地區結果
5.2 非都市地區結果
人工選取影像控制點於四子測試區成果如表 6，四測試區以手動方式於影像均勻且分散選取 18~20 點控制點，分布位置如表 7，整體 RMSE 均 符合預期將RMSE 控制小於 0.5 pixel。
表6 各測試區人工進行幾何糾正成果
區域 控制點數目 RMSE(pixel)
Site1 20 0.46
Site2 17 0.47
Site3 19 0.24
Site4 18 0.30
各測試區經SIFT 影像匹配特徵點如表 8 分布，
並由人工進行檢視刪選(Mis-Matches)並加以計算 其誤差量(RMSE)後結果如表 9 至表 12，Reference 為參考基準各波段經計算後產生的特徵點數目；
Image 為測試區影像計算後的特徵點數目；Matches 為匹配成功特徵點數目；Error 欄位顯示匹配錯誤 個數，RMSE_1 為扣除明顯匹配錯誤點位後整體 RMSE 值 ，Res>0.5 表示 匹配 位置正 確但 殘差
(residual)>0.5 pixel 個數，RMSE_2 為說明扣除殘 差(residual)>0.5 pixel 匹配點位後整體 RMSE 值。
以影像特徵點萃取量而言，參考基準中以 Band4( 近 紅 外 光 波 段 ) 特 徵 點 量 最 多 ， 其 次 為 Band1(紅光波段)，Band2(藍光波段)最少；以各測 試 區 萃 取 特 徵 點 數 量 而 言 ， 則 以 Site1>Site4>Site2>Site3，尤其 Site1 多達 878 特徵 點，檢視特徵點位多與聚落(建物)有關。
各測試區中皆以Band2(綠光波段)最不容易找 到匹配特徵點；Site1 對參考基準影像 Band1(紅光 波段)匹配較易成功，可獲得最多成功配對特徵點 位且整體RMSE 值也最低， Site2、Site3 及 Site4 則對Band3(藍光波段)反應較佳、可獲最多匹配成 功特徵點位。以扣除匹配錯誤整體 RMSE 成果視 之，除Site3 與參考基準 Band1(RMSE=0.88)及 Site4 與參考基準Band4(RMSE=1.38)外其餘皆小於或等 於0.5 pixel，若一殘差大於 0.5 pixel 匹配特徵點，
RMSE 更可降低至 0.20~0.29 pixel，相較於人工選 取控制點可更精確且快速。將各測試區以正確匹配 特徵點作為影像控制點進行影像幾何糾正成果套 疊如圖9。
Sit
Sit
Sit
Sit
表7 各
te1
te3
表8 各
te1
te3
各site 人工 GC
各site 匹配點
CP 分布
Si
Si 位分布
Si
Si te2
te4
ite2
ite4
Ba Ba Ba Ba
Ba Ba Ba Ba
張
Refe and1 14 and2 6 and3 11 and4 15
Refe and1 14 and2 6 and3 11 and4 15
張國楨、陳俊愷
erence Ima 417 87 674 87 182 87 597 87
erence Imag 417 93 674 93 183 93 507 93
愷：影像特徵點
圖9 幾何 表9 Site1 ge Match 8 157 8 49 8 106 8 96
表10 Site ge Matche 3 27 3 16 3 33 3 31
點萃取與匹配應
糾正套疊參考 1 匹配結果與 hes Mis-Ma
5 3 2 1
e2 匹配結果與 es Mis-Ma 10 5 12 13
應用於福衛二號
考影像成果 與其誤差量
atches RM 0 0 0 0
與其誤差量 atches RMS
0 0
0
2 0
3 0
號影像幾何糾正
SE_1 Res .29 1 .38
.34 1 .28
SE_1 Res>
.29 .21 .22 .36
正
s>0.5 RM 12 0.
6 0.
14 0.
7 0.
>0.5 RMS 1 0.
0 0.
0 0.
1 0.
