關鍵詞：物件、區域成長法、影像判釋
4. 研究結果
本研究主要目的是探討區塊式分類法與傳統 像元式分類法之差異，兩者分類演算法均以最大概 似法為基礎，因此不會有人為操作或參數設定上所 造成之差異。在分類結果採用點檢核與面檢核兩種 方式進行評估比較，點檢核使用ERDAS 內建之點 檢核模組隨機產生256 個檢核點位，點位的判斷依 據為由數值航照所數化之地真資訊；面檢核則是以 數值航照數化之地真資料為真實地表現況與分類
結果進行數值之套疊取得差異後，再進行各種數值 組合之計算，便可取得水稻與非水稻之誤、漏判及 正確判出之結果。
4.1 逐像元法萃取結果
由於傳統逐像元分類概念均視所有像元在影 像中為獨立單元，而分類後像元間並無空間關聯性 之描述，因此逐像元式分類結果通常都會產生嚴重 的椒鹽效應。由圖16 中可清楚看出坵塊內部或外 部均有嚴重的雜點產生，甚至於對於道路旁之行道 樹與高速公路旁之草地均有嚴重之誤判，而這些雜 點對於後續的研究分析會產生相當大的影響，例如 欲得知影像中水稻田之坵塊數及各坵塊面積，像元 式分類所得之結果並無法直接計算出這些資訊，因 此需要進行椒鹽效應去除及坵塊補遺(雷祖強等，
2007)等之處理動作，然而在進行後續的處理過程 當中若是所獲得之影像資訊雜訊量過大之時，所獲 得之處理成效往往也會大打折扣。所以當坵塊資訊 中之雜訊或混像元愈多時，逐像元分類法愈不容易 保持坵塊之完整性，若坵塊太過於破碎時將無法完 全萃取出完整的坵塊結構，這也表示其萃取結果無 法進行後續之分析。
影 像 分 割
類 別 樣 本 選 取 建 立
類 別 資 訊 庫 最 大 概 似 分 類 法
(區塊 內 部像 元分 類 ) 取 得 區 塊
內 部 像 元 資 訊 區 塊 內 部 像 元
分 類 結 果 類 別 計 數
取 得 多 數 者
區 塊 屬 性 確 立 (以 多數 之屬 性 為主 )
(a)區塊分類流程
圖15 區塊分類流程及示意圖 (b)區塊分類流程示意圖
水稻像元數：30 非水稻像元數：15 水稻田坵塊
4.2 區塊化分類模式萃取結果
圖17 為 ROC 模式分割中所需的四個波段影像 資訊，圖17(a)為 NDVI 植生影像，其門檻值是由 本研究中所提出之正值平均法所得出，就其設定之 門檻值所得結果可見，具有中、高植生反應之區域 都有被萃取出來，由此可知本研究所提出之正值平 均法在自動設定 NDVI 植生門檻值之自動化有相 當正面的幫助。圖17(b)、圖 17(c)、圖 17(d)為 GLCM 之同質性紋理影像資訊，在影像中確實可看出不同 的植生影像之同質度均不同，各波段在水稻田之部 分有較高之同質性反應，這也表示水稻田坵塊資訊 適合使用同質性指標進行描述。圖18 為所有波段 在進行色彩空間轉換後的結果，在轉換後之結果中 可見各大部分的農作物坵塊已被明顯區分，此結果 對於後續取得完整之坵塊結構有相當大的幫助。圖 19 為 ROC 之水稻田坵塊萃取結果，就結果而言，
ROC 所萃取出之水稻田坵塊結構比逐像元模式所 萃取之結果還來得完整且椒鹽效應比逐像元模式 還來得少，由此可知區塊式的分類方法比傳統像元 式分類方法更容易取得完整之坵塊結構資訊。
此外由於ROC 的萃取過程中已經記錄各坵塊 之資訊，因此在進行後續物件管理分析時，能夠直 接利用而不需再進行其他的後續處理，此舉可縮短
後續分析之時間成本且能快速取得。
圖18 色彩空間投射結果 圖17 測試影像分割資訊 (c)G-HOMO
(a)NDVI (b)R-HOMO
(d)IR-HOMO 圖16 逐像元法分類結果
（綠色邊線為水稻坵塊GIS 資料）
表2 逐像元與區域化模式點/面檢核結果 (a) 逐像元模式分類結果精準度評估表-點檢核
水稻 非水稻 總和 生產者 精度
水稻 105 13 118 0.8898
非水稻 6 133 139 0.9568
總和 111 146 257
生產者
精度 0.9459 0.9110 0.9261
(b) ROC 模式分類結果坵塊精準度評估表-點檢核 水稻 非水稻 總和 生產者 精度 水稻 114 7 121 0.9421 非水稻 5 131 136 0.9632
總和 119 138 257 生產者
精度 0.9579 0.9427 0.9533
(c) 逐像元模式分類結果坵塊精準度評估表-面檢核
（單位：Pixel）
水稻 非水稻 總和 生產者 精度 水稻 1197995 107617 1305612 0.9176 非水稻 390231 4794361 5184592 0.9247
總和 1588226 4901978 6490204 生產者
精度 0.7543 0.9780 0.9232
(d) ROC 模式分類結果坵塊精準度評估表-面檢核
（單位：Pixel）
水稻 非水稻 總和 生產者 精度 水稻 1247466 58146 1305612 0.9554 非水稻 193542 4991050 5184592 0.9626
總和 1441008 5049196 6490204 生產者
精度 0.8656 0.9884 0.9612
圖19 ROC 模式分類結果
（綠色邊線為水稻坵塊GIS 檔案）
5. 結論與建議
5.1 結論
本研究所提出之區塊式分類法所得之水稻田 坵塊完整度要高於傳統逐像元分類方法所萃取之 水稻田坵塊，內部之椒鹽效應比逐像元分類之結果 還來得少，而且分類精準度可從 92.6%提高到 95.3%。另一方面，從研究成果中可知，對於類似 自高解析度影像中自動化萃取土地覆蓋類別，若是 影像先經過空間區塊化的處理，事實上對於分類問 題是有顯著性的幫助。此外由於ROC 模式在進行 影像萃取過程中已將波段資訊與坵塊結果資訊紀 錄下來，故ROC 模式能夠提供後續分析時所需之 資訊，反之，逐像元概念無法直接提供相關資訊，
這樣會限制物件管理之能力。最後區塊化後之物件 將有別於像元分類的個別概念，同時會增加外部結 構與內部資訊，上述新增的資訊對於影像內容物之 萃取有相當正面的幫助，基本上區塊式分類演算法 所取得的坵塊是完整且封閉的，反之以像元為主的 分類演算法所得結果是破碎的。
5.2 建議
王延榮，2007，QuickBird 衛星影像中水稻田不確 定性區域提取之研究，逢甲大學環境資訊科技 研究所碩士論文。
李建德、黃鐘賢，1999，Fuzzy C-means 演算法於 彩色影像自動分割之研究，中華 1999 年全國
雷祖強、周天穎、鄭丁元，2006，運用 QuickBird 衛星影像於水稻田坵塊萃取之研究，航測與遙
測學刊，第十一卷，第三期，第297-310 頁。
雷祖強、周天穎、鄭丁元，2007，應用半變異元模 式於QuickBird 影像中植生類別分類特性之研 究，航測與遙測學刊，第十二卷，第一期，第 tNode=2504&mp=390)
