遙測影像處理與分析理論

遙測影像就其資料格式而言可分為類比影像及數位影像。前者以化學感光乳 膠為感測媒介並沖印成實體相片儲存；後者則以半導體感光元件為感測媒介並以 網格式數位資料格式儲存於硬碟或輸出成實體影像。兩者在影像處理分析技術上 有很大的差異。類比影像只能透過肉眼對影像中之地表圖徵，依其輪廓、大小、

樣式、色調、質地、陰影、位置及空間關聯等等（T. M. Lillesand et al.，2004）

綜合要素進行視覺辨識，最後將辨識結果繪製成圖或利用地理資訊系統將之輸入 成數位向量式空間資料進行進一步的分析。

數位網格式遙測影像之處理分析則必須透過電腦的輔助，以對數位遙測影像 進行操作與分析。數位遙測影像所記錄的是地表對太陽輻射電磁波的反射比率訊 號，因此可以透過電腦的輔助以系統量化的途徑對影像進行處理分析，以達到影 像辨識的目的。由於數位遙測影像擷取的物理機制及其資料格式的屬性因素，影 像的處理過程與操作步驟則比類比遙測影像的分析更為繁雜。

Rees⁵將數位遙測影像的電腦輔助操作處理過程分為三個處理程序，即影像前 置處理、影像光譜增揚、影像光譜轉換及影像分類。影像前置處理的目的在於移 除原始影像中的系統錯誤，處理程序包括輻射校正（radiometric correction）

及幾何校正（geometric correction）。影像光譜增揚指的是影像訊號內容的提 升，其中又包括對 比修改（contrast modification）及空 間過濾（spatial filtering）。影像分類是對遙測影像中訊號屬性相近的網格進行歸類，並轉換成 重新分類後的主題地圖。

5 W.G. Rees, 2001. Physical Principles of Remote Sensing, 2nd edition. Cambridge University Press,

UK: Cambridge, pp. 270-307.

Lillesand⁶則把數位遙測影像的操作處理程序分為七類，即影像校正與修復、

影像光譜增揚、影像分類、資料合併與地理資訊系統整合（data merging and GIS integration）、超光譜影像分析、生物物理模型（biophysical modeling）及影 像傳輸與壓縮。其中，資料合併與地理資訊系統整合指的是利用地理資訊系統將 數位遙測影像資料與同一地區中其他地理相關的資料進行結合以作各項應用分 析。而生物物理模型的目的在於將所擷取的數位遙測影像資料中的生物物理特徵 與真實地表地物之間的關係作定量的敘述。

作為網格式遙測影像線上運算分析的網路應用，本研究以數位遙測影像之系 統量化運算為基礎，探討數位遙測影像處理與分析的各個步驟與程序。在資料使 用上，本研究所使用的遙測影像是福爾摩沙衛星二號（FORMOSAT-2）所擷取之地 表影像。影像經過福爾衛二號影像加值中心的前置與加值處理，故以下僅探討影 像前置處理後之處理分析程序與技術。

一、影像光譜增揚（Image Enhancement）

影像光譜增揚是網格式遙測影像處理中，對影像的原始擷取訊號進行運算，

強化影像中地物在該波段之屬性特徵的技術。當中的演算法眾多，包括視覺增 顯、影像過濾增揚及波段影像轉換等，其中較普遍的有：

1.對比增顯⁷（Contrast Stretching）

為影像視覺增顯辨識的演算法，即將影像之原始訊號按特定演算式運算，

強化影像在螢幕上的顯示效果以提升視覺辨識精度。常見的演算法包括 線性伸展法（linear stretch）、標準差法（standard deviation）、直 方圖伸展法（histrogram stretch）等等。其中，線性伸展法的方程式 如下：

6 T.M. Lillesand, R.W. Kiefer, and J.W. Chipman, 2004. Remote Sensing and Image

Interpretation, 5^th ed. Wiley, New York, pp. 491-637.

