列，匹配結果如表41 與圖 50，圖左為 2008/03/05 影像，圖右為 2008/09/18 影像匹配結
NumOctaves 7 NumLevels 4
Threshold 6.666667e-003 EdgeThreshold 10.000
NumSpatialBins 4 NumOrientbins 8 Match Threshold 1.5
表41 原演算法匹配結果
影像日期 特徵點個數 匹配數 Mis-Matches RMSE_1 Res>0.5 RMSE_2 2008/03/05 14252
693 6 1.35 479 0.33
2008/09/18 14510
(RMSE_1 為刪除明顯錯誤之粗殘差，RMSE_2 為篩選 RMS<0.5 pixel 之整體 RMSE)
圖50 原始演算法匹配結果
原始演算法可於測試影像各不同尺度中找到大量特徵點且匹配之，但69%特徵點誤差 高於可接受0.5 像元誤差。
80
2. 尺度空間調整
當尺度空間放大至一定程度時，地物已無法清楚辨別供匹配使用。下圖中呈現出福衛 二號影像各尺度下影像狀況，並將各尺度所找到的特徵點個數列表，顯示出對福衛二號全 色態影像，當尺度參數大於4 後，能萃取出特徵點個數因解析度降低大幅減少。
圖51 衛星影像計算所得各尺度空間呈現 表42 各尺度初始萃取特徵點個數
所在尺度 1 2 3 4 5 6 7
特徵點個數 10539 2355 423 62 15 4 1
3. 高斯平滑化次數
高斯平滑化次數關係計算空間極值結果，至少需要平滑化1 次以上才能確保在不同尺 度兼具有穩定性。量測結果如下表43，initial 是最初萃取得到特徵點，Not in Boundary(Not in B.)為剔除位處影像邊緣的特徵點個數，refined 為經位置最佳化後剩餘特徵點個數。特 徵點個數、最終匹配成功數隨平滑化次數增加而大幅增加(如表 44)。隨平滑化次數增加，
所需計算時間、資源也隨之增加。
表43 全色態影像不同平滑化次數下萃取特徵點個數
NumLevel Octave 1 2 3 4 5 6 7 Image features 2
initial 5856 1195 221 40 9 1 1 7580 Not in B. 5669 1112 194 27 5 0 0
refined 5049 985 174 23 5 0 0 3 initial 10539 2355 423 62 15 4 1
14252 Not in B. 10212 2223 384 44 10 0 0
81
refined 9353 2043 353 42 9 0 0 4
initial 14733 3317 601 83 20 8 0 19885 Not in B. 14328 3158 546 63 16 0 0
refined 13163 2929 508 61 14 0 0 5
initial 18352 4197 778 104 26 8 0 24413 Not in B. 17846 3992 711 83 19 1 0
refined 16206 3641 650 81 18 1 0
(Not in B.=Not in Boundary)
表44 遙測影像在不同平滑化次數下匹配成功特徵點個數 NumLevel Image 1 Image2 Matches
2 7580 7132 889
3 14252 12688 1372 4 19885 17248 1672 5 24413 21211 1914
經實驗比較後對遙測影像平滑化次數2 次已提供足夠匹配特徵點，但從匹配成功點位 空間分布以”3”為佳，可提供較正確控制點位。
圖52 當平滑次數為2與3時匹配點位分布圖 4. 高斯平滑化參數
調整不同Sigman 參數(0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0)實測結果顯示影像特徵點個數、
位置皆相同，說明同一尺度間不同平滑化程度對福衛二號影像特徵點萃取並無顯著影響。
82
(Not in B.=Not in Boundary)
邊緣門檻採計算特徵點影像灰度值變化，其值為越大表示可萃取出特徵點越多，協助
83
挑選位處邊緣特徵點。採用不同邊緣門檻值其特徵點萃取情況如下表46，以特徵點數量 視之，福衛二號影像邊緣門檻大於”2”即足以提供匹配所需個數。以空間分布、所選取特 徵點位置比較，則邊緣門檻為”5”以上分布較均勻且所挑選地物位置較適合做為影像控制 點所需。
表46 全色態影像不同邊緣門檻萃取特徵點個數
EdgeThreshold
Octave 1 2 3 4 5 6 7 Image
features Matches initial 10070 2313 417 61 11 3 1
Not in B. 9759 2183 379 44 8 0 0
10 Refined 8616 1970 347 41 5 0 0 13346 1336 9 Refined 8526 1954 347 41 5 0 0 13219 1324 8 Refined 8421 1928 341 41 5 0 0 13055 1293 7 Refined 8274 1875 334 41 5 0 0 12805 1259 6 Refined 8009 1814 320 40 5 0 0 12407 1205 5 Refined 7607 1718 299 39 4 0 0 11794 1145 4 Refined 6946 1548 266 33 4 0 0 10776 1027 3 Refined 5759 1239 224 26 2 0 0 8943 794 2 Refined 3389 671 133 18 2 0 0 5289 405
1 Refined 0 0 0 0 0 0 0 0 0
(Not in B.=Not in Boundary)
圖53 不同邊緣門檻質特徵點分布狀況
84
6. 特徵點間匹配門檻設定
採用原始演算法萃取出前例影像對中兩影像之特徵點，以不同匹配門檻分析正確性與 效益，所得結果如下表47。Threshold 為不同門檻值設訂，Matches 為成功匹配特徵點個 數，Mis-Match 表示成功匹配但經實際為明顯錯誤匹配個數。利用其正確匹配特徵點做為 控制點加以計算整體精度，Init_RMSE、RMSE_1 與 RMSE_2 各分別為扣除 Mis-Match、
誤差大於1 pixel 及誤差大於 0.5 pixel 的整體 RMSE 值。門檻值低於 2 時會有明顯錯誤匹
--(Matches、Mis-Match、Res.1>1、Res.>0.5 單位:個，RMSE 單位:Pixel)
85
圖54 Thres=4.5時特徵點分布情況
圖55 Thres=5時特徵點分布情況
圖56 Thres=6時特徵點分布情況 7. 成功率與正確性評估
測試結果以特徵點匹配(Matches)數量估算成功率，以人工逐一檢視配對特徵點篩除匹 配錯誤者(Mis-Matches)後，以一階多項式計算其均方根誤差做為正確性評估，若某特徵點 殘差超過0.5 像元，則將其歸類為超出門檻(over-threshold)而不納入採用並重新計算。
8. 比較基準
比較參考為相同影像以人工進行幾何糾正，挑選影像中清楚、明顯可視地物(道路交 叉路口或建物屋角等)做為控制點，並均勻分布於其中。以相同坐標系統與設定進行影像 幾何糾正，其整體RMSE 為與匹配結果比較基準。匹配所得特徵點，匯入影像處理軟體
86
日期 視角(度) 特徵點 匹配數 Mis-MatchesRMSE_1Res>0.5RMSE_2 2008/03/05 21.72 436 38 23 0.66 6 0.19