研究方法與流程

本研究方法可分為「影像預處理」以及「區塊 化物件分類模式」兩大部分。影像預處理主要為增 加影像之基本資訊以及多維資料之空間轉換。而區 塊化物件分類模式又分成「影像分割」與「區塊物 件分類」兩大部分。由於本研究所提出區塊化物件 分類法是一種多階層監督式分類之概念，先將影像 使用非監督法聚合後再使用監督法分類為其概念 核心。影像分割主要是為了取得完整之物件外部結 構資訊，所謂物件外部結構資訊是能夠描述物件形 狀與在影像中之空間關係，而分割後之物件則使用 分類器進行類別歸屬之探討。

3.1 研究流程

本 研 究 使 用 了 常 態 化 差 異 植 生 指 標 (Normalized Difference Vegetation Index, NDVI)資 訊 與 灰階 共發 生 矩陣(Grey Level Co-occurrence Matrix, GLCM)中之同質 (Homogeneity) 資訊進行

區塊聚合之輔助資訊。首先 NDVI 指標去除非植 生類別，進而取得影像中大部分的植生地區，但僅 以原始光譜波段與 NDVI 是無法完全表達出水稻 田特徵，因此加入了 GLCM 紋理資訊來突顯出水 稻田坵塊，最後再與輔助描述區塊之資訊結合後就 可完成物件化，完成物件化後即可進行物件分類。

而用於輔助描述區塊之資訊為原始影像之 R、G、

B、NIR 及 R、G、NIR 之同質紋理資訊和 NDVI 等八個波段資訊。

在本研究中採用區域成長法進行區塊化，當進 行完區塊化後，以最大概似分類法作為ROC 之分

(a) 水稻田樣本(綠色線框為水稻田坵塊)

圖3 MLC 分類方法之訓練樣本 (b) 非水稻田樣本(綠色線框為水稻田坵塊) (a)本研究之耕地坵塊圖

圖2 水稻田坵塊數化結果 (b)本研究之局部耕地坵塊圖

圖6 位移向量

3. 共發生矩陣 達物件整體的特徵資訊(Miranda et al., 1996；雷 祖強等，2007)。

在本研究中使用了 R、G、B、NIR、R 波段 Object Classification, ROC，以下簡稱 ROC) 模式，

主要是模擬人類判釋物件之行為作為模式之基礎。 此需建立類別知識庫(Classical Knowledge Data Base, CKDB)以便進行區塊資訊之計算，在本研 究中使用最大概似分類法進行區塊的分類，以 下進行各方法的理論介紹。

3.3.1 區域成長法

區域成長法是在影像分割中最常使用的方法 之一，由於區域成長法之像元合併概念只須設定相 似(Similarity)及面積(Area)兩個門檻值(Espindola et al., 2006)，因此本研究選定其為影像區塊化工具。

區域成長法屬於二階段合併法，合併的依據是根據

AmountPC i j F i j PC i j AmountPC_b

圖11 色彩空間轉換模式示意圖

RHomo GHomo IRHomo NDVI

色彩空間轉換程序

待分割資料

子點位進行起始分割，分割完畢後再指定下一個未 被分割的像元為起始點位，指定方式為由左而右，

由上而下的逐一掃瞄，重覆以上之動作直到所有點 位都歸類於某區塊為止。

至於種子點的鄰近像元搜尋模式一般可分為 四鄰近型與八鄰近型兩種模式，如圖12 所示，本 研究採用四鄰近之搜尋方法，採用四鄰近型搜尋方 法主要是為了避免出現獨立點的情形發生，如圖 13(a)所示，本研究稱之為跳島(Jump Island)現象，

跳島現象會導致分割結果出現獨立像元，這種現象 在進行網格資料(Raster)轉成向量資料(vector)之簡 約化(Generalization)計算時，容易在區塊邊緣產生 碎狀之三角形增加錯判率，如圖13(b)所示。

以四鄰近型之方式進行種子點鄰近點位之搜 尋後，如圖 14(a)所示，可進行第一階段之像元合 併，所有區塊均會被賦予一個區塊編號並且計算出 每一區塊的平均灰階值，其結果如圖 14(b)、表 1 所示。在本研究中區塊之間的合併(第二階段合併)，

是依據表1 之區塊編號順序進行合併動作，合併的 判斷是根據各區塊間之平均灰階值距離是否小於 使用者所設定之區域門檻值，圖 14(c)為其合併結 果。

表1 區塊資訊記錄格式表

區塊編號 1 2 3 4 5

區塊平均

灰階值 2 2 4 4 8

3.3.2 區域分類方法

本研究採用之區塊屬性之判定方法是以最大 概似分類法為基礎，再透過投票(Vote)的方式來決 定區塊所屬之類別，而決定區塊所屬之類別是以區 塊內佔多數之類別為主，也就是區塊內部佔多數的 類別屬性將成為區塊之屬性判定依據，當屬性確定 後，區塊內部所有像元將被統一歸類於多數類別。

而「投票法」就是以多數決之概念進行實現，其作 法是為將區塊內所有像元視為同一群組，然而在此 群組內的每一個像元均擁有其所屬的類別資訊（即 最大概式法之分類結果），假設區塊內部屬於水稻

的像元為多數時，此區塊之屬性將會全部定義為水 稻田，反之則會被指定為非水稻田，這樣的好處是 能夠組織影像當中物件類別之結構關係。

而使用此方法之理由乃是數值航照之影像解 析度大幅提昇，在有限的波段內會聚集更多的像元 資訊，也就是說影像的雜訊量/或混像元(同質異譜 或異質同譜之像元)問題，會比中尺度影像要更為 嚴重，而這些混像元通常會影響最大概似分類方法

(a)像元合併(門檻值:Similarity)

圖14 區域成長法概念示意圖

(b)第一階段合併結果 (c)第二階段合併結果 (門檻值:Area) 圖13 跳島現象及區塊鄰邊碎塊 (a) 跳島現象 (b) 鄰邊碎塊

(b) 八鄰近型 (a) 四鄰近型

圖12 鄰近像元搜尋視窗種類示意圖

的分類結果。由於前一階段已透過區域成長法完成 影像區塊化之動作，區塊之空間結構已產生，其後 再針對每一個目標區塊內之每一個像元進行分類，

此時使用投票法能夠降低混像元對於區塊判釋上 的影響程度以取得區塊所屬的正確類別，故使用此 方法能夠抑制水稻田坵塊內部與外部之椒鹽效應，

以提高坵塊之完整性。

本研究使用了原始波段資訊 B、G、R、NIR 四個波段及NDVI、G、R、NIR 之 GLCM 中的同 質性紋理等四種資訊，共八個波段資訊作為描述區 塊之基本屬性，圖15(a)為判釋流程、圖 15(b)為其 示意圖。