高解析度衛星影像分類應用於國土利用調查之研究
83
0
0
全文
(2) 高解析度衛星影像分類應用於國土利用調查之研究. 學. 生：鄭雅文. 指導教授：史天元. 國立交通大學土木工程學系. 摘要 本研究採三幅不同土地覆蓋複雜度 SPOT 5 衛星融合影像作為實驗區，除了 針對不同分類演算法進行成果比較外，並分析加入紋理統計量之前後成果，以及 加入空間相關性之不同分類模式，探討影像的高空間解析度對於影像土地覆蓋分 類精度是否具有提升效益。 實驗成果以誤差矩陣作展示及精度評估。研究成果顯示，在不同分類演算法 之分類成果，得出物件導向分類方法於土地覆蓋複雜之分類成果為佳，且所分類 之類別區域較為合理，少有歸屬為其他類別的零碎像元參雜其中。支持向量機在 三個實驗區的分類成果非為最佳，主要是因為支持向量機在求取最佳參數組合 時，因土地覆蓋類型過於複雜，故無法模擬出最適超平面以區分類別，而使其分 類成果較倒傳遞神經網路不佳。 在加入空間相關性之分類成果，顯示不同紋理統計量於同一類別上的貢獻和 取樣視窗尺寸十分相關，若取樣視窗過大，則紋理統計量所得成果，差異並不大， 但對於紋理特徵相異之類別，紋理統計量的加入帶來的效益便有明顯區分。而 且，紋理影像的加入對提升精度效果有限，某些紋理影像加入，甚至降低分類精 度，故紋理特徵的選用及其參數的設定必須詳加考量。且加入 PCA 與加入 Rough Set 之分類模式不但具有顯著差異，而且透過 Rough Set 所萃取紋理之線性組合， 相較於主成份分析法之萃取，較能有效提昇分類精度。. I.
(3) The Application of Image Classification with High Spatial Resolution Satellite Imagery for National Land-Use Inventory. Student：Ya-Wen Cheng. Advisor：Tian-Yuan Shih. Department of Civil Engineering National Chiao Tung University. Abstract Three scenes of SPOT-5 high resolution imagery produced with image fusion are utilized for experiments in this study.. Several classification schemes based on. different methodology are comparatively studied for Land Cover and Land Use applications. The effectiveness of including texture measures in the classification is also analyzed. The experiments are assessed with error matrices and also accuracy indices. It is shown that the classification schemes based on object, which takes the spatial homogeneity into consideration, performs better.. Not only the classification. accuracy is better, but also less scattered errors are found.. Contradicting with earlier. studies, Support Vector Machines (SVM) was not found to be better than neural network. This may result from the high complexity of the images under study. In some cases, SVM failed to produce the best hyper plane. Regarding the effectiveness of textures based on GLCM, the sample window size is found to be very critical. window size.. Different land cover types are best suited with different. In the experiments conducted, introducing texture does not always. improve the classification accuracy. The PCA and the method based on Rough Set II.
(4) are compared for the two stages schemes, which utilize a feature selection scheme before the classification. It is found that Rough Set performs better than PCA.. III.
(5) 致. 謝. 「半生閑隱今終止，一步江湖無盡期。」可說是我此刻心情的最佳寫照，研 究所畢業，對我而言，代表著單純學生生活的結束，職涯戰場的開始，因此，論 文的完成，可以視為自己人生裡一個重要的里程埤，也可視為另一段人生旅途的 起始。在就讀研究所期間，雖有幾許波折，但因受到許許多多人的幫助、支持， 而安然無恙的渡過，順利地劃下句點，因為你們，才有今日的我。 誠摯感謝史天元教授兩年來的悉心教導，感謝黃灝雄教授、雷祖強教授及陳 繼藩教授對論文的不吝指教，感謝蕭國鑫學長、劉進金學長與徐偉成學長在研究 期間給予的協助和意見，感謝好友嫈如、彩年、阿美、俊毅、玉芳、啟訓、嘉澍、 JACO、熱狗的相互勉勵，昌哥、心瑜和學弟妹歷韋、俊宜、逸晴、小光等的加油 打氣，以及室友子玲的援助和相陪，讓我兩年的交大生活充滿了溫馨喜悅，縱有 千言萬語，仍難以表達我此刻心中的感激之情。 最後，深深感謝我摯愛的家人，謝謝你們多年來無私的包容與奉獻，造就了 今日的我。. IV.
(6) 目. 錄. 中文摘要 ...........................................................................................................I 英文摘要 ..........................................................................................................II 致. 謝 ............................................................................................................ IV. 目. 錄 ............................................................................................................. V. 圖目錄 ........................................................................................................... VII 表目錄 ............................................................................................................ IX 第一章 前言 .....................................................................................................1 1-1 1-2 1-3 1-4. 研究動機與目的..................................................................................1 文獻回顧 ............................................................................................2 研究方法 ............................................................................................3 論文架構 ............................................................................................4. 第二章 影像分類理論.......................................................................................5 2-1 波譜型態分類法...................................................................................5 2-1-1 高斯最大似然法 .......................................................................6 2-1-2 倒傳遞類神經網路....................................................................7 2-1-3 支持向量機 ............................................................................ 11 2-2 結合空間資訊分類法 ........................................................................15 2-2-1 紋理特徵 .................................................................................15 2-2-2 ECHO.....................................................................................16 2-2-3 Definiens Professional............................................................18 第三章 實驗與分析 ........................................................................................23 3-1 影像及檢核資料................................................................................23 3-1-1 實驗區影像資料 .....................................................................23 3-1-2 訓練樣本 ................................................................................28 3-1-3 國土調查計劃 .........................................................................28 3-2 影像自動判釋於國土利用調查 ..........................................................30 3-2-1 不同分類理論之分類成果 ........................................................30 3-2-2 加入紋理影像之分類成果 ........................................................35 3-2-3 原始影像光譜檢核..................................................................52 V.
(7) 3-3 大幅影像之軟體執行效能 .................................................................58 第四章 結論與建議 ........................................................................................59 參考文獻 ........................................................................................................61 附錄A 各實驗區不同分類方法之誤差矩陣....................................................64 附錄B 研究軟體 ...........................................................................................72. VI.
(8) 圖目錄. 圖 2-1 影像分類理論結構圖 .............................................................................5 圖 2-2 不同地物之三維特徵空間表示圖（Lillesand & Kiefer，1994）..............7 圖 2-3 不同地物之二維特徵空間表示圖（Lillesand & Kiefer，1994）.............7 圖 2-4 倒傳遞類神經網路基本架構 ...................................................................8 圖 2-5 倒傳遞類神經網路演算流程圖 .............................................................10 圖 2-6 本研究倒傳遞神經網路之架構 ............................................................. 11 圖 2-7 選用二層隱藏層之示意圖（陳承昌，2006）....................................... 11 圖 2-8 線性可分及線性不可分示意圖（陳承昌，2006）................................13 圖 2-9 DAG method 處理 5 種類別時之二元且無循環的有向圖(陳承昌，2006) .......................................................................................................................14 圖 2-10 影像分割異質性指標計算流程圖（莊雲翰，2002） ..........................20 圖 2-11 Nearest Neighbor原理示意圖.............................................................21 圖 2-12 歸屬函數示意圖 ................................................................................21 圖 2-13 Definiens Professional分類流程圖.....................................................22 圖 3-1 久美、霧社及瑪谷溪實驗區第二級土地分類圖 ....................................24 圖 3-2 久美實驗區地理位置及衛星影像 ..........................................................25 圖 3-3 霧社實驗區地理位置及衛星影像 ..........................................................26 圖 3-4 瑪谷溪實驗區地理位置及衛星影像.......................................................26 圖 3-5 各實驗區檢核影像................................................................................27 圖 3-6 國土調查計劃作業流程........................................................................29 圖 3-7 不同分類理論於久美實驗區之分類成果 ...............................................31 圖 3-8 不同分類理論於霧社實驗區之分類成果 ...............................................32 圖 3-9 不同分類理論於瑪谷溪實驗區之分類成果 ............................................33 VII.
(9) 圖 3-10 加入紋理影像之分類流程 ...................................................................37 圖 3-11 久美實驗區加入取樣視窗為 17x17 計算之紋理於不同類別之分類精度 .......................................................................................................................38 圖 3-12 霧社實驗區加入取樣視窗為 17x17 計算之紋理於不同類別之分類精度 .......................................................................................................................39 圖 3-13 瑪谷溪實驗區加入取樣視窗為 17x17 計算之紋理於不同類別之分類精度 .......................................................................................................................40 圖 3-14 久美實驗區加入取樣視窗為 3x3 計算之紋理於不同類別之分類精度 .41 圖 3-15 霧社實驗區加入取樣視窗為 3x3 計算之紋理於不同類別之分類精度 .42 圖 3-16. 久美實驗區以全幅影像訓練樣本之分類成果....................................52. 圖 3-17. 霧社實驗區以全幅影像訓練樣本之分類成果....................................52. 圖 3-18. 久美實驗區分類結果與檢核資料之比對成果圖 ................................54. 圖 3-19. 霧社實驗區分類結果與檢核資料之比對成果圖 ................................54. VIII.