Chen, S., Lin, W., and Chen C., 1991, Split-and-merge image segmentation based on localized feature analysis and statistical tests, Computer Vision, Graphics, and Image Processing (CVGIP): Graph. Models Image Process, Vol. 53, pp. 457-475.
Espindola, G. M., Camara, G., Reis, I. A., Bins, L. S., and Monteiro, A. M., 2006. Parameter selection for region growing image segmentation algorithms using spatial autocorrelation.
International Journal of Remote Sensing, 27, pp.
3035-3040.
Hojjatoleslami, S. A. and Kittler, J., 1998, Region growing: A new approach, IEEE, Image Processing, vol. 7, no. 7, pp. 1079-1084.
Lei, T. C., Wan, S., and Chou, T. Y., 2008, The Comparison of PCA and Discrete Rough Set for Feature Extraction of Remote Sensing Image Classification – A Case Study on Rice Classification, Taiwan, Computational Geosciences, vol. 12, pp. 1-14.
Miranda, F. P., Fonseca, L. E. N., Carr, J. R. and Taranik, J. V., 1996, Analysis of JERS-1 (Fuyo-1) SAR data for vegetation discrimination in northwestern Brazil using the semivariogram
textural classifier (STC), Int. J. Remote Sensing, vol. 17, no. 17, pp. 3523-3529.
Rouse, J.W., Jr. R.H. Haas, J.A. Schell and D.W.
Deering., 1973 “Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. Prog. Rep.” RSC 1978-1. Remote Sensing Cent., Texas A and M Univ., College Station.
Sahoo, P. K., Soltani, S., Wong, A. K. and Chan, Y.
C., 1988, A survey of thresholding techniques, Comput. Vision, Graphics, Image Processing, vol. 4, pp. 233-260.
Soille, P., 1999, Morphological image analysis:
Principles and applications, Springer-Verlag Telos, ISBN-3540656715.
Sonka, M., Hlavac, V. and Boyle, R., 1998, Image processing: analysis and machine vision, Introduction to Transportation Engineering (ITE), United States of America, 2nd. ed.
Wan, S., Lei, T. C. and Chou, T. Y., 2009, An Enhanced Supervised Spatial Decision Support System of Image Classification: Consideration on the Ancillary Information of Paddy Rice Area, International Journal of GIS (Accept).
Wesolkowski, S., 1999, Color image edge detection and segmentation: A comparison of the vector angle and the Euclidean distance color similarity measures, Master’s thesis, Systems Design Engineering, University of Waterloo, Canada.
1 Associate Professor, Department of Urban Planning and Spatial Received Date: Fer. 08, 2009 2 Information, Feng Chia University Revised Date: Aug. 24, 2009 2 Student, Department of Environmental and Spatial Information Accepted Date: Oct. 13, 2009
Science and Technology, Feng Chia University
3 Assistant Professor, Department of Natural Resources, Chinese Culture University
4 Associate Professor, Department of Information Management, Ling Lung University
* . Corresponding author, Phone: 886-4-24517250ext.3357, E-mail: [email protected]