行政院國家科學委員會補助專題研究計畫
■ 成 果 報 告
□期中進度報告
空載雷射測距資料之混和分類法應用於海岸地形測量之研究
Study of Coastal Survey using LIDAR Data Hybrid Clustering Techniques
計畫類別：■ 個別型計畫 □ 整合型計畫
計畫編號：NSC － － － － －
執行期間： 94 年 8 月 1 日至 95 年 7 月 31 日
計畫主持人：薛憲文
共同主持人：
計畫參與人員：黃明哲、陳月淑
成果報告類型(依經費核定清單規定繳交)：□精簡報告 □完整報告
本成果報告包括以下應繳交之附件：
□赴國外出差或研習心得報告一份
□赴大陸地區出差或研習心得報告一份
□出席國際學術會議心得報告及發表之論文各一份
□國際合作研究計畫國外研究報告書一份
處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫、
列管計畫及下列情形者外，得立即公開查詢
□涉及專利或其他智慧財產權，□一年□二年後可公開查詢
執行單位：國立中山大學海洋環境及工程研究所
中 華 民 國 95 年 10 月 31 日
摘要
光達(LIDAR: LIght Detection And Ranging) 主要應用於快速獲取大面積三 維地形資料，快速生成 DEM(Digital Elevation Model)等數位產品，由於光達同 時提供空間物體高度與反射強度資訊，因此可作為地面空間物件分類之用。光 達系統可以極具彈性與可攜性的作業模式，提供政府部門海岸帶管理與經營所 需的海岸地區多項環境與生態參數。 本研究探討「支持向量機(SVM)」)的分類演算法，從雷射測距資料中提取 地面空間物件。SVM 在解決少量學習樣本、非線性及高維度「模式識別」相關 問題中有許多特有的優勢。本研究實驗結果證明，SVM 方法應用於中山大學光 達資料與數位影像之地物分類（如建物、植被、柏油路面、水泥路面、草地、 操場與沙灘），分類精度可達 80%~91%，與最小距離分類法及最大相似分類法 相比，分類精度可提高 5%~6%。 關鍵詞：機載雷射測距系統、機器學習、支持向量機、分類
Abstract
光達 (LIght Detection and Ranging) is widely used in such fields as Digital Surface Model (DSM) production. It provides both height and intensity data that reflect the material characteristics of objects, so it is possible that LIDAR data could be used for spatial objects classification. LIDAR systems have also demonstrated their flexibility and mobility to respond rapidly to evolving requirements in the coastal zone management and environmental parameters collection.
This paper explores a novel approach to the extraction of spatial objects from the laser-scanning data using the Support Vector Machines (SVM) method. The SVM method is outstanding than other method in small sample, non-linear and high-dimensional “Pattern-Recognition” related problem. This research proposed SVM (Support Vector Machine) method, a new classification system based on statistical learning theory, to classify aerial LIDAR and digital color image data of campus of Sun Yat-Sen University into buildings, trees, asphalt roads, concrete pathways, grass, field, and beach. The classification results are in the range of 80%~91%, which improve the accuracy up to 5%~6% comparing with Minimum Distance and Maximum Likelihood methods.
