薄雲偵測及去除成果

依據2.2.4 節所述，將薄雲影像資料庫中無雲 及薄雲兩時期影像對分別分割為 25×25 像元大小 的影像單元，並將每一影像分割轉為傅利葉頻譜 圖後，再以變遷分析之概念將兩時期頻譜圖相 除，即可觀察薄雲在傅利葉頻譜圖中所呈現的特 性。圖10 即為表 1 中薄雲影像資料庫之第一對影 像綠波段部分之成果，由結果可知，薄雲影響下 兩時期傅利葉頻譜相除後的影像會呈現一字形或 是十字形的特性。將表1 所有影像對所產生的 25

×25 像元大小之頻譜圖相除結果平均後，即產生薄 雲在傅利葉頻譜圖中之模型。最後經由公式(12)，

即可得到如圖11 至圖 13 所示的薄雲過濾器，並 可對表 2 中單時期之薄雲去除驗證影像進行薄雲 濾除，得到去雲影像。

(A) (B)

(C) (D)

圖 7 起伏小之非均質區厚雲霧處理之成果。(A) 案例一影像厚雲霧偵測去除之結果；(B)案 例一影像專家劃定之厚雲霧分佈圖；(C)案 例二影像厚雲霧偵測去除之結果；(D)案例 二影像專家劃定之厚雲霧分佈圖。

(A)

(C) (D)

(B)

圖8 起伏小之非均質區厚雲雲影偵測之成果。(A) 案例一原始影像；(B)案例一影像厚雲雲影偵 測結果 (綠色部分)；(C)案例二原始影像；(D) 案例二影像厚雲雲影偵測結果 (綠色部分)。

(A) 

(B) (C)

圖9 起伏大之均質及非均質混合區厚雲霧處理之 成果。(A)原始影像；(B)厚雲霧偵測去除之 結果；(C)厚雲雲影偵測結果 (綠色部分)。

(A)  (B) 

(C)  (D) 

圖 10 無雲及薄雲覆蓋影像綠波段部分之傅利葉 頻譜相除成果。(A)無雲影像；(B)薄雲影 像；(C)傅利葉頻譜相除成果；(D)(C)圖中 紅框部分之放大圖。其餘波段亦呈現相似 的特性。

圖11 綠波段之薄雲過濾器

圖12 紅波段之薄雲過濾器

圖13 近紅外波段之薄雲過濾器

本研究的薄雲去除驗證影像是以美國堪薩斯 州農業及聚落分佈區2005年4月24日之Landsat-5 TM影像為案例，比較前人發展之同態濾波 (賴格 英等，2003; Feng et al., 2004; Chen et al., 2009;

Zhong et al., 2010) 以及本研究發展之薄雲過濾器 的成果，並以時間相近的2005年5月10日Landsat-5 TM無雲影像比較兩種方法在去雲後是否能讓反 射率值接近無雲狀態。本研究在薄雲干擾區中取 12處共520個像元的屋頂、常綠植物及針葉林等區 域做為檢核點，繪製XY散佈圖，若趨勢線的斜率 愈接近1而截距愈接近0，以及迴歸的R²愈接近1，

則代表薄雲或去雲影像與無雲影像的光譜值愈接 近一致。

同態濾波之成果如圖14所示，由圖可知各波 段在斜率、截距以及R²方面的表現不一，去雲後 綠及近紅外波段之斜率較去雲前接近1，然而近紅 外波段的R²較去雲前低，且截距較去雲前大許 多。由整體來看，以同態濾波去雲的結果有低估 反射率值的現象。而本研究薄雲過濾器之成果如 圖所示，由圖可知薄雲去除後各波段趨勢線的斜

率都比去雲前的影像接近1，而截距亦皆較去雲前 的影像小，R²也都比去雲前影像大，然而整體來 看仍有低估的現象。與同態濾波的結果相比，本 研究發展去雲結果各個波段皆較去雲前得到改 善，雖然同態濾波在綠波段的改善程度較本研究 佳，但其它波段的表現則較不穩定，且低估的情 形較本研究之成果嚴重。因此可推論本研究薄雲 去除後的影像光譜值與完全無雲時的狀況仍較為 接近，表現較同態濾波佳。

