關鍵詞：影像判釋、影像區塊化、蒙地卡羅法
4. 結果與討論
本研究根據上述方法，進而進行高光譜影像和 正射影像區塊化之測試，透過測試與問題反饋，修 正相關參數和介面，相關問題如下所述。
(1) ROC 程 式 測 試 顯 示 ， 過 大 的 正 射 影 像 (6662×6662×3)執行 ROC 過程會有檔案過大出 錯，當解析度降低一半時，則可執行，但當 Input ROC similarity Value 小於 10 時，仍會中止程式。
(2) 原本高光譜無法讀取的問題，經檔案轉為 bsq 後，
可以正常執行。
(3) 當遇到 72 個波段需要選取時，目前的操作介面 可能會發生重複選取、漏選、或不知道選取幾個
問題，建議調整方式為如圖 6 所示(Chica-Olmo and Abarca-Hernández, 2000 、 Espindola et al., 2006、Fauqueur and Boujemaa, 2004)。
(4) 輸出 ROC 時，反覆地 ROC similarity Value 參 數輸入與輸出的操作相當耗時，是否可以新增 自動粗細分功能，粗分為 10、20、30~100 共 10 等份，後續使用者可以自行設定細分範圍。
(5) 進行不同 ROC similarity value 參數產製成果的 優異性，以觀察建構水稻區塊的完整性和清晰 性，找到合一的 similarity value。
(6) 經波段資料統計，CASI 數值如下(CASI 為一種 高光譜波長，本研究採 72 波段為例)，一般反射 率應介於 0~100，而為了保留極限差異，故設定 為-0.5~150 之間，剔除小於 1%的極端值，如圖 7 所示。
(7) 本研究採外埔地區為實證區，因為需要一個標 準值座標進行比對 CASI(採用 2014 年拍攝)和 WorldView2(採用 2014 年拍攝)之分類成果，發 現圖 7 極端亮的屋頂會影響分類(紅色區)，因此 剔除該 DN 值極高田區資訊後，再進行解算作 業(如圖 8)，並進行不同 Similar 參數的測試如 圖 9。
圖 6 ROC 開發的系統 (說明選擇上述從高光譜選擇 G、R、NIR 組合波段)
圖 7 色彩空間轉換不同參數的差異
圖 8 比對 CASI 和 WorldView2 成果 圖 9 為 ROC 程式開發試算不同影像波段相似
度的結果(Wan et al., 2010、Sahoo et al., 1988、
Wesolkowski, 1999)。本研究所提出之 ROC 模式與 上述之流程不太相同，基本上也分為三大部分，第 一步驟是區塊化，以區塊成長法為主要分割演算法，
再加上 GIS 資訊之輔助；第二步驟為像元分類，在 本研究中所使用之亂度基礎分類演算法(EBC)進行 區塊內部像元的分類；最後為區塊之物件化，將區 塊與內部屬性資訊及分類結果進行結合，以達區塊 物件化之目的。故 ROC 最後所產出的是物件而非 只是分類結果，區塊物件化最主要是要讓最後的計 算結果能有更大的後續應用性(如影像完整性和邊
界大小)，也能達到影像物件化之目的。
根據田間實際採樣的平均乾穀重、栽種密度、
穗數，統計計算調查坵塊產量分布圖，產量單位 (ton/ha) 區 塊 物 件 化 分 類 模 式 和 像 元 分 類 (Pixel Based Classification, PBC)之概念與組成之方法的介 紹，本研究方法的最後一部分則針對區塊物件化分 類與像元分類法進行亂度基礎分類法進行的交叉 驗證法。ROC 法主要在用區塊化影像辨識，是將整 張圖置入 ROC 程式內設定初值後(鄰近格點之光譜 差異)，進行反復迭代運算，找出每個物件的邊界值 的範圍，再統計這些範圍內有多少 pixel 個數以計 算田埂內有多少面積。
圖 9 Similarity 不同參數的結果
(a) (b) 圖 10 VIS 檔案影像中物件
ROC 主要的分類對像基本上還是像元，當像元 分類完畢後，為了避免類別混淆以投票法進行區塊 的物件化，最後產出完整的物件資訊，而非只有分 類成果(如圖 10)。然而，為了將萃取之物件資訊進 行儲存，本研究發展了 VIS(Virtual Information Shell) 檔案格式(格式是 VIS 檔)，可記錄原始的影像資訊 及影像物件化後之資訊，記錄之 VIS 檔案可供後續
研究分析時使用，若結合 VIS 檔案搜尋程式便能對 影像中物件進行檢索(如圖 10)(Hojjatoleslami and Kittler, 1998、Soille, 1999)。VIS 的技術主要在將破 碎的邊緣切割整齊(如圖 10(b))，求其迴歸方程式轉 成直線邊的(如圖 10(a))，其過程先透過 EBC 分類 器取得重要屬性，在取得計算機率密度函數後(如圖 11)進行蒙地卡羅之密度檢測。