Keywords: LIDAR, Machine Learning, Support Vector Machine (SVM), Classification
壹、 前言
受全球氣候變遷影響，全球海平面上升，直接影響世界各地海岸生態，由 於全球重要的都市大多鄰近海岸地區，因此各國對於海岸地區環境的保護與管 理均十分重視。為加強對海岸環境的監測與研究，無不採用各種最新的科技與 快速測量方法來獲得海岸地區的動態變化資料，進而分析預測海岸變化趨勢， 以期儘早採取因應措施或制定相關政策，減少海岸環境變遷對人類生活的衝擊 與影響。台灣四周環海，自然面臨相同的問題，不論在沙丘、溼地範圍測量、 海岸侵蝕監測、海岸防波堤規劃與設計與海岸休憩地區規劃等各項管理課題皆 與海岸工程息息相關，如：海堤淘空、海岸結構物毀壞、海岸侵蝕等災害發生， 甚而嚴重造成海水倒灌、海岸地區環境丕變…等問題發生。近年來，加上近海 地區居民基於生活上基本需求，為養殖漁業而嚴重超抽地下水，導致地盤下 陷、海水入侵、土壤鹽化等問題，進而加速近海地區災害發生之可能性[國立 海洋大學近海防災中心網頁]。 詳實的近岸海域地形資料攸關海岸地區波浪對海岸的侵蝕與暴潮溢淹範 圍大小，近岸海域地物則與民眾生命財產以及政府機構災害預防、疏散與救援 計畫擬定有密切關係。因此，快速、精確有效率地探測海岸地區的海岸線與地 形地物資訊，是海岸環境監測與海洋工程科學研究的重要基礎工作。然而，海 岸帶環境監測所面臨之挑戰卻非常險峻與困難，如惡劣天候地區及軟泥地之海 岸測量、暗礁太多不易測量且易生危險、水深太淺則測深儀無法測量、或潮間 帶變化很大的海岸帶(如外傘頂洲)監測頻率常遠低於地形變化監測之需求。因 此，近年來光達的發展，正可以解決這些困難。 光達是一種直接測量地面高度的方法，歐美各國在 1980 年代中期起即開 始進行光達的相關測試與研究，並與「合成孔徑雷達衛星干涉影像(InSAR: Interferometric Synthetic Aperture Radar)」配合，進行大範圍高精度地面高度與 地形地物高度測量。傳統攝影測量在對比度有限的區域如沿海海岸等地很難獲 得理想的成果，光達測高技術卻能勝任這些地區的測繪工作，高動態變化的海 岸地區要求經常更新資料，光達測高技術能很方便地完成這些工作。它還可用 來測繪和監測海濱地帶、沙丘、海岸結構物(海堤等)、保安林等。美國政府部 門 應 用 光 達 技 術 進 行 大 規 模 的 海 岸 帶 測 量 以 佛 羅 里 達 州 環 保 局 (FLDEP, Florida Department of Environmental Protection)案例最為成功。該州負責持續監 控該州長達 680 海浬的海岸線，其中 40% 正面臨嚴重的海岸侵蝕情形。使用 傳統的方法，FLDEP 每年只能測量四個郡的海岸。FLDEP 在 1998 年開始決 定每兩年就要完成整個佛羅里達州海岸的測量工作，預計完成從海岸線以內 220m 到海岸線外海 750m 帶狀之平面解析度八公尺的高度資料，最後將空載 地形光達 (airborne topographic 光達)資料與航測相片套疊在地理資訊系統 中，提供後續分析展示使用(FLDEP 海岸監測資料網站)。 光達觀測技術在硬體系統整合方面的許多關鍵已相當成熟，然而光達測高資料處理演算法仍然處於前期研究發展階段，還有許多問題沒有得到解決。根 據日益增多的使用經驗顯示，想要直接使用其原始資料來獲得產品並加以分析 仍然有很大的限制，主要的原因是資料內同時包含了地形、物體表面與非地面 點，如果沒有其他資料來源的輔助，很難把各種資料互相分離(Filin, 2002)。
貳、 研究目的
光達影像的高度特徵與一般光學影像相比，具有特徵訊號簡單清晰的特 點，因此本研究的主要目的在研究如何使用目前機器學習（Machine Learning） 領域中最先進的分類方法，提昇光達資料地物特徵（如建物、道路與植被）提 取與地物分類的效能與精度。 光達資料分類的主要工作包括兩大類：(1)將光達資料分為地面與非地面 點；(2)將光達資料分類為不同的特徵如樹木、建築物…等(Charaniya, et. al., 2004)。前者的主要目的在產生數值地形高程，故其方法多著重於將非地面點 濾除，以提高數值地形高程生產精度與品質，如以遞迴線性預測法將森林地區 的植樹(非地面點)移除 (Kraus and Pfeifer, 1998)、以坡度為基礎的技術將建築 物的點從地面點分開(Vosselman et. al., 2000)或者採用可變動大小漸近形態學 濾波器估測局部區域適當的門檻值進行濾波(Zhang et. al., 2003)。後者雖然也 可以達到濾波的功能，但因其並非僅將非地面點視為雜訊濾除，而是採用機器 學習(Machine Learning)的方法，將大量的光達資料分為不同的類別，以便作 進一步的分析使用。使用機器學習分類方法完成光達資料地物特徵提取與地物分類，獲得數值 地表模型（DSM: Digital Surface Model）與地物特徵模型（如數值建物模型 「DBM: Digital Building Model」）後，將進一步整合光達資料濾波（分離光達 點雲「Point Cloud」資料中植被表面與房區表面等不屬於地面之數據）所產生