(10) 表目錄. 表 3-1 不同實驗區之訓練樣本統計資訊 .........................................................28 表 3-2 不同分類理論於久美實驗區之分類成果...............................................31 表 3-3 不同分類理論於霧社實驗區之分類成果...............................................32 表 3-4 不同分類理論於瑪谷溪實驗區之分類成果 ...........................................33 表 3-5 各分類理論之Z-test.............................................................................34 表 3-6 不同取樣視窗大小於不同實驗區分類之整體精度 ................................43 表 3-7 各實驗區之主軸資訊（取樣視窗為 17x17）........................................45 表 3-8 各實驗區之主軸資訊（取樣視窗為 3x3）............................................45 表 3-9 原始波段加入PCA及Rough Set萃取影像之分類成果（取樣視窗為 17x17） .........................................................................................................47 表 3-10 原始波段加入PCA及Rough Set萃取影像之分類成果（取樣視窗為 3x3） .......................................................................................................................48 表 3-11 各實驗區加入PCA與加入Rough Set前後之Z-test（取樣視窗 17x17） .......................................................................................................................49 表 3-12 各實驗區加入PCA與加入Rough Set前後之Z-test（取樣視窗 3x3） .51 表 3-13 久美、霧社實驗區以全幅影像訓練樣本之分類精度...........................53 表 3-14 久美實驗區各類別光譜統計量 ...........................................................55 表 3-15 霧社實驗區各類別光譜統計量 ...........................................................55 表 3-16 久美實驗區各類別之分離度 ..............................................................56 表 3-17 霧社實驗區各類別之分離度 ..............................................................57 表 3-18 不同影像尺寸於不同分類演算法之執行效能 ......................................58 表A-1 高斯最大似然法於久美實驗區之分類結果..........................................64 表A-2 ECHO於久美實驗區之分類結果 ........................................................64 IX.
(11) 表A-3 SVM於久美實驗區之分類結果 ...........................................................64 表A-4 BP於久美實驗區之分類結果 ..............................................................65 表A-5 Definiens Professional於久美實驗區之分類結果 ...............................66 表A-6 高斯最大似然法於霧社實驗區之分類結果..........................................67 表A-7 ECHO於霧社實驗區之分類結果 ........................................................67 表A-8 SVM於霧社實驗區之分類結果 ...........................................................68 表A-9 BP於霧社實驗區之分類結果 ..............................................................68 表A-10 Definiens Professional於霧社實驗區之分類結果 .............................69 表A-11 高斯最大似然法於瑪谷溪實驗區之分類結果 ....................................69 表A-12 ECHO法於瑪谷溪實驗區之分類結果 ...............................................70 表A-13 SVM法於瑪谷溪實驗區之分類結果..................................................70 表A-14 BP法於瑪谷溪實驗區之分類結果.....................................................71 表A-15 Definiens Professional法於瑪谷溪實驗區之分類結果 ......................71. X.
(12) 第一章 前言 1-1 研究動機與目的 隨著社會經濟的發展，人口數的增加，如何使作永續且有效的土地利用，對 於地小人稠，高度開發的台灣而言，是十分重要的課題，為此，首先必須要瞭解 當前國土利用的現狀與問題，以進行未來規劃與監控的土地利用，作有效的土地 管理。而依目前發展最方便的方式便是採用航遙測技術，航遙測技術為運用儀 器，不需和目標物作直接接觸，便可獲取目標資料的技術，加上航遙測的影像解 析度日益提升，故可普遍執行土地利用調查作業，解決國土普查作業進度遲緩與 資料更新困難等問題。 土地覆蓋為地表自然及人為影像所形成的覆蓋物，如農地、林地、水體等。 而土地利用則是描述人類因經濟等目的，對土地的利用和管理，如水利用地、農 業用地等，因此，土地利用為自然、經濟等諸多因素下所形成，故高空間解析度 衛星影像無法對國土利用現況進行影像判釋，但仍可利用土地覆蓋類別所對應不 同土地利用型式來進行調查。 然而以往利用多光譜影像進行土地覆蓋分類，受限於影像空間解析度低，混 合像元情況十分嚴重，故未加以考量相鄰像元彼此間的相關性，大多採用頻譜方 式分類，影像空間相關性的加入，對於分類的成果而言，助益並不高，而今高解 析度多光譜影像的產生，能提供豐富的空間資訊，因此若能充份利用此優勢，應 可提昇分類成果的精度。 本研究採三幅不同土地覆蓋複雜度高空解析度衛星影像作為實驗區，除了針 對不同分類演算法進行成果比較外，並分析加入紋理統計量之前後成果，以加入 空間相關性之不同分類模式，探討影像的高空間解析度對於影像土地覆蓋分類精 度是否具有提升效益。. 1.
(13) 1-2 文獻回顧 利用航遙測影像來進行土地利用／土地覆蓋分類的研究，一直以來都是國內 外的研究重點所在，尤其近年來，衛星影像的解析度更是日益提升，在高解析度 影像中，具有意義的地物大多由非單一像元組成，相鄰像元間相關性高，因此許 多研究嘗試萃取影像特徵的方式，藉以得到影像的空間資訊，來提昇分類成果。 而萃取影像特徵的方法包含紋理影像、影像分割等，紋理為影像中像元灰階值變 化的頻率（林榮章，1999），影像分割則為基於影像像元特性上的相似性，將像 元與其鄰近相似像元群組化成一共軛區塊，即將影像中具有高相關性的相鄰像元 合併成一個區塊，形成影像區塊圖。而國內外對萃取影像特徵對影像分類之助益 研究有： Huang et al.（2007）採用一些新的統計量來萃取紋理特徵，包含 length、 width、weighted mean、PSI、length-width ratio 及 standard deviation ，這些統計 量統稱為 SFS（Structural Feature Set） ，為 LWEA 及 PSI 的改良，研究成果 SFS 相較於 GLCM、LWEA、PSI 而言精度為佳，且於不同分類方法：高斯最大似 然法（Gaussian Maximum Likelihood Classifier）、倒傳遞神經網路（Error Back-propagation Network）及支持向量機（Support Vector Machine），SFS 的加 入皆有相當助益。 李瑞陽、莊佳文（2006）採用 QuickBird 衛星影像，利用影像分割方式進行 土地利用類別的判釋，採用區域合併（region-merging）方法進行影像分割，透 過灰階值的異質性指標和標準化法、適合度法兩種門檻值公式決定區塊合併與 否，得到完整的影像區塊圖後，便進行影像分類。而洪蜜琪（2007）則是利用高 斯最大似然法進行影像分類，並計求影像的多重影像梯度，以進行分水嶺影像分 割計算，利用所求得的分割區塊修正分類結果，因而解決誤判的孤立點，提高混 合像元的判釋率。實證後，皆可得出影像分割技術對於衛星影像判釋的確有正面 助益。. 2.
(14) 分類演算法除了利用統計分析方式進行影像分類，目前以影像區塊為基礎的 物件導向分類演算法，是現今研究的一大方向，其演算法主要優點在於影像區塊 可以提供形狀因子，如區塊周長、面積等，相較於單一像元僅能提供光譜上的資 訊，更有利於地物的辨識與分類，同時，利用區塊整體的形狀來幫助識別地物， 也較接近人類辨識的過程（莊雲翰，2002） 。Kressler et al.（2003）便是單純利用 衛星影像的高空間解析度來進行判釋，採用物件導向方法，僅對相同區域的 KOMPSAT-1 和 SPOT-5 的全色態衛星影像，進行土地覆蓋類別的判釋並進行比 較，而所得到之成果皆有 86%以上的精度，但在農地和林地之間存有相當大的誤 判，主要原因在於農林地之全色態光譜資訊難以區分，但由此可得利用區塊整體 的形狀來幫助識別地物足以得到不錯的成果。 而與逐像元分類法比較，Oruc et al. （2004）採用 LANDSAT-7 ETM 影像， 針對逐像元分類和物件導向分類進行比較分析，在逐像元分類上，先以 ISODATA 作群聚分析後，再進行 parallelepiped、minimum-distance 及 maximum-likelihood 分類，所得成果與物件導向分類方法作比較，顯示物件導向分類成果精度優於逐 像元分類成果。. 1-3 研究方法 本研究主要針對波譜型式分類與結合空間相關性分類方法進行成果比對，波 譜型式分類所採用高斯最大似然法、倒傳遞神經網路及支持向量機，而結合空間 相關性，除了加入紋理資訊進行分類外，還利用物件導向分類法作為主要分類理 論，以驗證空間資訊的加入於土地覆蓋分類上，優於單用波譜資訊進行分類之成 果。 在遙測影像方面，本研究採用三幅不同土地覆蓋複雜度高空解析度衛星影像 作為實驗區，衛星影像採用 SPOT 5 融合影像，地理位置皆位於南投地區，以工 研院能環所於國土利用調查成果作為本研究之檢核資料，除了針對不同分類演算 法加入空間相關性前後成果進行分析比較外，也加以探討紋理影像的加入是否能 3.
(15) 有效提昇不同分類演算法之分類精度，並以 Z-Test 方法檢定各分類模式是否具有 顯著差異。 各分類實驗成果以誤差矩陣作展示，並計算各精度評估指標，包括使用者精 度、生產者精度、整體精度及 Kappa 指標。透過上述精度評估，作為探討各分 類方法優劣主要依據。. 1-4 論文架構 論文架構共分為四章，說明如下： 第一章「前言」：說明本研究動機與目的，並回顧國內外相關研究之文獻及 本研究流程與方法。 第二章「影像分類理論」：針對目前影像分類理論分為兩大類：波譜型態及 結合空間相關性分類進行介紹。 第三章「實驗與分析」：描述本研究所採用之影像資料，並對實驗流程與成 果分析作說明。 第四章「結論與建議」：對於研究成果歸納總結，並列出建議事項。. 4.
(16) 第二章 影像分類理論 隨著遙測影像來源日趨多樣化，且具空間解析度也改進甚多，所衍生的影像 分類方法也日益增多，但大體而言，可歸納為兩大類，如圖 2-1 所示，一類是單 純利用影像所包含的光譜資訊作分類，另一類則是結合光譜和空間資訊來進行分 類。本章將說明不同影像分類之理論原理。. 影像分類法. 波譜. 非監督式分類 － K-means － ISODATA － Fuzzy C-means. 波譜及空間相關性. 監督式分類 － － － －. 高斯最大似然法 歸納決策樹 倒傳遞神經網路 支持向量機. 紋理特徵. 物件導向. － 統計式 － 結構式 － 頻譜式. －ECHO －Definiens professional. 圖 2-1 影像分類理論結構圖. 2-1 波譜型態分類法 單純以光譜資訊作分類的方法，可再簡分為兩大類，一是非監督式，另一個 則是監督式分類。非監督式分類（Unsupervised Classification） ，為人為設定欲分 類的類別數、迭代次數等參數，由系統自動給定各類別光譜中心的初始值，經不 斷反覆迭代修正，直到達成收歛或超過所設最大迭代次數，得到最終分類成果， 演算法包括包含 K-means、ISODATA、Fuzzy C-means 等。 有別於非監督式分類，監督式分類（Supervised Classification）主要為人工. 5.