311
SE_2 .22 .22 .25 .23
SE_2 .26 .21 .22 .24
表11 Site3 匹配結果與其誤差量
Reference Image Matches Mis-Matches RMSE_1 Res>0.5 RMSE_2
Band1 1417 87 18 3 0.88 6 0.24
Band2 674 87 11 0 0.49 3 0.28
Band3 1183 87 21 3 0.45 4 0.28
Band4 1507 87 18 5 0.51 2 0.20
表12 Site4 匹配結果與其誤差量
Reference Image Matches Mis-Matches RMSE_1 Res>0.5 RMSE_2
Band1 1417 96 21 2 0.50 4 0.22
Band2 674 96 13 3 0.39 1 0.29
Band3 1183 96 23 3 0.86 1 0.26
Band4 1507 96 19 3 1.38 3 0.24
(單位:pixel)
6. 結論與建議
本文探討如何改進影像匹配演算法來提升遙 測影像對位的效能。遙測影像具有全面性、即時性 及週期性蒐集資訊之優點，可迅速提供大範圍環境 調查資料。大量影像資料在進行套疊使用、研究分 析前，必須經繁瑣且精確影像處理，才能提供後續 影像分類、影像判釋、災情監控、或與空間資訊相 互套疊等應用。現有影像匹配原始演算法，大多並 非針對遙測影像，其參數，需加調整、修改。而商 用軟體中影像匹配方法因涉及商業機密考量也多 為黑盒子(Blackbox)處理，對於多元化且不斷有新 感測器獲取影像而言，無法滿足多數使用者所需。
為有效掌握影像匹配技術，且利於模式運算獲得較 佳匹配情形，必須針對影像門檻值、尺度進行分析 比較，求得遙測影像適用區域及適用參數。
經文獻回顧與實驗分析後，對於未給訂初始參 數、大量作業化流程與盡量減少人工投入情形下，
特徵匹配較區域匹配適合於灰度值變化大、成像因 素不確定高之遙測影像使用。在眾多影像特徵匹配 方法中，以近期數位影像處理領域中廣泛討論與應 用的SIFT 具有相對優勢。SIFT 為一種針對數位影 像發展出來的影像特徵點萃取方法，其優點是所萃
取的特徵不易受到影像旋轉、縮放和灰度值差異而 有所變化，且具有良好特徵點選取與匹配成效，其 結果較為穩定且可消除影像處理中不確定性。但原 始演算法並非針對遙測影像所發展，無法直接應用 於遙測影像處理之影像對位與幾何糾正。本研究針 對遙測影像的特性提出改善之方法，包括增加原始 演算法之運算量、針對衛星影像進行參數調整等，
並以福衛二號影像不同區域之多時序影像進行多 解析影像匹配為實驗對象，探討修改後SIFT 於遙 測衛星影像適用性。研究成果應用於高解析度之福 衛二號衛星影像時，可以快速萃取特徵點並得到有 效影像匹配，並優化原始影像匹配正確率，由 6 至7 成提高至 9 成，可大幅減少錯誤匹配檢核時間。
以匹配結果做為影像對位與幾何糾正之控制點選 取來源，且其精度皆優於預期目標0.5 pixel。藉此 方法可改善過去以人工選取控制點費時、不穩定情 形，除提升影像幾何精度外，也大幅縮短原有影像 處理所需時間。
1. 以相同商業遙測影像處理軟體進行不同匹配 方式比較，得到結果為特徵匹配較區域匹配 適合應用於遙測影像資料處理。在未給予任 何 初 始 值 情 況 下 ， 在 原 始 影 像 中 需 將 Searching Windows Size 放大才可能獲得正確
張國楨、陳俊愷：影像特徵點萃取與匹配應用於福衛二號影像幾何糾正 313 匹配，且所需時間就隨之增加。Searching
Windows Size 必須至少大於兩影像像差，否 則會以影像切幅(tiles)方式於其中找尋相似 點位，易形成高精度但不正確的系統性誤差。
若有給予初始參數值，如Level 2 影像或人工 選 定 3 個以上控制點，則不需給訂較大 Searching Windows Size 亦可獲得較正確匹配 結果。另外區域匹配無法適用於不同尺度影 像進行匹配，與前人研究結果一致。雖然特 徵匹配在未給予任何初始參數下仍可有正確 匹配位置且有較高精確度，但多光譜影像中 受限於不同波段間所計算出feature 不盡相同，
各波段匹配結果也略有差異。研究獲得結果 顯示福衛二號影像以 Band 1(紅光波段)所能 提供匹配結果為最佳，具有足夠特徵點並分 布較均勻。
2. 在未給訂初始參數、大量作業化流程與減少 人工投入下，特徵匹配較區域匹配適合於灰 度值變化大、成像因素不確定性高之遙測影 像使用。
3. 原始 SIFT 演算法及其參數並非針對遙測影 像，經修改演算法後增加對遙測影像計算能 力外，加以分析比較後獲得在相似尺度比例 下，可調整、修改相關參數值，以於模式運 算並獲得較佳匹配情形。針對影像門檻值、
尺度進行分析比較，求得遙測影像適用區域 及適用參數。本研究修改後SIFT 演算法以相 同影像進行測試所得結果顯示，可得到優於 一般商業軟體中特徵匹配演算法的結果。
4. 本研究經修改 SIFT 應用於福衛二號衛星影 像可以快速萃取特徵點並得到有效影像匹配，
以其做為影像對位或影像糾正之控制點來源 可得到優於0.5 pixel 的理論精度。以不同影 像測試區對於不同波段匹配結果，說明福衛 二號像匹配時可建議採 Band1(紅光波段)或 Band3(藍光波段)進行可獲得較佳匹配結果。
以匹配成果進行影像幾何糾正可較人工選取 影像控制點更精確，整體 RMSE 可優於 0.3 pixel。
後續可針對於其他高解析光學遙測衛星影像 進行特徵點選取及匹配，分析於其他不同衛星影像 適用性或參數設計，將有助於減少影像處理所需時 間及技術門檻。另可對固定明顯地標物進行多角度、
多時序、多平台影像特徵點萃取與匹配比較，評估 以特定地標建立其影像特徵資料庫，做為廣範圍、
多時序、多平台影像匹配使用。
未來可將研究成果發展為衛星影像處理軟體 模組(或應用軟體)，甚至整合至系統中，將不僅提 高影像教正的精確度，更可有效減化處理作業流程、
縮短作業時間。
參考文獻
王科植及王傑智，2005。 “結合 Adaboost 與 SIFT 特徵之手勢辨識系統”, 台灣大學資訊網路與 多媒體研究所碩士論文。