的數值高程模型（DEM: Digital Elevation Model），作為後續應用於全自動或者
半自動生產真正射影像所需的關鍵資訊。 本研究將針對下列問題進行研究探討：(1)巨量光達原始資料管理與展示 的資訊整合環境；(2)如何定義分類方法所需之特徵空間；(3)研究自動化擷取 特徵空間方法，並分析其對後續分類方法結果良窳的影響；(4)應用支持向量 機(SVM)等監督式學習方法於光達原始資料分類，並評估其效率與其他分類方 法之比較。
參、 文獻探討
機器學習的分類方法可分為監督式分類(supervised classification)與非監督 式分類(unsupervised classification)兩大類。監督式分類方法必須從光達資料特 徵空間中選定訓練分類方法所需訓練樣本，再以訓練好的分類方法對剩餘其他 的資料進行分類。然而訓練樣本的品質的良窳以及是否具有代表性，直接影響 學習方法的成功與否，而且這也是最耗費時間，需要大量人力介入的步驟。此外，監督式學習也必須了解空間物件的幾何特性(Jiang, 2004)，而且，為確保 訓練樣本的代表性，太過複雜的地形地貌區域，往往也需要較多的輔助資訊， 如航測或遙測影像、GIS 地理資料或現場實測資料等。 使用非監督式分類方法對光達資料進行分類的學者(Jiang, 2004)，其觀點 認為從光達所測得空間物體的 XYZ 與回跡強度資料中，每一個空間物體應該 本身就具有相當程度的相似性，因此以非監督式分類方法，應該可以獲得很好 的分類結果(Jiang, 2004)。然其目前僅能對小範圍的光達資料將道路資料分類 成石頭與黏土兩大類。 縱觀現有機器學習的分類方法應用在光達或者遙感影像自動分類的主要 缺點包括：(1)所要分類的類別數量必須事先知道；(2)應用的影像分析方法常 常用交談式，半自動的方式；(3)非監督式學習所分出的類別也經常不具有任 何物理意義。因此有學者提出以 ADK(Adaptive Dynamic K-Means) (Verveka, 1995)與 SOFM(Self Organizing Feature Map)(Kohonen, 1995)等非監督式學習方 法提取訓練樣本，再以 SOFM 與支持向量機(Support Vector Machine, SVM)學 習方法求得高解析度遙感影像自動分類學習函數(Velickov, 2000)。 在光達資料的分類研究上，由於其過於巨量的原始資料，也同樣面臨訓練 樣本不易獲得，且過於豐富的特徵難以歸納其同質性的問題。因此，本研究將 參考 Velickov 融合監督式與非監督式學習方法的精神，進行光達資料的分類 研究，這種混合式的演算法可以解決訓練樣本無法自動化獲得的問題，並且可 以用 SVM 學習方法，作進一步的優化與一般化。此外，在分類之前加強光達 資料特徵提取方法，如高度紋理(Maas, 1999)；某一小塊區域內的位置、切面 向量與相對高之同質性(Filin, 2002)；正規化高度、高度紋理、多次回波高差、 回波強度與航測影像(Charaniya, et. al., 2004)等。
肆、 研究方法
目前在模式識別領域，SVM(Support Vector Machine)是非常熱門的分類方 法。SVM 已經被廣泛應用在類型識別(Pattern Recognition)相關問題上，包括 手寫辨識、影像辨識、物體辨識、演說者辨識、臉部辨識、文字辨識等研究領 域。SVM 是一種二元分類法，透過建立一個超平面(hyperplane)，將某一群物 體分為是否屬於某一種類別兩群。SVM 方法的精神在找出具有最大邊界的超 平面(maximum margin hyperplane)，這個超平面滿足最接近此超平面的訓練樣 本與超平面的最短距離為最大(Vapnik, 1988)。 SVM 將一組已經標示為兩種類別的訓練樣本，映射到一個高維度特徵空 間，並且把這兩組資料用最大邊界的超平面分開，這個超平面就是輸入的訓練 樣本的非線性決策邊界。接著我們將推導 SVM 方法： 假設有一組訓練樣本 X (1) 已經分為兩種類別的訓練樣本 y n R X∈ 0 ⊆ℜ