(17) 介入選取訓練樣本區，依所選取訓練樣本區內的光譜資訊作為影像自動判釋之依 據，對整幅影像進行分類，為本研究主要分類方法。 目前監督式分類除了利用統計分析方法進行分類，像是 Nearest-Neighbor、 Parallelepiped Classification 及高斯最大似然法（Gaussian Maximum Likelihood Classifier）等外，人工智慧（AI）加入，也成為遙測影像分類的主要研究方向， 而人工智慧分類方法包含決策樹、類神經網路等，因此，本節有關監督式分類主 要針對高斯最大似然法、歸納決策樹、倒傳遞神經網路及支持向量機的分類理論 作介紹。 2-1-1 高斯最大似然法 高斯最大似然法（Gaussian Maximum Likelihood Classifier）是假設選取的各 訓練樣本區之像元值在光譜空間是屬於常態分佈（Normally Distribution） ，因此， 各類別波譜反應類型與每一種類別的波譜均值及協變方矩陣(Covariance Matrix) 為相關，在此前提下，利用均值及協變方矩陣，便可計算每一像元為特定分類的 統計機率，以最大機率當作判斷類別歸屬的標準。 此方法除了考慮訓練區之中值外，同時亦考慮訓練樣本區內光譜的變異量及 協變方，但主要的缺點為在分類每個像元時，計算量大。若將此機率值繪於三維 的特徵空間上，縱軸表一個像元屬於一種地物分類的機率密度函數，兩水平軸則 分別表示兩波段之灰階值，以最大機率當作判斷類別的標準。如圖 2-2 所呈現數 個鐘形分佈，分別表示都市（Urban） 、沙地（Sand） 、穀物（Corn） 、乾草（Hay）、 森林（Forest）與水體（Water）六種土地覆蓋類別之機率密度函數值。. 6.
(18) 圖 2-2 不同地物之三維特徵空間表示圖（Lillesand & Kiefer，1994） 若於二維特徵空間中描述，呈現出橢圓狀的等機率線，如圖 2-3 所示，等機 率線的形狀可以表示協變方之情形。以點位 1 為例，其在穀物類別的機率較其他 類別高，故被歸屬為穀物類別。. 圖 2-3 不同地物之二維特徵空間表示圖（Lillesand & Kiefer，1994） 2-1-2 倒傳遞類神經網路 倒傳遞類神經網路（Error Back-propagation Network，BP） ，由 Rumelhart 等 人於 1986 年提出，是頗具代表性的類神經網路模式，屬於監督式的學習網路， 基本原理是以最陡坡降法（Gradient Steepest Descent Method）來調整神經元間之 加權值，使誤差函數 E 達到最小。 7.
(19) min. 1 P K (d pk − o pk )2 E= ∑∑ 2 P p =1 k =1. (2-1). ，opk 為計算而得的輸出值（Computed dpk 為已知期望輸出值（Desired Output） Output），P 為訓練樣本數，K 為輸出結點數。 Input Layer. Output Layer. Hidden Layer. dk ok. …... …... …... …... δj. δk. 圖 2-4 倒傳遞類神經網路基本架構 倒傳遞類神經網路基本架構，如圖 2-4 所示，包含輸入層、隱藏層及輸出層。 演算法基本上包含三個階段：向前饋入（Feedforward）、誤差倒傳遞（Error back-propagation）及修正權值（Update the weights），整體流程如圖 2-5 所示。 I. 向前饋入（Feedforward） 每個神經元可接收所連結的輸入訊號，並經轉置函數（Transform Function） f 和閥值 θ 計算，輸出其反應值。以第 n 層之神經元 j 的輸出值 o nj 為例，其為第 n-1 層之所有神經元輸出值經轉換函數計算後所得之值： net nj = ∑ W ji oin −1 − θ j i. o nj = f (net nj ). (2-2) (2-3). 上式中，Wij 為第 n 層神經元 j 與第 n-1 層神經元 i 間的連結加權值；θj 為第 n 層神經元 j 的閥值。 8.
(20) II. 誤差倒傳遞（Error back-propagation） 當（dpk - opk）2 未達最小時，便修正網路權值 W，先修正輸出層和隱藏層間 的權值，再修正隱藏層間的權值，最後修正輸入層和隱藏層間的權值，也因此故， 此類神經網路模式方稱之為倒傳遞類神經網路。其修正量的計算為下： (1) 輸出層和隱藏層間的權值修正量 ΔW ΔWkj = ηδ k o j. δk = −. ∂E = (d k − ok )o k (1 − o k ) ∂net k. (2-4). (2) 隱藏層間或輸入層和隱藏層間的權值修正量 ΔW ΔW ji = ηδ j oi. δj =−. K ∂E = o k (1 − ok )∑ δ k Wkj ∂net j k =1. (2-5). III. 修正權值（Update the weights） 修正方式如下所示： Wkj (t + 1) = Wkj (t ) + ΔWkj (t ) + αΔWkj (t − 1) ⇒ Wkj (t + 1) = Wkj (t ) + ηδ k o j + αΔWkj (t − 1). (2-6). 其中 η 為學習因子（Learning Ratio），α 為動量因子（Momentum ratio），t 為迭代次數。. 9.
(21) 隨機初始化權值 W0. 向前饋入. 計算系統誤差 E Yes E<ε No 誤差倒傳遞. 修正權值 Wi=W(i-1)+△W 圖 2-5 倒傳遞類神經網路演算流程圖 倒傳遞類神經網路的主要缺點在於不具對其網路權重進行解釋的能力，且在 訓練網路時會耗費相當長的時間，學習因子 η 可能會造成非系統的收斂。基本的 倒傳遞神經網路是採用最陡坡降法調整權值，雖然是以負梯度方向來進行調整， 但未必達到最快的收斂，而共軛梯度法則是沿共軛方向搜尋，相較於最陡坡降法 而言，能產生較快的收斂，本研究採用比例共軛梯度法，其由 Moller 所發展， 由於共軛梯度法在每一次疊代上都需要一個線搜尋，但線搜尋十分耗時，而比例 共軛梯度法可避免耗時的線搜尋，在函數逼近問題上，與近以二階訓練的 Levenberg-Marquardt 一樣快，且具有適度的記憶體需求（羅華強，2001），故本 研究採此法來調整權值。 另外，本研究中的倒傳遞類神經網路模式採用兩層隱藏層，如圖 2-6，其意 義為以圖 2-7 作說明。圖 2-7（1）找出兩個類別之分類界線；圖 2-7（2）透過第 10.
(22) 一個隱藏層，網路學習權重可找出線性的類別界線；圖 2-7（3）經第二個隱藏層， 相關的線性類別界線經由一次合併，成為封閉的矩形區塊；圖 2-7（4）最後至輸 出層，則各矩形區塊再一次合併，得到適當的分類界線（陳承昌，2006）。. 圖 2-6 本研究倒傳遞神經網路之架構. 圖 2-7 選用二層隱藏層之示意圖（陳承昌，2006） 2-1-3 支持向量機 支持向量機（Support Vector Machine，SVM）為貝爾實驗室 Vapnik 博士於 1990 年以統計學習理論為基礎，所建構出的機器學習系統，目的是產生一個可 預估出測試例之屬性值的模型，其主要原理是在於特徵空間中尋求具最大邊界的 超平面以區分二元類別。依訓練樣本在空間中的分佈，支持向量機不但可以處理 線性可分問題外，亦可處理非線性問題，其中，線性可分問題又可分為線性可分 或線性不可分兩種情況，以下將針對線性、非線性及多類支持向量機作說明（陳 承昌，2006）。 （一）. 11.
(23) I. 線性支持向量機 線性支持向量機又可分為線性可分或線性不可分之情況。在線性可分的情況 下，如圖 2-8（1） ，假設存在訓練樣本 (xi , y i )，i = 1, 2, . . . , l，xi ∈ R n， yi ∈ {− 1,+1}； 支 持 向 量 機 會 尋 求 一 個 具 最 大 邊 界 （ margin ） 的 區 分 超 平 面 （ separating hyperplane） (w ⋅ xi ) + b = 0 ，將標註為「-1」及「+1」的訓練樣本給完全分離。線 性可分主要為求解下式：. 1 (w ⋅ w ) 2. min Φ(w) =. (2-7). yi [( xi ⋅ w) + b] ≥ 1 、 i = 1, 2, . . . , l 。. subject to. 透過 Lagrangian 轉換，可將（2-7）式轉換為：. L(w, b,α ) =. l 1 (w ⋅ w) − ∑α i {[(x i ⋅w) + b]yi − 1} 2 i =1. (2-8). 上式 α i 為 Lagrange multipliers，且 α i ≥ 0 。 將（ 2-8 ）式對 w 及 b 作偏微，並將偏微所得代入（ 2-8 ）式後，考慮. Karush-Kuhn-Tucker 條件，可將其轉換為求解下式： max. l. W (α ) = ∑ α i − i =1. subject to. 1 l ∑α iα j yi y j (xi ⋅ x j ) 2 i, j. (2-9). αi ≥ 0 l. ∑α y i =1. i. i. =0. i = 1, 2, . . . , l 。. 透過（2-9）式的求解，可求得最後分類函數：. ⎛ f ( x) = sign⎜ ⎝. l. ∑ i =1. ⎞ yiα i (xi ⋅ x ) − b ⎟ ⎠. (2-10). 上式中， xi 為支持向量， α i 為相應 xi 之 Lagrange multipliers， b 為一常數門 檻值。當 f ( x) > 0 時，表示該樣本與標註為「+1」的樣本屬同一類別，反之則屬 另一類別 。 若為線性不可分的情況，如圖 2-8（2），（2-7）式可改寫成（2-11）式， l. 求解具最大邊界的區分超平面及使懲罰項（ C ∑ ξ i ）的值為最小： i =1. 12.