圖 11 實驗區將水稻田區塊以 ROC 完整析出
我們以 B、G、R 三個波段為例(如圖 12)，將此 三波段轉成發生次數和波段值的關係，並將此圖正 規化，X 軸 (波段反應值) 轉成 0~1 之間，和 Y 軸 (頻率) 轉成 0~10 之間，將平均值和標準差紀錄下 來，代入機率密度函數公式後 (建立在圖 13)，將右 側記錄每個模擬點是否落在範圍內，若是落在 ROC 範圍內且若是落在範圍內則記錄為水稻+1，若落在 範圍外則記錄為水稻+0，若是落在 ROC 範圍外，
則不算是水稻的計算範圍區。也就是以蒙地卡羅產 生 10 萬個隨機數，這些隨機數必需符合圖 12 標準 差和平均數然後轉後到 0~1 (X 值) 和 0~10 (Y 值) 的範圍。
X:R波段值域(0~255) Y:
反 應 值
Note: X 軸為值域；Y 軸為在該區塊內水稻是蒙地 卡羅模擬發生次數
圖 12 R 波段計算機率密度函數
舉例說明，比如圖 12 機率密度的函數，圖中統 計每一個不同生產稻田的 pixel 落在 119~130 之間，
我們投射模擬 10 萬次，若落在此範圍內發生與不 發生的比例記錄下來繪成圖 13，在 y 找出峰值下落 的 x 值(垂直紅線下的值約 0.64)與生產密度進行計 算比對。而圖 13 每一個橫桿線和中點都是不同 pixel 的反應，其 y 軸代表有多少次數。
圖 13 R 波段計算機率密度函數(轉換圖)
以此 0.64 代表生產密度乘上放大比例(實際水 稻生產密度除以 0.64)，用以預測計算圖 14 不同坵 塊下生產總量。
圖 14 實證區紅色為 ROC 取樣位置 (號碼為不同 農夫的水稻田)
假設每塊田生產密度相同，我們選擇圖 14 中 ton/ha，而實際產量是 8.41 ton/ha，求得誤差 約在 1.6%。 25，推估產量密度 7.54ton/ha。
Step 4 實證結果將不同組數的誤差建立在 10 筆區 100%(陳俊仁等，2014)，舉例來說以 20 個區塊平均 15 ton 產量，同樣此區塊低的區塊樣本可能才 10 ton，
感謝科技部 104-2622-M-275-001-CC3 的經費 支持和中興測量有限公司對本案技術指導。
參考文獻
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，中華民國八十八年全 國計算機會議，C99-C106。[Lee, J.D., and Hunag, Z.X.,1999. Automatic color image segmentation with Fuzzy C-means algorithm, National Computer Symposium (NCS 1999), Taiwan, pp.
C99-C106. (in Chinese)]
張士勳、萬絢、周彥芝，2012。綠化生態模型的評 估：以遙測影像的水稻田影像判釋：自組織映 射圖與邏輯式迴歸之研究，水保技術，7(4)：
212–220。[Chang, S.H., Wan, S., and Chou, Y.Z., 2012. The eco-friendly evaluation model: The paddy rice image classification through SOM and logistic regression by remote sensing data, Journal
of Soil and Water Conservation Technology, 7(4):
212-220. (in Chinese)]
陳俊仁、姚銘輝、陳宣蘋、廖芳瑾，2014。糧食生 產評估系統之建置：以水稻生產為例，台灣農 業研究，63(1)：84–90。[Chen, C.J., Yao, M.H., Chen, H.P., and Liao, F.C., 2014. Establishing an evaluation system for food production: A case study on rice production, Journal of Taiwan Agricultural Research, 63(1): 84-90. (in Chinese)]
萬絢、雷祖強、王文宜，2013。以迭代式像元基礎 的亂數基礎分類法在萬大水庫衛星影像崩塌 地的判釋研究，中華水土保持學報，44(1)：78–
86。[Wan, S., Lei, T.C., and Wang, W.Y., 2013.