(2) 將此樣本映射到一個高維度特徵空間(feature space) (3) SVM 學習演算法在找到一個超平面(w,b)，可滿足(4)式有最大值 (4) 其中 向量 w 與特徵空間維度相同 b 為實數稱為邊界(margin) 則相對應的決策函數(decision function)可表示為： (5) 決策函數在下列條件下有最小值 (6) 其中 為大於零的實數，可使(7)式有最大值 (7) 給定 (8) 則決策函數可表示為 (9) 訓練樣本中只有少數的樣本可以找到相對應的 ，這些樣本稱為支持向 量(Support vector)，支持向量是落在超平面的邊界上，亦即其與超平面的距離 為 。一個給定的函數，其核函數 (Kernel function) K 可表示為 (10) SVM 方法的優點在於其求解為二次式最佳解，有全域最大值(global optimum)，這個特徵使得 SVM 與一般模式識別所使用的方法，經常所求得的 只是區域最佳解有很大的不同。
}
{
−1,+1 ∈ y F R0 → : φ{
w X b}
yi i i − ⋅ =min
φ( ) γ}
b X w sign X f( )= ( ⋅φ( )−∑
= i i i iy X w α φ( ) iα
) ( ) ( j ij i j i j i i i αα y y φ X φ X α −∑
⋅∑
∑
αiyi =0,αi >0 ij ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ ⋅ − =∑
i j i i iy X X b sign X f( ) α φ( ) φ( ) iα
w w / 2 . ) ( ) ( ) , (X Y X Y K =φ ⋅φ伍、 結果與討論
5-1 光達資訊整合環境 儘管光達技術發展已有將近二十年的歷史，硬體技術也不斷發展，但 絕大多數屬於硬體技術及系統整合的突破，並已出現不少成熟的商用系 統，但光達資料後處理的研究仍然停滯不前。目前主要的光達資料處理軟 體都是由各硬體系統廠商或研究機構單獨提供（例如 SACI 研究機構的無一套獨立的通用軟體，這些硬體廠商專屬資料處理軟體的演算法都屬製 造廠商的商業機密，使用者根本無從瞭解其資料處理過程的黑盒子，也無 法依據本身的需求來操作與管理光達資料。隨著國內光達系統的增加，資 料量越來越大，科學研究非常需要一套通用且實用的軟體系統來處理和分 析光達資料，進而生產各種數位化產品。 以目前一般的光達系統而言，其資料掃瞄取樣量為 30,000~100,000 筆 /秒，4 小時作業的資料量即已超過四億筆資料。如何有效的管理、查詢與 展示光達資料，是光達研究的必備環境。本研究採用高階伺服器與空間資 料庫，使能快速處理與展示巨量光達原始資料與分類結果，並且當要與遙 測影像或現場實測資料或地理資訊系統內現有圖資比對時，可在地理資訊 系統中顯示。一般的資料庫實體雖然可以儲存這些資料量，但是若要處分 一個上午測量作業區內光達資料時，可以預先用適當的資料結構加以排序 處理，運用一般商用 GIS 系統與空間資料庫，開發光達資訊整合環境。 本研究設計光達資訊整合系統，提供巨量光達原始資料管理與展示的 資訊整合環境。與本研究相關的功能包括資料排序、快速取出某多邊形內 資料、光達高度與反射強度網格化影像製作、影像處理、邊緣偵測、網格 資料格式轉換…等。其中，系統最大特色在於巨量光達資料管理，每個實 測的光達資料檔案內動輒多達數千萬筆，以本研究使用之高雄市地區中山 大學附近光達測量資料為例，其原始數據資料量高達 9838 萬餘筆！ 本研究採用地理區塊（Geographic Block）觀念，直接採用大地座標作 為地理區塊，以 500m*500m 為地理區塊大小，所有資料可以立即由其地 理座標直接放入相對應的地理區塊內，放入區塊內時就立即寫成直接存取 檔，當第一次掃描完檔案後，不但已統計完成其涵蓋範圍並且也已經資料 依照地理位置分開儲存。 完成光達原始資料地理區塊後，可將每個地理區塊再細分為更小的索 引單元，以便於後續作二維空間排序之用。區塊索引法採用空間資料管理 中最簡單的網格（Grid）方式管理，但因 Grid 一詞易與數值地形網格化 （Gridding）混淆，故在此採用區塊索引(Block Index)稱之。區塊索引法不 但可大幅提昇作業效能，且其方法簡單，容易實作與維護。以本研究實驗 區中山大學校園之光達資料跨越 4 個地理子區塊（17425032, 17425021, 17425024, 17425033），使用光達資料管理系統將研究區原始資料切割後， 再製作區塊索引，並產生所需的光達高度與反射強度網格資料檔（圖 1）。