(24) Φ (w, ξ ) =. min. subject to. l 1 (w ⋅ w) + C ⎛⎜ ∑ ξ i ⎞⎟ 2 ⎝ i =1 ⎠. yi [(w ⋅ xi ) + b] ≥ 1 − ξ i. (2-11) i = 1, 2, . . . , l. ξi ≥ 0 上式 C 為懲罰參數（penalty parameter）、 ξ i 為沉滯變數（slack variable）。. (1) 線性可分. (2) 線性不可分. 圖 2-8 線性可分及線性不可分示意圖（陳承昌，2006）. II. 非線性支持向量機 若輸入的訓練樣本無法以線性支持向量機分離，則可透過映射函數 ϕ ，將原 本輸入的訓練樣本空間 R n 映射至高維度的特徵空間（feature space，Z），在 Z 中建構最佳區分超平面，以近似線性支持向量機方式完成分類。在滿足 Mercer 條件下，映射函數的點乘積可以適當的核函數作取代，得最終的分類函數為：. ⎡ f ( x) = sign ⎢ ⎣. l. ∑ i =1. ⎤ yiα i K ( xi , x ) − b⎥ ⎦. (2-12). 上式中， K ( xi , x) = ϕ ( xi ) ⋅ ϕ ( x) ，為滿足 Mercer 條件的核函數。 一般常見的三種核函數分別為：（1）多項式（polynomial kernel）， K ( xi , x) = ( xi ⋅ x + 1) ；（2）輻狀基底函數（radial basis functions kernel，RBF）， d. ⎛ − xi − x K ( xi , x) = exp⎜ ⎜ 2σ 2 ⎝. 2. ⎞ ⎟ ；（3）兩層式類神經網路（two-layer network）， ⎟ ⎠. K ( xi , x) = tanh (κxi ⋅ x − δ ) 。本研究將採輻狀基底函數作為本研究支持向量機影像 分類之核函數。. 13.
(25) （二）多類支持向量機 支持向量機的基本分類原理主要是以二元類別為主，若要將其延伸到多類別 的分類問題上，目前有以下幾種方法（陳承昌，2006；黃國矩，2006）：. 1. 一對多方法（one-versus-rest）：該方法是先把某一類別的樣本當作一種類別， 其餘類別的樣本當作另一種類別，若有 k 種類別，則會產生 k 個支持向量機， 並以具有最大分類函數值的支持向量機為欲分類樣本之所屬類別。. 2. 一對一方法（one-versus-one）：若有 k 種類別，則每兩種類別樣本皆會產生 一個支持向量機，故將產生 k(k-1)/2 個支持向量機，並以投票策略（voting. strategy）決定樣本之類別。 3. DAG method（Directed Acyclic Graph SVM）：此方法的支持向量機產生方式， 與一對一方法相同，同樣會產生 k(k-1)/2 個支持向量機。不同之處是此方法共. k(k-1)/2 個節點，分支為單向，每個節點有兩個或無分支，會建立一個二元且 無循環的有向圖，如圖 2-9，欲處理 5 種類別時，共有 10 個內部節點及 5 個 葉節點，每一個內部節點皆表示一個二元支持向量機，5 個葉節點則表示 5 種 類別。. 圖 2-9 DAG method 處理 5 種類別時之二元且無循環的有向圖(陳承昌，2006). 14.
(26) 2-2 結合空間資訊分類法 2-1 節所列的分類理論皆是單純以影像光譜資訊為主所作的分類，未考慮到 鄰近像元間的相關性，而加入空間相關性的分類方法有很多，本章主要介紹紋理 特徵萃取及物件導向分類法之理論。 2-2-1 紋理特徵 在影像中，不同波段之光譜輻射值、反射值，可描述不同地物。但同時，不 同地物之輻射值或反射值，在其鄰近區域之相關性，亦可用以區分不同之地物。 此一空間分佈相關之性質，可以紋理描述，紋理是以基元為基本的組成元素，基 元則是指具有某種屬性而彼此相連的單元的集合，屬性包括灰階、局部一致性 等，而空間關係包括基元的相鄰性、在一定角度範圍內的最近距離等。一般紋理 描述可分成三大類：即方向性紋理、週期性紋理與隨機性紋理。 而要讓電腦能夠運用影像的紋理資訊，則必須針對影像的紋理描述進行量 化，常見有三種主要的方法，統計分析方法（Statistical approaches） 、結構分析 方法（Structural approaches）和頻譜分析方法（Spectral approaches） （林榮章，. 1999），依其計算方式又可以被分為一階、二階及高階等。 （一）統計分析方法 統計分析方法著重於紋理特徵的抽取，強調整個紋理給觀察者的印象（林榮 章，1999），故其紋理主要描述影像灰階值空間分佈情形的統計特性，如影像灰 階值的平均值、直方圖或變異數等，常用的方法有共生矩陣（GLCM）、碎形維 度（Fractal Dimension）及半變異元法（Semi-variogram）等。 其中，共生矩陣(GLCM，Gray Level Co-Occurrence Matrix，也可稱為 grey. level dependency matrix)為 Haralick 於 1973 年所提出，共十四種紋理統計量，是 一種二階的統計方法，可以計求像元對的聯合機率分配的估計值，也就是像元對 的灰階值出現在特定相關位置的機率，而本研究以 GLCM 為主要紋理萃取方 式，而 GLCM 主要變量包含影像空間解析度、光譜波段、影像量化解析度、取 15.
(27) 樣視窗大小及取樣的距離及方向（Marceau et al, 1990）。 （二）結構分析方法 結構分析方法便是著重研究紋理基元及其空間關係，認為紋理是由一個或多 個基元呈現透過某一排列規則組合而成的，故結構分析方法係為描述影像紋理基 元的分佈規則，此方法需先了解萃取紋理的規則性，對影像解析度甚為敏感，加 上，自然環境之紋理多為隨機，故此法於自然環境紋理的萃取上有所限制。 （三）頻譜分析方法 頻譜分析方法則用以描述具方向性和週期性的紋理，常用的有傅利葉轉換 （Fourier Transform）和小波轉換（Wavelet Transform） 。傅利葉轉換描述影像時， 可從不同角度的頻譜峰值可以看出紋理的主要方向，而從峰值的位置則可顯示紋 理的週期性（何裕琨，2003）。小波轉換則允許在不同尺度下萃取不同的紋理特 徵，通過小波變換可將影像分解為不同的頻率域，計算頻率域的能量等作為紋理 描述。 2-2-2 ECHO. ECHO（Extraction and Classification of Homogeneous Object）是一種利用資 料特徵會呈現自然相鄰狀態的方法，為一種利用空間和光譜資訊的分類技術，和 逐像元進行分類的方法不同；逐像元進行分類方法是每個像元依其光譜特徵單獨 進行分類，而ECHO方法則是樣本空間內的每個像元是依和自己相似的鄰接像元 光譜特性進行分類。 假設影像為規則和不規則區域所組成，並都包含一個覆蓋類別，則影像中均 調區域便是物件。因此，基本的處理目標便是定出物件位置，之後進行分類。分 類過程包含兩個階段：影像分割和影像分類。先將影像分割成不同的區塊 （block），每一個區塊即為一均調區域（homogeneous region），再利用不同分類 演算法進行分類。. ECHO影像分割主要是將影像分割成許多不相交的長方形區域，設影像I之分. 16.
(28) 割P為影像I1, I2, …, IL之有限集合，則每一個 I j ∈ P 時，則稱 Ij 為P之區塊。 L. I = ∑ Ii i =1. I j ∩ Ii = φ. j≠i. (2-13). Robertson（1973）提出一簡單ECHO演算法，所採用的影像分割演算法，係 將整幅影像依所設定之均調門檻值逐一細分成不同均調區塊，且假設特徵資料為 多變量常態分佈（Multivariate Normal Distribution），利用Bhattacharyys距離量測 所分割區塊內灰階值估計分佈與已知類別子影像灰階值估計分佈間的距離，以最 短距離判斷每個區塊所屬類別，見2-14式，但其缺點在於資料量小時會失敗 （Kettig and Landgrebe，1976）。 for. N ( X ; M i , Ci ) N ( X ; M , C ). 1 ⎛ (C + C ) −1 t + tr (Ci + C ) (M i − M )(M i − M ) B = ⎜ ln i 4⎜ Ci C ⎝ 2. (. ⎞. )⎟⎟. (2-14). ⎠. 然而MultiSpec的ECHO演算法所採用的影像分割技術相較Robertson而言較 為複雜，為Kettig和Landgrebe兩人所創，影像分割方式為區塊合併，透過兩種檢 定機制來決定區塊合併或分割，檢定機制為：. 1. Cell Selection Criterion：判斷每個區塊是否滿足所設之均調門檻值。 m m ⎛ ⎞ Q j (Y ) = tr ⎜ C −j 1 ∑ YiYt i ⎟ − 2M t j C −j 1 ∑ Yi + mM ij Ci−1M j i =1 i =1 ⎝ ⎠ if Q j (Y ) < c then Y is homogeneous. (2-15). Y為影像區塊，c為所設之門檻值。 2. Annexation Criterion：每個區塊和相鄰區域進行比較，依門檻值決定是否進行 合併，假設X、Y為通過Cell Selection Criterion檢定後，則進行此，若接受Ho， 即可進行區塊合併。. 17.