7 同註 6。

^’

... (1) 其中，

DN’為輸出之影像，其網格之數值（digital number）

DN 為輸入之影像，其網格之原始數值

MIN 為輸入之影像，其位元深度中的最小數值 MAX 為輸入之影像，其位元深度中的最大數值

對比增顯本身並不改變影像的數據，僅進行顯示效果的調整。

2.空間過濾⁸（Spatial Filtering）

相對於對比增顯，空間過濾處理則將影像中每一網格的數值依據其周遭 網格的數值，透過移動視窗⁹（moving windows）以一定權重演算並賦予 該網格新的數值。一般移動視窗的大小包括 3X3、5X5 及 7X7 等等，常見 的 過 濾 器 包 括 平 滑 化 過 濾 器 （ smoothing filter ）、 銳 利 化 過 濾 器

（sharpening filter）等等。如 3X3 平滑化過濾器，其方程式為

... (2) 其中，

DN5'為 3X3 原始網格影像中，DN5（見圖 2-1）經演算後所得之數值 DN 為原始輸入網格影像中，各網格之原始數值

c

圖 2-1 3X3 平滑化過濾器演算概念示意圖 資料來源：John R. Jensen，2004。

8 John R. Jensen, 2004. Introductory Digital Image Processing - A Remote Sensing Perspective,

3rd edition. Prentice Hall, New Jersey, pp. 255-336.

9 又稱卷積遮罩（Convolution Mask）或 kernel。

3.波段影像比率¹⁰（Band Ratioing）

乃將多光譜遙測影像（multispectral image）的部分波段影像進行運算 並轉換出新的影像，為基本影像光譜波段轉換（band transformations）

的一種。波段影像比率為兩波段影像之間的商數，其方程式為

... (3)

其中，

DN'為比率影像中的網格數值

DNA、DNB為原始多光譜影像中波段A 及波段 B 之影像

波段影像比率主要在於獲得空間圖徵的相關比率關係，因為同一空間圖 徵在不同環境如陰影或日照下的比率關係是不變的。

4.常態化差異植生指數¹¹（Normalized Difference Vegetation Index）

植生指數為一典型的影像光譜波段轉換模式。由於綠葉植物在進行光合 作用時，因葉肉組織在光合作用中進行能量轉換時之需求，葉肉內部的 海綿組織因而對近紅外光具有活躍的反射與透射反應。科學家們透過綠 葉植物的此特性，發展出許多提升遙測影像中植生之辨識度的光譜波段 轉換模式。以下為常態化差異植生指數之方程式：

... (4) 其中，

DNNIR為近紅外光波段影像之網格數值 DNRED為紅光波段影像之網格數值

10 同註 6。

11 同註 8。

5.主成分分析¹²（Principal Components Analysis）

主成分分析是一項將原始多光譜遙測影像集合（image dataset）轉換成 一更為顯著且較互不相關之網格資料集合的技術。透過座標軸的移動與 角度的轉換（見圖 2-2），主成分分析的操作降低了原始遙測影像維數

（dimensionality），所輸出的結果一般上有效的提升了影像分類處理的 效率。

圖 2-2 主成分分析概念示意圖¹³ 資料來源：John R. Jensen，2004。

二、影像分類（Image Classification）

影像分類操作的目的在於將影像中的所有像素網格自動分類成地表覆蓋 特徵等主題分類圖。就影像圖徵識別技術而言，又分為空間型態識別（Spatial Pattern Recognition）、光譜型態識別（Spectral Pattern Recognition）及 時間型態識別（Temporal Pattern Recognition）等。以下僅針對影像之光譜 型態識別操作進行回顧。