圖 1 使用光達資訊整合系統切割原始資料（左），並產生光達高度影像（右）。 5-2 光達資料分類 本研究使用由中興測量公司提供於 2005/02/01-02/05 期間在高雄市測 量之光達與光學數位影像資料中，擷取中山大學附近資料進行相關研究。 本研究所使用的資料包括由 Optech ALTM3070c 光達系統測量，經全球定 位系統與慣性導航系統資料解算平差後之原始點雲資料。ALTM3070c 飛行 高度在 1500m 以下時，每秒鐘可掃瞄 7 萬點；飛行高度在 1500m 以上 3000m 以下時，每秒鐘可掃瞄 3 萬點。本次測量航高 1200m，FOV 為 26 度，掃 瞄頻率 46Hz，光達腳印點(footprint)地面涵蓋密度約 0.72m 一點，同時紀 錄四次回波資料。全彩影像是與光達同步觀測的全彩數位相機所拍攝，本 次作業相片重疊率為：左右重疊 30%，前後重疊 60%，因光達系統已整合 GPS(Global Position System)與 IMU(Inertial Motion Unit) 資料，故可直接解 算每張相片外方位參數。 本研究實驗區為中山大學校園，首先將光達的多次回波(multi-return) 資料，以光達三維掃描點坐標內插成規則網格，再以內插後的高程值或強 度值為灰度值，求得網格化影像。每張相片外方位參數可直接解算後，可 以 共 線 式 與 光 達 所 求 得 DEM 資 料 ， 直 接 產 生 高 解 析 度 (20cm) 正 射 (ortho-rectified)彩色影像。影像正射化所使用之 DEM 採用以「由粗到精的 地形復原演算法(CFTRA: Coarse to Fine Terrain Recovery Alogrithm)」 (Huang, et. al. , 2006)所求得之 DEM 資料。完成光達多次回波高程值或強度 值網格化影像與正射影像後，可從光達高程值或強度值網格化影像上，配 合光達同步觀測全彩數位影像，以框選之 ROI(Region of Interest)區域，採 集校區內植被、房屋、道路、水泥地停車場、草地、沙灘等類別的訓練參 考資料，測試樣本則以隨機方式產生，再於影像上或現場辨識並標示樣本。 本研究分別使用最小距離分類(MD: Minimum Distance)法、最大相似 分類(ML: Maximum Likelihood)法與 SVM 分類方法，進行光達與全彩數位 影像資料分類。並以以誤差矩陣(Error Matrix)分析其整體精度(Overall Accuracy)、單一類別的使用者精度與生產者精度、Kappa 指標(Kappa Index)
比較與評估其分類結果與精度。 為比較 MD、ML 與 SVM 分類方法精度之，輸入訓練與測試樣本所使 用八個特徵向量包括同步觀測之正射全彩數位影像 RGB 全彩灰度值 (1-3)、「光達正規化高度(4-5)」、「首次與末次回波反射強度(6-7)」與「首次 與末次回波正規化差值(8)」等。 所謂正規化高度(Normalized Height)是指扣除地形趨勢面之後的殘餘 高度，本研究所使用之地形趨勢面採用由 CFTRA 演算法求得 DEM 資料。 首次回波與末次回波正規化差值 (ND: Normalized Difference of first return and last return)，係參考多光譜遙測技術偵測植物時，經常採用的植被指標 為正規化差分植被指標(NDVI)，依據光達發射的雷射光束兩次回波高度差 在高度植被區域特性的不同所定義的植被指標 LP FP LP FP ND + − = (11) 式中 FP 為首次回波高度，LP 為末次回波高度，本研究所使用中山大 學實驗區的特徵向量如圖 2。 (a)全彩數位影像 (b)正規化高度 (c)反射強度 (d)正規化高度 圖 2 中山大學實驗區之特徵向量 5-3 分類結果與精度評估 為探討光達資料能否提昇分類精度，本研究採用最小距離分類法(MD) 及最大相似分類法(ML)探討使用全彩數位影像與光達資料的分類結果的 差異性。從分類實驗結果(表 2)可以看出：僅使用光達資料較僅使用全彩數 位影像的分類結果為佳，因光達高度特徵與全彩數位影像相比，具有特徵 訊號簡單清晰的特點。其中首次光達高度與反射強度資料較全彩數位影像 分類結果高約 3%；末次光達高度與反射強度資料則較全彩數位影像分類 結果高約 9%。末次光達資料分類結果較首次光達資料為佳之原因，為中 山大學校園之植被高度與建物高度相當，因此，末次光達資料建物的生產 精度與使用者精度較首次光達資料高出 20%~25%。 若將全彩數位影像與光達資料合併使用，可大幅提昇分類精度達 85.8%(ML)。若將光達高度與反射強度資料分別與全彩數位影像合併使