(29) H 0 ( X , Y ) = { p ( x, y | f , g ) : g = f ,. f ∈ Ω}. H1 ( X , Y ) = {p ( x, y | f , g ) : f = Ω, g ∈ Ω} Ω = {p ( x | Wi ) : i = 1,L , K } Λ=. max p ( X | Wi ) p(Y | Wi ) max p ( X | Wi ) max P(Y | Wi ). (2-17). T = 10 −t t ≥ 0 if Λ < T or − log Λ > t then reject H 0 其中，p(x|Wi)為每個像元值於類別Wi之條件機率值。 在分類演算法方面，MultiSpec軟體的ECHO，提供了兩種分類演算法：. Quadratic Maximum Likelihood、Fisher Linear Discriminant，兩者差別在於 Quadratic Maximum Likelihood對每種類別使用各自的共變異矩陣計算，而Fisher Linear Discriminant則是所有類別皆採用共同的共變異矩陣。. 2-2-3 Definiens Professional. Definiens Professional為一商用軟體，由於所採用分類演算法未有專有名稱， 故本研究便以Definiens Professional作為演算法代表名稱，其分類演算法主要利用 模糊邏輯（fuzzy logic）的概念，也就是以一個介於0-1之間的數值表示資料點歸 屬於某個群聚類別的程度。分類過程包含兩個階段：分割影像和影像分類。在影 像分割階段，使用者可依照影像特性以及地物特徵設定影像分割的參數，在經過 影像分割之後，會產成許多影像區塊，再依此區塊影像進行影像判釋分類。. Zhang（1997）將影像分割技術可分為兩大類：boundary-based及region-based。 其中region-based包含兩類演算法：多尺度門檻（Multilevel thresholding）及區塊 成長（Region-growing）。Definiens Professional便是以區塊成長的方式進行分割 的處理，且在分割處理上能加入形狀因子，故可依照不同的影像特性，設定不同 的分割機制，而區塊成長演算法決定區塊分割、合併的標準為區塊變異（光譜異 質性Spectral heterogeneity）及區塊形狀（空間異質性Spatial heterogeneity） （Carleer. et al，2004），利用計算影像中每個物件的異質性指標，與所定之門檻值進行分 18.
(30) 割。 影像分割異質性指標整體計算流程如圖2-10所示，而在計算區塊異質性指標 的過程中，需滿足兩個機制：區塊的異質性平均值需為最小，以及區塊的異質性 平均值乘上區塊面積需為最小。Definiens Professional異質性因子的定義如下（莊 雲翰，2002）：. a. 光譜異質性指標hcolor： hcolor = ∑ wc × σ c. (2-28). c. 其中wc為圖屬權重值，σc為圖層標準差，c為圖層數，依不同影像特性及目 標區塊，圖層間的權重可按使用者需求作調整。. b. 空間異質性指標hshape： hshape = wsmoothness × hsmoothness + wcompactness × hcompactness hsmoothness = hcompactness =. l b. (2-29) (2-30). l n. (2-31). 其中，形狀的異質性指標是由平滑（smoothness）與緊密（compactness）這 兩個子異質性指標所構成，wsmoothness 與wcompactness 代表兩者間的權重值，兩者和 為1。（2-30）、(2-31)式為平滑指標與緊密指標計算，l為區塊的實際邊長，b為區 塊的最短邊長，n為區塊面積。. c. 整體異質性指標h： h = wcolor × hcolor + wshape × hshape. (2-32). 物件整體的異質性指標是由上述的光譜異質性指標與形狀異質性指標所組 成，wcolor與wshape代表影像光譜與形狀兩者間的權重調配，和亦為1。. 19.
(31) 圖 2-10 影像分割異質性指標計算流程圖（莊雲翰，2002） 故Definiens Professional於影像分割介面有三個主要參數：Scale parameter、. Color／Shape及Smoothness／Compactness，涵意為下（Oruc，2004） a. Scale parameter：和物件大小非直接相關，但此參數決定均調物件的大小， 值愈大，便會產生較大的物件。. b. Color／Shape：用以設定物件產生時，光譜和形狀的均調性，當Shape值愈 高，代表產生物件的光譜均調性愈低。. c. Smoothness／Compactness：當前所設之Shape的值大於零時，此參數便是用 以決定物件的形狀的平滑程度。 而Definiens Professional在分類上有兩種分類方式，分別為Sample base及Rule. base。Sample base主要是依所選取樣本物件的光譜資訊，利用統計分析方式，計 求得各區塊所屬類別，所採用的演算法為Nearest Neighbor，Nearest Neighbor是 一種監督式模糊（fuzzy）分類法，針對每個影像物件在特徵空間中尋找出一個 最接近的樣本物件，見圖2-11，作為所屬類別依據（WEI，2005）。. 20.
(32) ⎡ v (fs ) − v (fo ) ⎤ d = ∑⎢ ⎥ f ⎢ ⎥⎦ ⎣ σf. 2. (2-33). d為樣本物件 s 和影像物件 o 間的距離， v (f s ) 為特徵 f 之樣本物件特徵 值， v (fo ) 為特徵 f 之影像物件特徵值，σf 為特徵 f 特徵值的標準差。 Feature 2. Samples of class green. Image object. Samples of class orange. Samples of class blue. Feature 1. 圖 2-11 Nearest Neighbor 原理示意圖. Rule base主要是針對不同類別，設定不同的歸屬函數（membership function） 作為判釋機制，將參數轉換成對此條件的歸屬值，經邏輯運算因子後，可得對各 類別之歸屬值，歸屬值最大的類別則被定義為此區塊之類別，以圖2-12為例，設 其為林地類別於NDVI之歸屬函數，則NDVI值愈高，屬林地類別的可能性就愈大。. 林地類別 歸屬值 1. 0. NDVI 值 圖 2-12 歸屬函數示意圖 21.
(33) 圖 2-13 Definiens Professional 分類流程圖 因此，Definiens Professional整體分類流程大致如圖2-13所示，而本研究於影 像分割的設定上，Scale parameter設為50，主要是相較於設20、100而言，區塊較 不分割過於零碎或粗糙。因本研究之影像分割主要以光譜均調性為主，故Color 設為0.8，又影像所含之地物包括建物、水體等，所分割區塊的形狀不宜太過平 滑或太過尖銳，故將Smoothness及Compactness皆設為0.5。而在分類演算法選擇 上，因歸屬函數需依影像特性、目標區域及個人經驗所設定，且本研究主要探討 物件導向演算法相較逐像元分類法於影像分類之效益，故以Sample base作為本研 究主要分類方法。 Scale parameter. Color. Smoothness. 分類法. 50. 0.8. 0.5. Sample base. 22.
(34) 第三章 實驗與分析 3-1 影像及檢核資料 3-1-1 實驗區影像資料 本研究所採用的影像為 SPOT 5 影像，而 SPOT 系列衛星自 1986 年成功發 射至 2002 年，已發射五顆，此系列衛星為為太陽同步衛星，平均航高 832 公里。 而 SPOT 5 衛星搭載兩個高分辨率幾何裝置（High Resolution Geometric Imaging. Instrument，HRG） 、植物感測器（Vegetation Instrument，VI）及高分辨率立體成 像裝置（High Resolution Stereoscopic Instrument，HRS）。而每一個 HRG 儀器分 別擁有兩個全色態模式(HM)、一個多光譜模式(HI)、以及一個短波紅外線波段 （Shortwave Infrared，SWIR）。若利用兩組 HRG 感測器同時拍攝全色態影像， 再經過影像融合處理後，其空間解析度可以提昇到 2.5 公尺。而本研究實驗區便 是採用此類影像。 上述空間解析度為 2.5 公尺之 SPOT 5 影像，包含三個波段：綠光波段(XS1：. 0.50μm–0.59μm)，紅光波段(XS2：0.61μm–0.68μm)以及近紅外光波段(XS3： 0.79μm–0.89μm)，取三幅不同土地覆蓋複雜度影像作為本研究實驗區域，分別為 久美實驗區、霧社實驗區及瑪谷溪實驗區，如圖 3-2、圖 3-3 及圖 3-4 所示。 而三個實驗區檢核資料取自工研院能環所於國土利用調查之成果，其成果為 外業調查後，記錄於圖紙上，再經由人工判釋及相關資料輔助後，數化成向量檔 案，通過審查而得，第二級土地分類檢核資料如圖 3-1 所示，本研究分類成果檢 核為整幅影像以逐像元方式進行，利用整體精度（Overall Accuracy，OA）及 Kappa 值作為評估分類成果之準確性。. 23.
(35) (a) 久美實驗區. (b) 霧社實驗區. (c) 瑪谷溪實驗區 圖 3-1 久美、霧社及瑪谷溪實驗區第二級土地分類圖. 24.
(36) （一）久美實驗區 影像大小為 1021 x 1109 pixels，地理位置處於南投縣信義鄉，2∘TM 坐標 為：左上角為（E = 238065 m , N = 2613315 m） ，右下角為（E = 240617.5 m , N = 2610542.5 m） 。久美實驗區較其他兩實驗區，經濟活動繁盛，故土地覆蓋類型繁 雜，多為農地、林地、水體、建物及裸露地所組成。. 圖 3-2 久美實驗區地理位置及衛星影像 （二）霧社實驗區 影像大小為 1018 x 1108 pixels，地理位置處於南投縣仁愛鄉，2∘TM 坐標 為：左上角為（E = 263535 m , N = 2657615 m），右下角為（E = 266080 m , N = 2654845 m） 。霧社實驗區位置近萬大水庫，地處郊區，土地覆蓋類型多為林地、 水體及些許建物和裸露地所組成。. 25.
(37) 圖 3-3 霧社實驗區地理位置及衛星影像 （三）瑪谷溪實驗區 影像大小為 1020 x 1109 pixels，地理位置處於南投縣仁愛鄉，2∘TM 坐標 為：左上角為（E = 268627.5m , N = 2652085 m） ，右下角為（E = 271177.5m , N = 2649312.5 m） 。瑪谷溪實驗區地處高山偏遠地帶，土地覆蓋類型簡單，多為林地 及裸露地所組成。. 圖 3-4 瑪谷溪實驗區地理位置及衛星影像. 26.
(38) 依光譜性質將不同土地利用類別歸類成不同土地覆蓋類別，以用來進行本研 究分類成果評估，則久美及霧社實驗區可分為五類、而瑪谷溪實驗區則可分為二 類，如圖 3-5 所示。 久美實驗區. 霧社實驗區. 瑪谷溪實驗區. 圖 3-5 各實驗區檢核影像. 27.