The study of iterative entropy-based classification by remote sensing data: A case study of Wan Da reservoir, Journal of Chinese Soil and Water Conservation, 44(1): 78-86. (in Chinese)]
萬絢、雷祖強、王文宜、王傑民，2012。以衛星影 像區域物件化分類法參數優化法在萬大水庫 崩塌地影像之實證，水保技術，7(2)：1–8。[Wan, S., Lei, T.C., Wang, W.Y., and Wang, J.M., 2012.
The optimal solution in regional based classification approach - A case study on landslide image classification, Journal of Soil and Water Conservation Technology, 7(2): 1-8. (in Chinese)]
雷祖強、李哲源、葉惠中、萬絢，2009。以區塊化 物件分類法萃取 ADS-40 影像中水稻田坵塊資 訊之研究，航測及遙測學刊，14(2)：127–140。
[Lei, T.C., Li, C.Y., Yeh, H.C., and Wan, S., 2009.
The study on regional object classification for paddy rice patch extraction from ADS-40 image, Journal of Photogrammetry and Remote Sensing, 14(2): 127-140. (in Chinese)]
Carr, J.R., and de Miranda, F.P., 1998. The semivariogram in comparison to the co-occurrence matrix for classification of image
texture, IEEE Transactions on Geoscience and Remote Sensing, 36(6): 1945-1952.
Chang, S.H., and Wan, S., 2015. A novel study on ant-based clustering for paddy rice image classification, Arabian Journal of Geosciences, 8(8): 6305-6316.
Chen, S.Y., Lin, W.C., and Chen, C.T., 1991. Split-and-merge image segmentation based on localized feature analysis and statistical tests, CVGIP-Graphical Models and Image Processing, 53(5):
457-475.
Chica-Olmo, M., and Abarca-Hernández, F., 2000.
Computing geostatistical image texture for remotely sensed data classification, Computer &
Geosciences, 26(4): 373-383.
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(14): 3035–3040.
Fauqueur, J., and Boujemaa, N., 2004. Region-based image retrieval: Fast coarse segmentation and fine color description, Journal of Visual Languages and Computing, 15(1): 69-95.
Gong, Y.H., 1999. Advancing content-based image retrieval by exploiting image color and region features, Multimedia Systems, 7(6): 449-457.
Hojjatoleslami S.A., and Kittler, J., 1998. Region growing: A new approach, IEEE Transactions on Image Processing, 7(7): 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, 12(1): 1-14.
Sahoo, P.K., Soltani, S., Wong, A.K.C., and Chen, Y.C., 1988. A survey of thresholding techniques, Computer Vision Graphics and Image Processing, 41(2): 233-260.
Schepers, A.R., Shanahan, J.F., Liebig, M.A., Schepers, J.S., Johnson, S.H., and Luchiari, A., 2004.
Appropriateness of management zones for characterizing spatial variability of soil properties and irrigated corn yields across years, Agronomy Journal, 96(1): 195-203.
Soille, P., 1999. Morphological Image Analysis:
Principles and Applications, Springer Verlag Telos, ISBN-3540656715.
Wan, S., Lei, T.C., and Chou, T.Y., 2010. An enhanced supervised spatial decision support system of
image classification: consideration on the ancillary information of paddy rice area, International Journal of Geographical Information Science, 24(4): 623-642.
Wan, S., Lei, T.C., and Chou, T.Y., 2014. Optimized object-based image classification: Development of landslide knowledge decision support system, Arabian Journal of Geosciences, 7(5): 2059-2070.
DOI 10.1007/s12517-013-0952-z.
Wesolkowski, S.B., 1999. Color image edge detection and segmentation: A comparison of the vector angle and the Euclidean distance color similarity measures, Master Thesis, University of Waterloo, Canada.
1 Professor, Department of Information Management, Ling Tung University Received Date: May. 21, 2019
2 Associate Professor, Department of Information Management, Ling Tung University Revised Date: Jul. 14, 2019
3 Research Assistant, Construction and Disaster Prevention Research Center, Accepted Date: Sep. 18, 2019 Feng Chia University
* Corresponding Author, E-mail: [email protected]