由XY 散佈 圖雖 可 知本 研究 的 去雲 成果 較 佳，但不一定能直接證實本研究的去雲成果仍可 適用於影像分類以及生物量推估上。因此以下以 影像分類以及NDVI兩種方式來進行適用性的評 估。由圖16(A)和(C)可知，去雲後之影像在視覺上 薄雲霧影響確實有減少，可看清楚較多雲下的地 物，去雲處理前後影像分類之結果則如圖16(B)和 (D)所示。為了解薄雲過濾器對無雲區、雲影區之 影響，本研究請專家以人工方式將影像劃分為「雲 區」、「影區」及「無雲無影區」等三個區域，分 別計算薄雲處理前後的分類精度差異 (圖17)。由 表3可知，就全幅影像來探討，薄雲過濾器確實提 升了分類精度，並且McNemar檢定的z統計量也顯 示改善的程度具有統計上的高度顯著性 (z >>

1.96)。而就各分區來探討，過濾器對雲區的分類

精度提升最多，無雲無影區亦有少許提升，影區 的分類精度則反而下降，然而以McNemar的z統計 量來看，雖然薄雲過濾器顯著地降低影區的分類 精度，不過雲區和無雲無影區的精度提升則更具 顯著性。

而NDVI方面。由圖18可知，無雲與去雲處理 後NDVI影像相減後大於0.1的區域，較無雲與薄雲 覆蓋NDVI影像相減後大於0.1的區域顯著減少，

NDVI差值大於0.1的比例由去雲處理前佔全區 31.23%降為處理後的22.97%。再以方均根誤差 (root mean square error, RMSE) 來比較去雲前後 的NDVI差異，原始薄雲覆蓋影像與無雲影像 NDVI的RMSE值為0.21，而去除薄雲影像與無雲 影像NDVI的RMSE值則為0.15，兩者差異具有統 計顯著性 (p < 0.01)。

由上述結果可知，McNemar 檢定提供了除整 體精度和 kappa 值之外，另一種客觀的分類結果 差異解釋，證明了薄雲過濾器雖無法全面提升影 像各區之分類精度，然而其去雲的功效已有發 揮，對於 NDVI 分析而言，薄雲過濾器在統計上 也能有顯著的改善。不過值得注意的是，上述結 果也說明了除了雲影區之外，薄雲過濾器也可能 降低地形效應陰影區的分類精度或是 NDVI 的準 確性，此也是後續研究待解決的重點之一。

表 3 薄雲霧處理前後各區分類精度表

分區 薄雲霧處理前 薄雲過濾器處理後 z 統計量

全幅 77.74%*

0.297

81.69%

0.339

92.475

雲區 73.00%

0.183

79.18%

0.221

88.282

影區 79.52%

0.534

79.17%

0.521

-2.399

無雲無影區 81.74%

0.331

84.53%

0.365

49.673

*百分比代表整體精度，0~1 之間的小數代表 kappa 值。

(A) 

y = 0.4177x + 13.96  R² = 0.1277   

(C) 

y = 0.735x ‐ 0.172  R² = 0.2716   

(E) 

y = 0.4999x + 27.477  R² = 0.1914   

y = 0.6672x + 42.093  R² = 0.1289   

(F)  (D) 

y = 1.4128x ‐ 0.1412  R² = 0.3212   

(B) 

y = 0.8718x + 12.24  R² = 0.1630   

圖14 以同態濾波去雲前後各波段與無雲影像之反射率 XY 散佈圖。左排三張圖代表的 X 軸代表薄雲影 像的反射率值，Y 軸代表無雲影像的反射率值；右排三張圖代表的 X 軸代表去除薄雲後的影像反 射率值，Y 軸代表無雲影像的反射率值。

(A) 

y = 0.4177x + 13.96  R² = 0.1277   

(C) 

y = 0.735x ‐ 0.172  R² = 0.2716   

(D) 

y = 0.8552x ‐ 1.131  R² = 0.4803   

(E) 

y = 0.4999x + 27.477  R² = 0.1914   

(F) 

y = 0.5975x + 22.142  R² = 0.367   

(B) 

y = 0.5993x + 8.993  R² = 0.2468   

圖15 以本研究薄雲過濾器去雲前後各波段與無雲影像之反射率 XY 散佈圖。左排三張圖代表的 X 軸代 表薄雲影像的反射率值，Y 軸代表無雲影像的反射率值；右排三張圖代表的 X 軸代表去除薄雲後 的影像反射率值，Y 軸代表無雲影像的反射率值。

圖16 以影像分類法進行薄雲去除檢核之示意圖。(A)原始薄雲霧覆蓋影像；(B)薄雲霧影像之分類結果；

(C)去雲後之影像；(D)去雲影像之分類結果。

雲霧分佈區 雲影分佈區 圖17 薄雲霧處理前後分類精度差異探討之分區示意圖

(B) (C)

兩時期NDVI 差值 > 0.1 兩時期NDVI 差值 <= 0.1 (A)