吳俊霖及陳彥良，2007。“一個不同曝光時間影像 序列之強健特徵導向影像定位法,” ,資訊科 學應用期刊,第 3 卷,第 1 期。
黃漢哲，2009。”SIFT 演算法應用於航測影像拼接 之研究”, 中山大學海洋環境及工程學系研究 所論文。
謝凡及秦世引，2008。”基于 SIFT 的單目移動機器 人 寬 基 線 立 體 匹 配 ”, 儀 器 儀 表 學 報,2008,29(11)。
Akira Sugay, Keita Fukudayy, Tetsuya Takiguchiyyy, and Yasuo Ariki, 2008. “Object Recognition and Segmentation Using SIFT and Graph Cuts”, 19th International Conference on Pattern Recognition (ICPR 2008).
Arash Mokhber, Catherine Achard, and Maurice Milgram, 2008. “Recognition of human behavior by space-time silhouette characterization”, Pattern Recognition Letters, vol.29, pp.81–89.
Chenglu Wen, Daniel E. Guyer and Wei Li, 2009.
“Local feature-based identification and classification for orchard insects”, Biosystems engineering, vol.104, pp.299–307.
Christoffer Valgren & Achim J. Lilienthal, 2010. ” SIFT, SURF & seasons: Appearance-based long-term localization in outdoor environments”, Robotics and Autonomous Systems, vol.58, pp.149-156.
Lindeberg, T., 1994. ” Scale-space theory: A basic tool for analysing structures at different scales.”
Journal of Applied Statistics, 21(2):224-270.
Lowe, D. G., 1991. ”Fitting parameterized three-dimensional models to images”, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol.13, pp.441-450.
Lowe, D. G., 1999. "Object recognition from local scale-invariant features". Proceedings of the International Conference on Computer Vision 2:
pp.1150–1157.
Lowe, D. G., 2004. Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision, 60(2) : 91-110.
Mikolajczyk K. & Schmid C., 2002. “An affine invariant interest point detector,” In European Conference on Computer Vision, pp. 128-142.
Rong Hu, Rongjie Shi, I-fan Shen and Wenbin Chen, 2007. “Video Stabilization Using Scale-Invariant Features”, 11th International Conference Information Visualization
Stephen Se, David Lowe, and Jim Little, 2001,
“Vision-based Mobile Robot Localization And Mapping using Scale-Invariant Features”, In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), pp. 2051--2058
Tsz-Wai Rachel Lo & J. Paul Siebert, 2009.” Local feature extraction and matching on range images:
2.5D SIFT”, Computer Vision and Image Understanding , vol.113 ,pp. 1235–1250.
Witkin,A. P., 1983. “Scale-space filtering”, in Proceedings of IJCAI, Karlsruhe, pp. 1019-1021.
Journal of Photogrammetry and Remote Sensing Volume 16, No.4, January 2013 315
1 Associate Professor, Department of Geography, National Taiwan Normal University Received Date: Jan. 09, 2012 2 Associate Researcher, Disaster Prevention Technology Research Center Revised Date: Jun. 13, 2012 2 Sinotech Engineering Consultants, INC. Accepted Date: Jan. 18, 2013
*.Corresponding Author, Phone: 886-2-77341672, E-mail: [email protected]