用，則以光達高度較光達反射強度資料為佳，其原因為光達反射強度資料 雖可反映地物對雷射光的反射強度特性，然反射強度資料遠較高度資料複 雜。另外值得注意的是全彩數位影像與光達高度與反射強度資料合併使用 時，較全彩數位影像與光達高度或反射強度資料分開使用為佳。 最後，當全彩數位影像與光達資料合併使用時，首次光達資料分類結 果與末次光達資料精度已無非常顯著差異(1%)。因此，可以使用機器學習 常用之 MD 與 ML 分類方法，對光達多次回波之高度與反射強度資料，配 合全彩數位影像全彩灰度值進行地物特徵分類，且其分類結果較僅使用全 彩數位影像為佳。 表 2 光達與全彩數位影像資料分類比較 MD ML 特徵向量 整體 精度(%) Kappa Index 整體 精度(%) Kappa Index 全彩數位影像 53.57 0.4553 66.83 0.5907 首次光達高度、反射強度 56.57 0.4661 69.34 0.6176 末次光達高度、反射強度 62.45 0.5448 75.47 0.6927 所有光達高度、反射強度資料 62.58 0.5449 - - 全彩數位影像+首次光達高度 79.22 0.7436 83.6 0.7923 全彩數位影像+首次光達反射強度 63.58 0.5709 81.23 0.7625 全彩數位影像+首次光達高度、反射強度 84.73 0.8119 85.86 0.8202 全彩數位影像+末次光達高度 80.23 0.7564 80.48 0.753 全彩數位影像+末次光達反射強度 62.45 0.5571 81.23 0.7625 全彩數位影像+末次光達高度、反射強度 83.73 0.8000 85.73 0.8183
本研究使用 LibSVM(Hsu and Lin, 2002)為核心，設計一套適合於光達 與影像資料分類作業流程，並比較 SVM 與 MD 及 ML 分類方法對全彩數 位影像與光達資料合併使用之分類結果。 表 3 顯示 SVM 方法分類結果之整體精度與 Kappa 指標較 MD 與 ML 分類方法高出 5%~6%。三種方法分類結果如圖 3，從圖 3 可以看出 SVM 在整體的分類效果上，可清楚顯示各種地物分佈情形，較其 MD 或 ML 方 法整體分類效果為佳。 表 3 SVM 方法與其他分類方法比較 全彩數位影像與首次光達高度與反射強度 全彩數位影像、末次光達高度與反射強度 分類方法 整體精度(%) Kappa Index 整體精度(%) Kappa Index
MD 84.73 0.8119 83.73 0.8000 ML 85.86 0.8202 85.73 0.8183 SVM 91.66 0.8892 90.61 0.8824
(a)MD (b) ML (c) SVM (d)MD (e) ML (f) SVM 圖 3. SVM 與其他分類方法結果比較。(a)-(c)為全彩數位影像與首次光達高度、 反射強度(d)-(f) 為全彩數位影像與末次光達高度、反射強度。 5-4 結論 本研究以中山大學校園實驗區同步觀測之全彩數位影像與光達資料，進行 地物特徵分類研究，並比較最小距離分類法(MD)、最大相似分類法(ML)與支持 向量機(SVM)三種機器學者分類方法之分類精度與分類結果。由本研究實驗結 果可知使用機器學習常用之 MD 與 ML 分類方法，可對光達多次回波之高度與 反射強度資料，配合全彩數位影像，進行地物特徵分類，且其分類結果較僅使 用全彩數位影像為佳。若將全彩數位影像與光達資料合併使用，可大幅提昇分 類精度。若將光達高度與反射強度資料分別與全彩數位影像合併使用時，則以 光達高度較光達反射強度資料為佳。全彩數位影像與光達高度與反射強度資料 合併使用時，較全彩數位影像與光達高度或反射強度資料分開使用為佳。SVM 方法分類結果之整體精度與 Kappa 指標較 MD 與 ML 分類方法高出 5%~6%， 由此可知 SVM 在整體的分類精度較 MD 與 ML 兩種方法為佳。 5-5 本研究已投稿之期刊與國際研討會文章 本研究已於 2006 年 3 月投稿國際研討會一篇(如參考文獻 6)，並已投稿 PE&RS SCI 期刊乙篇：A Knowledge-Based Approach Toward Urban Feature Classification Using LIDAR Data and Aerial Imagery. 目前正審查中。
陸、 參考文獻
http://ind.ntou.edu.tw/~cdprc/cdprc/a/center/center.htm
2. 美 國 佛 羅 里 達 州 環 保 局 (FLDEP, Florida Department of Environmental
Protection)海岸監測資料網站http://www.dep.state.fl.us/beaches/data/coastmon.htm
3. Charaniya, A., R. Manduchi, S.. Lodha, Supervised Paramteric Classification of
LIDAR Data. IEEE Workshop on Real Time 3D Sensor and Their Use, Washington DC, June 2004
4. Filin, S, 2002. Surface Clustering From Airborne Laser Scanning Data. In