圖18 以 NDVI 進行薄雲去除之檢核結果。(A)原始薄雲覆蓋影像；(B)無雲與薄雲覆蓋 NDVI 影像相減後 之結果；(C)無雲與去雲處理後 NDVI 影像相減後之結果。

4. 結論與建議

本研究最重要的貢獻，可歸納為以下二點。

(1) 影像利用度之提升：本研究僅以單時期以綠、

紅、近紅外波段等三波段影像進行去雲處理的 作業流程，可達到最小成本並符合目前產學界 多數研究的需求。利用本研究所提出的雲層偵 測和還原地物光譜資訊的方法，可應用於土地 利 用 判 釋 及 生 物 量 估 算 中 的 影 像 前 處 理 程 序，減少人工判釋和去除雲層的人力，增加衛 星影像的利用度。以往僅有少數研究探討去雲 過程對原本地物資訊的破壞，既使有也更少探 討去雲後影像能否用來進行自動化地物判釋 則欠缺探討，因此去雲影像對土地利用分類或 是生物量估算等相關研究的使用者來說用途 可能有限。而本研究則探討去雲後的影像「可」

或「不可」做何用途，以及是否在處理完後有 何影像資訊是被扭曲，並傳遞給後端使用者了 解的。

(2) 薄雲空間知識之歸納：相較於以往的研究方 法，如使用紅外光段的雲層偵測、傅利葉轉換 的高通濾波器，雖然皆是可用單時期影像進行 處理，但多需設定經驗閾值，其閾值可能只適 用於特定衛星影像或是特定地區。而本研究成 功歸納厚薄雲在衛星影像中的特性，以量化的 模型來更明確描述過去研究中所提及之雲的 知識。

而本研究之雲層處理在未來仍有一些課題可 再深入研究與改進。例如本研究目前實作的素材仍 是以單一影像中僅有單種雲層的案例，因此在多種 雲層同時出現在一張影像中時，本研究的各種雲霧 處理順序要如何決定，是未來將持續試作及探討的 部分。因為在現實的案例影像中，多為厚雲及薄雲 同時出現的狀況，如何同時精準描繪出無法進行還 原的厚雲區域以及還原受薄雲霧污染區域的地物 光譜值是各領域所關心的。另外，本研究的薄雲去 除影像若和去除前影像進行變遷分析，即可用以估 計雲層厚薄程度並進而估計薄雲干擾的潛在誤 差，但此方法所估計出來的誤差仍是以像元為基礎

(pixel-based) 的概念來呈現。由於高解析度影像資 源愈來愈豐富，物件導向式 (object-based) 分類法 的使用也愈來愈廣泛，因此未來可探討薄雲的影響 程度，在物件導向式分類法以及以像元為基礎的分 類法之間有顯著的差異。而雲影偵測方面，目前雲 影偵測雖已利用雲、雲影、太陽以及衛星的幾何關 係，由程式自動推算雲與雲影的相對位置，給予使 用者建議的閾值。但若是在較複雜的地形或是較大 範圍的雲層所產生的雲影，估算的閾值就需以半自 動之方式調整，偵測結果也可能會與地形效應造成 的 陰 影 產 生 混 淆 。 未 來 可 加 入 數 值 高 程 模 型 (digital elevation model, DEM)，或是判讀雲的類 別，來了解雲可能的高度，另外亦需深入探討地表 的特性、影像中的地物組成成份等影響因素。最後 是雪及沙漠區雲層處理的探討，因為雪及沙漠在可 見光及近紅外光之反射率與厚雲相近，易於混淆，

(pixel-based) 的概念來呈現。由於高解析度影像資 源愈來愈豐富，物件導向式 (object-based) 分類法 的使用也愈來愈廣泛，因此未來可探討薄雲的影響 程度，在物件導向式分類法以及以像元為基礎的分 類法之間有顯著的差異。而雲影偵測方面，目前雲 影偵測雖已利用雲、雲影、太陽以及衛星的幾何關 係，由程式自動推算雲與雲影的相對位置，給予使 用者建議的閾值。但若是在較複雜的地形或是較大 範圍的雲層所產生的雲影，估算的閾值就需以半自 動之方式調整，偵測結果也可能會與地形效應造成 的 陰 影 產 生 混 淆 。 未 來 可 加 入 數 值 高 程 模 型 (digital elevation model, DEM)，或是判讀雲的類 別，來了解雲可能的高度，另外亦需深入探討地表 的特性、影像中的地物組成成份等影響因素。最後 是雪及沙漠區雲層處理的探討，因為雪及沙漠在可 見光及近紅外光之反射率與厚雲相近，易於混淆，