12 同註 8。

13 軸 X1 及 X2 分別為原始影像兩個波段的光譜反應數值，橢圓則為各網格於此兩波段的散點分佈。a)顯

示在波段 X1 及 X2 中，網格數值的平均值µ₁及µ₂。b) 軸 X1'及 X2'為軸 X1 及 X2 個別移動µ₁及µ₂距

離後新的坐標軸位置。c) X1'依起始點(µ₁, µ₂)旋轉 Ø°角度，投影在散點橢圓的半長軸上形成主成分

軸 PC1。X2'則投影在散點橢圓的半短軸上形成主成分軸 PC2。

影像之光譜型態識別操作技術大致分為監督式分類技術（Supervised Classification）及非監督式分類技術（Unsupervised Classification）。前 者透過手動影像特徵類別之參考數據的輸入，作為影像分類演算的依據。後者 則是透過影像分類演算法各別比對影像網格數值，區分光譜差異度高之影像網 格以達到分類的目的。

1.監督式分類技術¹⁴

圖 2-3 訓練樣區網格數值分佈圖 資料來源：T.M. Lillesand，2004。

在監督式分類技術中，使用者透過圈選若干影像特徵作為各類別的訓練 樣區（Training Area），令電腦針對上述樣區類別之網格數值進行演算，

最終按照使用者所指派的分類法則將影像中其餘之像素網格歸類至光譜 屬性相近之特徵類別。常見的影像分類法則包括最小距離分類法、平行 六面體分類法及最大概似分類法。以圖 2-3 的訓練樣區網格數值的分佈 為例：

其中，

14 同註 6。

圖 2-4 最小距離分類法概念示意圖 資料來源：T.M. Lillesand，2004。

最小距離分類法（Minimum Distance to Means Classifier）會將原始 影像中剩餘的網格依據其網格數值與各樣區類別中的網格數值的平均值 的距離（見圖 2-4），將網格歸類至距離最近的類別。如圖 2-4 中，網格 數值 1 將被分類為玉米田。而當一網格數值位於兩個訓練樣區的網格數 值之間時（如網格數值 2，圖 2-4），儘管它是都會區類別的可能性比較 高，但它仍會被分類至離它最近的沙地類別。

圖 2-5 平行六面體分類法概念示意圖 資料來源：T.M. Lillesand，2004。

平行六面體分類法（Parallelepiped Classifier）考慮到訓練樣區的網 格數值分佈範圍，將各樣區在不同維度上最大及最小的網格數值作為該 類別的範圍，呈現一矩形的類別範圍（見圖 2-5）。在此分類中，網格數 值 2 得以被歸類至分佈形態較近的都會區類別，而不是重複性高、分佈 範圍集中的沙地類別。但是，當遇到網格數值位於兩個樣區類別的重疊 範圍時，則會造成分類上的混亂。

圖 2-6 高斯最大概似分類法概念示意圖¹⁵ 資料來源：T.M. Lillesand，2004。

高斯最大概似分類法（Gaussian Maximum Likelihood Classifier）考 量了在影像分類時，各類別之光譜反應樣式的變異（variance）與共變 異（covariance）因素，而假設各訓練樣區之網格數值皆呈高斯常態分 佈。因此，訓練樣區中各網格數值分佈得以完整的被一平均向量（mean vector）及共變異矩陣（covariance matrix）所描述。將各訓練樣區之 平 均 向 量 及 共 變 異 矩 陣 參 數 代 入 高 斯 機 率 密 度 函 數 （ Gaussian probability density function）中，最後求得各未分類之網格歸至各 樣區類別的機率（見圖 2-6）。

15 圖 2-6 示意各訓練樣區於高斯機率密度函數下之等機率橢圓分佈圖，各未分類之網格依據其位於各樣

區的機率高低而決定其分類。

2.非監督式分類技術¹⁶

非監督式分類並不以訓練樣區作為分類的依據，而是直接透過電腦演算 法對遙測影像中，各網格於不同波段的反應數值進行比對分類，純粹以 各網格像素間的光譜反應屬性的差異度來區分網格的群集類別。在非監

非監督式分類並不以訓練樣區作為分類的依據，而是直接透過電腦演算 法對遙測影像中，各網格於不同波段的反應數值進行比對分類，純粹以 各網格像素間的光譜反應屬性的差異度來區分網格的群集類別。在非監