ISPRS Commission III, Symposium 2002 September 9-13, 2002, Graz, Austria.
5. Hsu, C.W. and C.J. Lin, 2002. A comparison of methods for multi-class support
vector machines , IEEE Transactions on Neural Networks, 13(2002), 415-425
6. Huang, M.J., S. W. Shyue, L. W. Lee, 2006. Update Urban GIS Data by Feature
Extraction From LIDAR Data And Aerial Digital Color Imagery. The Sixth International Conference on ASIA GIS (ASIA GIS 2006), Malaysia, March 2006.
7. Jiang, B., 2004. Extraction of Spatial Objects from Laser-scanning Data Using
a Clustering Technique. XXth ISPRS Congress, Geo-Imagery Bridging Continents, 12 -23 July 2004 in Istanbul, Turkey.
8. Kohonen, T., 1995. "Self-Organizing Maps", Springer Series in Information
Sciences, Vol. 80, Springer-Verlag.
9. Kraus, K. and N. Pfeifer, Determination of terrain models in wooded areas with
airborne laser scanner data. ISPRS Jourmal of Photogrammetry and Remote Sensing, 53:193–203, 1998.％
10. Maas, H. G., 1999. The potential of height texture measures for the segmentation of airborne laserscanner data. Fourth International Airborne Remote Sensing Conference and Exhibition, 21st Canadian Symposium on Remote Sensing: Ottawa, Ontario, Canada, 1999.
11. Vapnik, V. N. 1998, Statistical Learning Theory. Wiley, New York.
12. Verveka, O., 1995. "Local K-means algorithm for color image quantization", Proceedings on Graphic Interface, Canada, 1995.
13. Velickov, S., D.P. Solomatine, X. Yu, R.K. Price, 2000. Application of Data Mining Techniques for Remote Sensing Image Analysis. Proc. 4th Int. Conference on Hydroinformatics. Iowa, USA, July 2000.
14. Vosselman, G., 2000. Slope based filtering of laser altimetry data. International Archives of Photogrammetry and Remote Sensing, XXXIII, Amsterdam, 2000. 15. Zhang, K., S. C. Cheng, D. Whitman, M. L. Shyu, J. Yan, and C. Zhang, 2003. A progressive morphological filter for removing non-ground measurements from airborne LIDAR data. IEEE Transactions on Geoscience and Remote Sensing, 41, No. 4, April 2003:872–882, 2003.