(39) 3-1-2 訓練樣本 本研究三個實驗區之訓練樣本為依檢核資料進行初始選取，為避免所選取訓 練樣本不足以代表各類別光譜，便以 PCI 軟體計算所選取訓練樣本集合之分離 度，作為選取之檢核標準。 表 3-1 不同實驗區之訓練樣本統計資訊 XS3. XS2. 訓練區像元. XS1. Mean Stdev Mean Stdev Mean Stdev 個數 占總比例. 久美. 霧社. 農地. 100.53 17.19. 68.86. 16.06. 61.48. 7.49. 6820. 2.0%. 林地. 70.24. 21.55. 40.52. 5.60. 44.58. 5.12. 42894. 6.8%. 建成及 裸露地. 89.72. 37.93 114.52 42.76. 85.00. 31.77. 3824. 5.2%. 水體. 63.43. 9.50. 90.28. 10.06. 73.85. 7.08. 661. 5.5%. 灘地. 79.67. 7.32. 124.65. 9.89. 93.83. 6.95. 5027. 6.5%. 農地. 91.87. 17.44. 68.18. 23.79. 59.68. 10.89. 1560. 5.8%. 林地. 89.08. 18.32. 41.02. 4.81. 45.12. 4.09. 41059. 5.1%. 111.84 13.50 134.78 13.66. 88.32. 8.94. 237. 1.3%. 水體. 17.75. 11.12. 13.98. 53.35. 7.41. 27144. 10.3%. 灘地. 75.68. 15.08 106.73 11.42. 79.83. 6.41. 1086. 9.6%. 12.27. 43.50. 6.48. 45.71. 4.51. 54805. 7.23%. 9.26. 100.56 14.90. 85.07. 10.17 11236. 5.64%. 建成及 裸露地. 瑪谷 植被地 96.28 溪 無植被地 51.55. 44.38. 3-1-3 國土調查計劃 國土調查計劃之目的是透過運用高解析度衛星影像及航空影像，掌握國土利 用現況及動態變化，故於 95、96 年度辦理國土利用調查及成果資料整合與建置， 並建立完善之更新機制，藉定期更新維護，提供土地規劃管理及永續利用基礎資 料，整體作業流程大致為圖 3-6 所示，前置作業準備完成後，進行外業調查，將 調查成果記錄於圖紙上，交由數化人員，數化人員透過調查成果與人工判釋後， 將其數化成向量檔，交由審查人員，經審查通過後便公佈成果。. 28.
(40) 圖 3-6 國土調查計劃作業流程. 29.
(41) 3-2 影像自動判釋於國土利用調查 3-2-1 不同分類理論之分類成果 本章節主要探討不同分類理論於高解析度影像之分類成果，所採用的分類演 算法為高斯最大似然法、ECHO、SVM、BP 及 Definiens Professional。所得分類 成果為圖 3-7、圖 3-8、圖 3-9 及表 3-2、表 3-3、表 3-4 所示，顯示土地覆蓋類型 愈簡單，所得之分類精度較高，而瑪谷溪實驗區成果顯示高斯最大似然法、ECHO 成果為佳，可能原因為此實驗區各類別分佈為常態分佈，符合兩者演算法之前提 假設之故。另外，在土地覆蓋複雜區域，物件導向之分類演算法相較逐像元的分 類演算法而言，分類成果精度較高，而且物件導向分類所分類之類別區域較為合 理，不會有歸屬為其他類別的零碎像元參雜其中。. 30.
(42) 表 3-2 不同分類理論於久美實驗區之分類成果 高斯最大似 然法. PA. UA. ECHO PA. SVM. UA. PA. UA. Definiens Professional. BP PA. UA. PA. UA. 農地. 71.40 58.10 79.06 61.69 61.36 63.82 71.40 58.10 76.91 67.37. 林地. 71.75 87.83 73.84 92.63 83.66 82.99 71.75 87.83 84.16 87.94. 建成及裸. 44.89 26.37 50.46 30.70 41.24 33.66 44.89 26.37 28.58 48.57 露地 水體. 51.17 28.89 53.23 32.46 45.91 33.49 51.17 28.89 46.95 31.33. 灘地. 62.26 88.23 61.75 89.43 69.37 83.31 62.26 88.23 81.01 79.79. OA. 69.063. 72.844. 72.794. 72.322. 77.744. Kappa 值. 0.50573. 0.56772. 0.54169. 0.53844. 0.62578. 高斯最大似然法. ECHO. Definiens Professional. SVM. 倒傳遞神經網路. 圖 3-7 不同分類理論於久美實驗區之分類成果 31.
(43) 表 3-3 不同分類理論於霧社實驗區之分類成果 高斯最大似 然法. PA. UA. ECHO PA. SVM. UA. PA. UA. Definiens Professional. BP PA. UA. PA. UA. 農地. 73.06 15.54 81.92 18.44 43.64 26.08 55.55 29.92 66.17 25.12. 林地. 90.22 98.99 91.80 99.18 98.04 92.27 97.05 97.86 94.01 97.88. 建成及裸. 21.67 57.63 21.35 65.90 17.43 59.68 15.56 67.95 50.21 49.84 露地 水體. 88.57 98.41 89.06 98.27 94.13 97.46 95.73 96.77 95.12 97.78. 灘地. 44.75 25.09 26.61 20.01 32.36 43.63 38.99 38.26 30.54 61.74. OA. 87.871. 89.146. 93.878. 93.861. 92.266. Kappa 值. 0.74732. 0.77034. 0.8572. 0.8591. 0.8289. 高斯最大似然法. ECHO. Definiens Professional. SVM. 倒傳遞神經網路. 圖 3-8 不同分類理論於霧社實驗區之分類成果 32.
(44) 表 3-4 不同分類理論於瑪谷溪實驗區之分類成果 高斯最大似 然法. PA. UA. ECHO PA. SVM. UA. PA. UA. Definiens Professional. BP PA. UA. PA. UA. 無植被地 76.95 87.49 75.93 86.23 76.96 87.51 75.88 88.26 78.70 86.27 植被地. 98.24 96.38 98.06 96.22 98.24 96.39 98.39 96.23 97.33 96.90. OA. 95.306 %. 95.31 %. 95.01 %. 95.284%. 94.759%. Kappa 值. 0.79199. 0.79215. 0.77896. 0.78918. 0.77799. 高斯最大似然法. Definiens Professional. ECHO. 倒傳遞神經網路. SVM. 圖 3-9 不同分類理論於瑪谷溪實驗區之分類成果 以 Z-test 檢定各分類理論所建立的分類模式是否具有顯著差異性，以 95%為 信心水準，若兩模式間 Z 值大於 1.96，即表示兩分類模式具有顯著性。各模式 間的 Z 值如下表所示，顯示在久美、霧社實驗區各分類模式皆具有顯著差異， 而於土地覆蓋類別簡單之分類模式，差異性降低，ECHO 與高斯最大似然法、SVM 33.
(45) 與 Definiens Professional 之分類模式不具顯著差異，分類成果相近。. 表 3-5 各分類理論之 Z-test. 久美實驗區. ECHO. SVM. BP. Definiens Professional. 高斯最大似然法. 64.291. 36.262. 33.064. 125.229. 26.839. 30.266. 62.026. 3.267. 87.201. ECHO SVM BP. 90.801. 霧社實驗區. ECHO. SVM. BP. Definiens Professional. 高斯最大似然法. 25.816. 132.460. 135.550. 96.103. 106.752. 109.760. 70.268. 2.569. 36.920. ECHO SVM BP. 39.673. 瑪谷溪實驗區. ECHO. SVM. BP. Definiens Professional. 高斯最大似然法. 0.128. 10.287. 2.238. 11.174. 10.415. 2.366. 11.304. 8.025. 0.763. ECHO SVM BP. 8.882. 34.
(46) 3-2-2 加入紋理影像之分類成果 本實驗欲探討空間相關性的加入是否有助分類精度的提昇，林榮章（1999） 指出 GLCM 適合用於自然界影像的紋理分析，故本研究採用 GLCM 方法進行影 像紋理的萃取，而針對 GLCM 的參數設定問題，Marceau et al（1990）曾針對此 進行探討研究，文中指出取樣視窗尺寸影響性最大，約佔 90％；而不同紋理統 計量對於紋理分析的結果約佔 7％的影響量；而灰階編碼參數約佔 3％影響量。 由於紋理影像包含空間分佈相關資訊，因此，可以增加影像分類時之區分資訊， 故在某些情況下，適當地加入紋理影像，能夠增加分類精度。 而像元對之取樣距離和方向，依周明中（2005）文中指出，像元對方向與紋 理走向呈垂直時為最佳，但在一般遙測影像分析上，由於地物並無特定走向，因 此多採用像元對方向進行 GLCM 運算。而取樣距離的選擇，比起五個像元以上 的距離，一個像元的取樣距離在分辨效果上較有明顯的提升，當取樣距離的距離 逐漸拉長以後，相隔的兩個像元已經逐漸不相關了，因此，太大的取樣距離對於 紋理分析並沒有幫助，因此本研究所選用的像元對間距為一個像元。 因此，本研究在計算紋理時，取樣視窗大小採用 17x17，取樣方向設為 45˚， 且為節省計算量，對於 SPOT 影像的紅外波段、紅光波段、及綠光波段，分別採 用六種紋理量產生各波段的紋理影像：Homogeneity（H） 、Contrast（C） 、Angular. Second Moment （A） 、Dissimilarity（D） 、Standard Deviation（S）及 Entropy（E） 。 各紋理意義為下所述：. 1.. Homogeneity：用來衡量影像中均調性。. ∑ ∑ Pδ (i, j ) / (1 + (i − j ) ) 2. i. 2.. j. (2-34). Contrast：和 Homogeneity 相反，用來衡量影像中局部變化的強烈程度，其 值和強度呈正比。. ∑ ∑ (i − j ) i. j. 2. ×Pδ (i, j ). (2-35). 35.
