第一章 緒論
1.1 研究背景
近幾年航空影像(Aerial Image)隨著鏡頭技術及無人飛行載具(Unmanned Aerial Vehicle，UAV，又稱無人機)的興起被廣泛地運用於日常生活，例如：地
(Keypoints Description)的方式達到尺度不變、旋轉不變的特性。SIFT 演算法 主要透過圖層迭代(Layers Iteratiion)擷取關鍵點以及八個主方向定位 (Ant Colony Optimization，ACO) 模擬蟻群尋找食物時分泌的賀爾蒙特性，透 過賀爾蒙會隨時間蒸發之特性，尋找路徑最佳化；粒子群演算法(Particle Swarm Optimization，PSO)主要是透過觀察鳥類覓食行為，利用其覓食時的群聚效應、
記憶性、資訊分享之特性，尋找最佳解…等等。演化式計算主要運用在機器學習、
2
應用數學，甚至是解決現實規畫及離散性問題等方面，致力於解決最佳化的組合 或單一解，對於本論文主要之龐大影像資料，相較於傳統的全域搜尋法(Full Search)更有助於加快整體影像匹配之處理時間。
1.2 動機與目的
隨著無人飛行載具(UAV)的盛行，除了休閒娛樂之外，更加便利日常生活中 一些特定的時刻，例如：急難救助。無人飛行載具隨著機器等級越高，從高空所 拍攝之航空影像則越貼近衛星或者專業設備所拍攝之影像，具備更多之影像資訊 內容進行後置處理，但是基於每種器材本身高度及廣度的限制，拍攝目標區域越 大，則需要越多的影像篇幅搭載資訊量，並且越豐富的影像特徵，其運算成本則 越龐大。資訊量帶給我們更多訊息，同時也負荷更多影像處理所需要的效能負擔 以及時間成本，如何適當的降低資訊量以及提升處理速度，則為本篇論文主要研 究的議題。
1.3 相關研究與發展
原始 SIFT 本身亦可搭配最近鄰居演算法(K-NearestNeighbor，又稱 Knn 演 算法) 分類影像特徵，使用特徵點距離以達到影像辨識之目的。其透過計算每一 對(Pair)描述子為一離散變量，透過歐式距離或者海明距離尋找變量間的距離，
若距離過大則捨棄該組匹配點，完成匹配點的搜尋。原始 SIFT 進行影像匹配之 整體流程如圖 1 所示。
圖 1. SIFT 影像匹配方法流程圖
3
除了上述原始 SIFT 的方法之外，自 2004 年發表至今已經有許多學者針對 SIFT 的高運算複雜度提出各種改良方法，例如：Speeded Up Robust Features(加 速穩健特徵，又稱 SURF)[6]、SIFT-PCA[17]、SURF-PCA[27]…等等改良技術。
大多數方法皆針對 SIFT 敘述 128 維的特徵維度著手，透過減少敘述子的方向性 或者特徵矩陣之維度，適當減少圖層迭代運算以達到降低複雜度與節省時間成本 為主軸進行改善，然而，以特徵資料換取時間成本與原始 SIFT 匹配之結果相論，
其精確度則是一項值得重視的議題。本論文的核心價值在於保持較高的 SIFT 特 徵維度，利用較適當的維度進行影像分割，透過資料庫使用及演化式計算快速搜 尋相關影像，解決高運算複雜度之問題。針對大型影像搜尋之相關方法上，例如 針對航空影像，在 2015 年有由許清淵及王隆仁[36]提出利用 OTSU 簡化影像的方 式改良 SIFT 於航空影像辨識的處理效率，其方法之流程圖如圖 2 所示。本論文 將以此篇為基礎，進行更進一步的改善。
圖 2. 運用改良式 SIFT 技術於航照影像物件辨識方法流程圖
1.4 論文架構
本論文全文架構首先是全文之摘要，由第一章開始為緒論，介紹全文動機、
研究背景、相關方法，並且針對本論文，從第二章開始至第三章為止則是相關方 法之內容介紹及應用；第四章與第五章為本論文之研究方法介紹以及研究方法之 實驗環境、結果之實現展示；第六章則為本篇論文未來方向之說明；最後則為全 文參考論文之陳述。
4