(47) 3.. Angular Second Moment：用來衡量影像局部的均調程度，也就是衡量影像 中紋理一致性的程度。. − ∑i ∑ j Pδ (i, j ). 2. 4.. (2-36). Dissimilarity：和 Contrast 相似，用來衡量影像中灰階值的不相似程度，對 灰階值於空間中 pattern 或影像色調都十分敏感。. ∑ ∑ Pδ (i, j )× i − j i. 5.. Standard Deviation：為影像局部區域的標準差值。. ∑∑ i. 6.. (2-37). j. P (i, j )× (i − Mean _ i ) j δ. 2. (2-38). Entropy：和 ASM 相反，用來衡量紋理的雜亂程度，若影像圖樣越接近隨機 時，其值就愈大。. − ∑i ∑ j (i − j ) × Pδ (i, j ) 2. (2-39). 本章節大致分為二個部分進行探討，整體研究流程為圖 3-10 所示，一個是 探討不同紋理影像對不同類別之貢獻程度，另一個則是探討以以 PCA 、Rough. Set 於紋理資訊萃取之前處理，是否有助於精度的提升。由於取樣視窗 17x17 有 過大之疑，因此，針對於久美實驗區與霧社實驗區另以取樣視窗為 3x3 進行成果 比較。 另外，由支持向量機及倒傳遞神經網路於一幅影像分類之執行效率低，十分 耗時，而 Definiens 則是受限於參數設定問題，依不同影像特性須設定不同參數， 無法作客觀比較，因此，在加入紋理影像分類實驗，主要以高斯最大似然法和 ECHO 作為主要分類器，僅於以 PCA 、Rough Set 於紋理資訊萃取前處理之研 究部分，加入支持向量機分類器。. 36.
(48) 遙測影像. Homogeneity. Contrast. ASM. Dissimilarity. PCA. Standard. Rough Set. 加入原始波段 XS3、XS2、XS1 影像分類 高斯最大似然法. ECHO. SVM. 比較分析 圖 3-10 加入紋理影像之分類流程. 37. Entropy.
(49) （一）不同紋理影像對不同類別之分類成果 為探討不同紋理影像對不同類別之貢獻，故針對三個波段所產生的同一紋理 影像統計量，分別進行高斯最大似然法及 ECHO 演算法進行分類，再依不同類 別之分類精度進行比較分析，圖 3-11、3-12、3-13 則為三個實驗區加入取樣視窗 為 17x17 計算之紋理後不同類別之分類精度比較。. 高斯最大似然法加入紋理於久美實驗區之分類成果 精 90 度 80 % 70 (. 原始. ). 60. Homogeneity. 50. Contrast ASM. 40. Dissimilarity. 30. Stdv. 20. Entropy. 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. ECHO加入紋理於久美實驗區之分類成果 精 90 度 80 % 70 (. 原始. ). 60. Homogeneity. 50. Contrast ASM. 40. Dissimilarity. 30. Stdv. 20. Entropy. 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. 圖 3-11 久美實驗區加入取樣視窗為 17x17 計算之紋理於不同類別之分類精度. 38.
(50) 高斯最大似然法加入紋理於霧社實驗區之分類成果 精 100 度 90 (. %. 80. 原始. 70. Homogeneity. 60. Contrast. 50. ASM. 40. Dissimilarity. 30. Stdv. 20. Entropy. ). 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. ECHO加入紋理於霧社實驗區之分類成果 精 100 度 90 (. %. 80. 原始. 70. Homogeneity. 60. Contrast. 50. ASM. 40. Dissimilarity. 30. Stdv. 20. Entropy. ). 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. 圖 3-12 霧社實驗區加入取樣視窗為 17x17 計算之紋理於不同類別之分類精度. 39.
(51) 高斯最大似然法加入紋理於瑪谷溪實驗區之分類成果 精 度 120 原始. (. % 100. Homogeneity Contrast. 80. ASM. ). 60. Dissimilarity Stdv. 40. Entropy. 20 0. 植被地. 無植被地. ECHO加入紋理於瑪谷溪實驗區之分類成果 精 度 120 原始. (. % 100. Homogeneity Contrast. 80. ASM. ). 60. Dissimilarity Stdv. 40. Entropy. 20 0. 植被地. 無植被地. 圖 3-13 瑪谷溪實驗區加入取樣視窗為 17x17 計算之紋理於不同類別之分類精度 而針對於久美實驗區與霧社實驗區改以取樣視窗為 3x3 計算紋理，加入後對 於不同類別，各紋理的貢獻度比較，如下圖 3-14、3-15 所示。. 40.
(52) 高斯最大似然法加入紋理於久美實驗區之分類成果 精 90 度 80 % 70 (. 原始. ). 60. Homogeneity. 50. Contrast. 40. ASM Dissimilarity. 30. Stdv. 20. Entropy. 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. ECHO加入紋理於久美實驗區之分類成果 精 90 度 80 % 70 (. 原始. ). 60. Homogeneity. 50. Contrast ASM. 40. Dissimilarity. 30. Stdv. 20. Entropy. 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. 圖 3-14 久美實驗區加入取樣視窗為 3x3 計算之紋理於不同類別之分類精度. 41.
(53) 高斯最大似然法加入紋理於霧社實驗區之分類成果 精 100 度 90 (. %. 80. 原始. 70. Homogeneity. 60. Contrast. 50. ASM. 40. Dissimilarity. 30. Stdv. 20. Entropy. ). 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. ECHO加入紋理於霧社實驗區之分類成果 精 100 度 90 (. %. 80. 原始. 70. Homogeneity. 60. Contrast. 50. ASM. 40. Dissimilarity. 30. Stdv. 20. Entropy. ). 10 0 農地. 林地. 建地及裸露地. 水體. 灘地. 圖 3-15 霧社實驗區加入取樣視窗為 3x3 計算之紋理於不同類別之分類精度 由上可得，兩種不同大小的取樣視窗所計求得的紋理統計量，對於不同類別 的貢獻度，呈現不同成果，17x17 取樣視窗於在三個實驗區，不同紋理統計量於 同一類別上的貢獻相近，差異並不大，但對於紋理特徵相異之類別，貢獻度便有 明顯區分，可能原因在於 17x17 的取樣視窗，對於實驗區紋理計算而言過大，故 不同紋理統計量無法發揮其特性。而 3x3 取樣視窗於在久美、霧社實驗區中，不 同紋理統計量對同一類別的貢獻度不盡相同，由圖 3-14、3-15 可看出 Contrast 42.
(54) 所得紋理對於灘地類別有相當助益，但對於農地則否，且在各類別的貢獻上，. Contrast 和其他紋理統計量明顯不同，ASM 對於建地及裸露地類別則效果不彰。 而兩種不同大小的取樣視窗所得紋理皆無法有效提昇分類精度，見表 3-6。 但相較於高斯最大似然法，紋理的加入對於 ECHO 助益不大，可能原因為物件 導向分類法於影像分割階段，紋理的加入，導致分割出影像區塊更加零碎，故在 分類上，近似高斯最大似然法，降低 ECHO 以區塊方式分類的長處。 比較六種紋理統計量於不同類別之分類精度，紋理統計量對於建成及裸露地 類別區分上，有所助益，尤其久美實驗區經濟繁盛，因此建物、道路等較為集中， 具有規則性，紋理特徵較為明顯，因此，紋理統計量較能有效提昇此類別之精度， 但在霧社實驗區則不一定，可能原因在於霧社實驗區地處郊區，建物小且分散， 且多為山路。 表 3-6 不同取樣視窗大小於不同實驗區分類之整體精度 紋理統計量. 高斯最大似然法. ECHO. 久美實驗區. 霧社實驗區. 17 x 17. 3x3. 17 x 17. 3x3. Homogeneity. 71.099. 68.235. 86.780. 88.203. Contrast. 67.487. 69.513. 86.308. 87.454. ASM. 62.156. 67.753. 90.297. 89.057. Dissimilarity. 69.713. 68.073. 85.440. 87.797. Stdev. 64.474. 68.4. 87.036. 87.759. Entropy. 70.200. 67.990. 87.521. 88.970. Homogeneity. 71.090. 69.952. 87.060. 89.061. Contrast. 69.192. 70.748. 86.883. 88.289. ASM. 62.914. 69.946. 90.207. 89.147. Dissimilarity. 69.427. 69.506. 86.297. 88.719. Stdev. 64.454. 69.408. 87.350. 88.331. Entropy. 70.045. 69.512. 87.522. 88.970. 43.
(55) （二）以 PCA 、Rough Set 於紋理資訊萃取之前處理. PCA 及 Rough Set 皆是萃取資訊的方法，降低資料維度過多的問題。 主成分分析(Principal Component Analysis，PCA)是一種將光譜特徵空間轉換 至另一個主軸特徵空間的轉換方法，透過轉換，加大資料間的差異，去除遙測影 像高相關波段間的冗餘光譜資訊（spectral redundancy)，同時可以避免在分類時 因樣本太少而發生 Hughes 現象（林金樹，2002）。由於原始變數資料經 PCA 轉 換後，有多少原始變數便會產生多少主軸，轉換後全部主軸之變異數總和等於原 始所有變數之變異數總和，且各變數大部分的資訊均會被轉換到少數幾個主軸 上，因此只要選用大部分變異量的少數主軸進行分析，便可達到資料減量目的。 選取少數的主軸雖可達成降低資料維度的目標，但卻會降低少數主軸對原始 變數資料之代表性，反之，選取多數的主軸雖可增加其解釋原始變數光譜資訊的 能力，但卻會失去降低資料維度之目標。然選取多少個主軸作為分析之用，是一 項難題，傳統的選定主軸數之方法有特性根閾值法（Eigenvalue Threshold. method，ET） 、特性根陡坡圖檢定法（Scree Test，ST）及累積變異數百分比閾值 （Threshold of Cumulative Variance Proportion，TCVP）等三種方法（林金樹，. 2002）。 本研究採用 TCVP 法，此法是以各主軸所能解釋的全體變數資料變異量的比 例為依據，設定所用以分析的主軸數，其變異數百分比的累積值之最低限值，依 黎瑋（1998）所設定 95%為主要門檻值，剔除資訊含量過少的影像。表 3-7 為各 實驗區以取樣視窗為 17x17 之紋理影像經 PCA 法轉換後前八個主軸資訊，而表. 3-8 則是針對久美實驗區及霧社實驗區以加入取樣視窗為 3x3 計算之紋理影像經 PCA 法轉換後前八個主軸資訊，表 3-7、3-8 中，藍色區域為所選用之主軸影像。. 44.
(56) 表 3-7 各實驗區之主軸資訊（取樣視窗為 17x17） 久美實驗區 霧社實驗區 瑪谷溪實驗區 Eigen Channel EigenValue Cumulative EigenValue Cumulative EigenValue Cumulative 1. 7901.8135. 52.80%. 12956.18. 65.83%. 18495.32. 76.34%. 2. 4218.2246. 80.99%. 2966.301. 80.90%. 2825.945. 88.00%. 3. 1180.0802. 88.88%. 1035.807. 86.16%. 1002.647. 92.14%. 4. 550.8677. 92.56%. 939.1375. 90.93%. 852.8278. 95.66%. 5. 427.2045. 95.41%. 772.2014. 94.85%. 338.4072. 97.06%. 6. 299.4473. 97.41%. 242.7369. 96.08%. 257.4453. 98.12%. 7. 123.5441. 98.24%. 222.3466. 97.21%. 174.992. 98.84%. 8. 90.3272. 98.84%. 175.4893. 98.10%. 95.03559. 99.23%. 表 3-8 各實驗區之主軸資訊（取樣視窗為 3x3） 久美實驗區. 霧社實驗區. Eigen Channel. EigenValue. Cumulative. EigenValue. Cumulative. 1. 2834.048. 76.42%. 2202.134. 81.80%. 2. 708.6702. 95.53%. 366.7329. 95.42%. 3. 159.9344. 23.42%. 118.0907. 18.01%. 4. 3.3098. 4.40%. 2.7724. 4.49%. 5. 1.3912. 0.13%. 0.7596. 0.13%. 6. 0.5443. 0.05%. 0.6404. 0.05%. 7. 0.249. 0.02%. 0.4498. 0.04%. 8. 0.1514. 0.01%. 0.1792. 0.03%. 粗糙集方法（Rough Set）目的在於處理含糊（vagueness）及不確定性 （uncertainty）資料之關係發掘。為將訓練樣本及其相應之屬性所組成的資訊系 統，透過離散化及縮減等方式，擷取足夠描述各樣本在何種屬性條件下能被分類 的規則，即對樣本屬性進行縮減，將多餘的屬性予以剔除，僅以縮減後的屬性進 45.
(57) 行規則擷取（陳承昌，2006）。 因此利用原始三個波段加入全部波段的六種紋理影像以 PCA 法萃取前 95% 資訊量之主軸波段，以及透過粗糙集所擷取的有用波段後，進行分類作業，所得 到的成果為表 3-9 及表 3-10 所示。 顯示加入 PCA 前 95%資訊量萃取之前處理所得主軸波段對於分類結果助益 不大，但 Rough Set 的加入，有時提升高斯最大似然法及 SVM 的分類精度，主 要是因 PCA 雖可以降低資料維度，但可能在剔除資訊含量過少的影像同時，也 將足以區分不同類別的波段也跟著剔除了，所選取的主軸波段雖然資訊豐富，但 卻不足以區分類別，反而造成分類時的雜訊，使精度下降。其中，霧社實驗區於. SVM 加入 Rough Set 所萃取的波段未得到提升，可能是因為 SVM 於霧社實驗區 中無法得取得最佳參數進行分類，而導致成果不如未加入前成果為佳。 但 Rough Set 所擷取的是足以描述樣本類別的波段，因此，除了可以達到資 料維度的減少，也可以得到具代表性的波段，因此相較於 PCA 所萃取的主軸波 段，分類成果較佳。 瑪谷溪實驗區兩者之分類成果精度皆不如單用原始光譜，可能是於瑪谷溪實 驗區紋理特徵並不明顯，因此不論是加入用 PCA 或 Rough Set 所萃取的紋理資 訊，都無法提升分類精度。. 46.
(58) 表 3-9 原始波段加入 PCA 及 Rough Set 萃取影像之分類成果 （取樣視窗為 17x17）. 實驗區. 萃取方式. Original. 久美. PCA. Rough Set. Original. 霧社. PCA. Rough Set. Original. 瑪谷溪. PCA. Rough Set. 分類理論. OA. Kappa 值. 高斯最大似然法. 69.063%. 0.50573. ECHO. 72.844 %. 0.56772. SVM. 72.794%. 0.54169. 高斯最大似然法. 63.908%. 0.44802. ECHO. 63.996%. 0.45029. SVM. 69.625%. 0.51180. 高斯最大似然法. 69.589%. 0.51882. ECHO. 69.457%. 0.52023. SVM. 74.736%. 0.57802. 高斯最大似然法. 87.871%. 0.74732. ECHO. 89.146%. 0.77034. SVM. 93.878%. 0.8572. 高斯最大似然法. 88.716%. 0.76133. ECHO. 88.910%. 0.76472. SVM. 91.395%. 0.81219. 高斯最大似然法. 88.092%. 0.75276. ECHO. 88.210%. 0.75497. SVM. 92.251%. 0.82795. 高斯最大似然法. 95.306%. 0.79199. ECHO. 95.310%. 0.79215. SVM. 95.01%. 0.77896. 高斯最大似然法. 94.460%. 0.74208. ECHO. 94.460%. 0.74208. SVM. 94.54%. 0.75539. 高斯最大似然法. 94.353%. 0.72689. ECHO. 94.353%. 0.72689. SVM. 95.109%. 0.78161. 47.
(59) 表 3-10 原始波段加入 PCA 及 Rough Set 萃取影像之分類成果（取樣視窗為 3x3）. 實驗區. 萃取方式. Original. 久美. PCA. Rough Set. Original. 霧社. PCA. Rough Set. 分類理論. OA. Kappa 值. 高斯最大似然法. 69.063%. 0.50573. ECHO. 72.844 %. 0.56772. SVM. 72.794%. 0.54169. 高斯最大似然法. 68.141%. 0.49742. ECHO. 69.703%. 0.52876. SVM. 73.236%. 0.55405. 高斯最大似然法. 68.375%. 0.50033. ECHO. 70.230%. 0.53172. SVM. 72.924%. 0.54919. 高斯最大似然法. 87.871%. 0.74732. ECHO. 89.146%. 0.77034. SVM. 93.878%. 0.85720. 高斯最大似然法. 87.481%. 0.73868. ECHO. 88.508%. 0.75684. SVM. 93.684%. 0.85249. 高斯最大似然法. 88.498%. 0.75770. ECHO. 88.938. 0.76636. SVM. 93.849%. 0.85649. 以 Z-test 檢定各分類理論加入 PCA 及 Rough Set 前後所建立的分類模式是否 具有顯著差異性，以 95%為信心水準，由表 3-11、3-12 可得，不論計算紋理統 計量所採用的取樣視窗大小為何，加入 PCA 與加入 Rough Set 之分類模式皆具 有顯著差異，且加入萃取資料前後之分類模式也具有顯著差異。. 48.
(60) 表 3-11 各實驗區加入 PCA 與加入 Rough Set 前後之 Z-test（取樣視窗 17x17） 久美 Original MLC. MLC. ECHO. Original PCA RoughSet Original PCA RoughSet Original PCA RoughSet 58.793 13.395. PCA. 64.291 56.542. 14.882. 36.262 6.165. 72.794 124.747 2.326. 74.466. 94.891 65.076 134.375. 51.201 70.539. 1.461. 23.271 7.195. RoughSet Original ECHO. SVM. 61.474. 122.522 49.879. 26.839 58.088 10.844. 72.206. 92.691 62.829 132.177. PCA RoughSet. 21.900 8.666. Original SVM. 74.367. 60.194. 30.186 37.160. PCA. 68.229. RoughSet. 霧社 Original MLC. PCA RoughSet. MLC. ECHO. Original PCA RoughSet Original PCA RoughSet Original PCA RoughSet 15.585. 6.037. 25.816 19.399. 8.504. 132.460 75.251 94.800. 9.588. 10.189. 3.811. 7.128. 116.687 59.526 79.047. 19.831 13.411. 2.471. 126.752 69.371 88.972. Original ECHO. 6.370. PCA. 17.367 106.752 49.422 68.990 10.951 112.859 55.695 75.214. RoughSet. 124.315 66.914 86.519. Original SVM. SVM. 57.626 38.069. PCA. 19.618. RoughSet. 49.
數據
+7
相關文件
Lin, “Automatic Music Genre Classification Based on Modulation Spectral Analysis of Spectral and Cepstral Features”, IEEE Trans.. on
D.Wilcox, “A hidden Markov model framework for video segmentation using audio and image features,” in Proceedings of the 1998 IEEE Internation Conference on Acoustics, Speech,
Jones, "Rapid Object Detection Using a Boosted Cascade of Simple Features," IEEE Computer Society Conference on Computer Vision and Pattern Recognition,
本研究藉由分類和迴歸樹（Classification and Regression Tree, C&RT）進 行變數間之類別合併以及決定連續型變數之切割點。C&RT 的全名是「分類 和迴歸樹」
Zhang, “ Face recognition using Laplacianfaces,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. Zhang, “Orthogonal Laplacianfaces for face
Sandler, “A tutorial on onset detection in musical signals,” IEEE Transactions on Speech and Audio Processing, vol. Sandler, “On the
第一、文中利用直方圖(Histogram)與高頻影像亮度資訊圖來作資料量的比 較，觀察直方圖可以了解差影像與原高解析層級高頻影像的值域分佈情形，舉例 來說，圖-4.3 為 Test Sample
Hellweger 等人(2004)利用 Landsat TM 和 MODIS 衛星影像研究 紐約海灣的水質指出葉綠素 a 濃度與 Landsat TM 綠光與紅光反射值 比率有相關。. Chen 等人(2007) 使用 NASA's Aqua
