Landsat 8衛星影像支持向量機雲偵測演算法

(1)

航測及遙測學刊第二十二卷第 4 期第 227‐241 頁民國 106 年 12 月 227 Journal of Photogrammetry and Remote Sensing

Volume 22, No.4, 2017, pp. 227‐241 DOI：10.6574/JPRS.2017.22(4).1

1國立成功大學測量及空間資訊學系碩士生收到日期：民國 106 年 02 月 22 日

2國立成功大學測量及空間資訊學系教授修改日期：民國 106 年 06 月 23 日

*通訊作者, 電話: 0910336123 , E-mail: victor99.9@hotmail.com 接受日期：民國 106 年 08 月 04 日

Landsat 8 衛星影像支持向量機雲偵測演算法

李冠毅

^1*

林昭宏

²

摘要

光學遙感探測衛星影像中普遍有雲覆蓋地表的問題，同時限制處理影像的方法。多數先前研究中，

使用門檻值是最普遍的方法，然而，因地制宜的門檻值通常只適合該研究地區；地球環境不斷推移變化，

如持續用同一門檻值，勢必有失效情況發生。根據支持向量機雲偵測演算法，可避免上述問題。故本研究利用統計模式建立分類基準，避免使用相對主觀的門檻值，依照雲和其他目標物對於不同波段之物理特性相互調整出合適光譜特徵；紋理特徵部分則使用 Hotelling transform 再經過共現矩陣產生之紋理影像。

經實驗後，結果顯示本研究提出之方法其整體準確度介於 93%至 97%。

關鍵字：雲偵測、分類、支持向量機

1. 前言

雲偵測演算法是光學式衛星影像的重要議題，

因為雲可能造成許多相關影像分析和處理計算上的誤差，故通常被視為需要被去除的目標物。因此，

光學式衛星影像的雲偵測法是許多研究前處理的必要步驟。

從多數前人研究中發現 (Irish, 2000；Irish et al., 2006 ； Zhu and Woodcock, 2012 ； Zhu and Woodcock, 2014；Zhu et al., 2015) ，門檻值法是最 常被使用的方法，但決定門檻值的標準仍有許多問題存在。地球環境因地球自轉和公轉而週期性地推移變化，於其環境下若依照使用經驗訂定固定的門檻值則較不恰當，例如：水會因為不同的溫度而有三態變化，尤其高山或高緯度地區特別明顯，若使用同一門檻值，勢必無法兼顧不同物質的物理變化。

故本研究提出一個不使用任何門檻值的方法進行雲偵測，運用支持向量機相對客觀的統計模式，避免主觀門檻值所造成的問題。

相較於僅有可見光和近紅外光的衛星影像，具有短波近紅外光及熱輻射波段之衛星影像，如 Landsat 7 和 8 衛星影像，其優勢在於較能區分雪、

岩石或沙漠和建物等低溫或高反射率之地物。自動雲層覆蓋評估法 (Automated Cloud Cover Assessment, ACCA) Irish (2000)及 Irish et al. (2006) 則是針對 Landsat 7 衛星影像設計，結合多項門檻值搭配光譜特性和分類機制進行雲偵測，同理，

Fmask (Zhu and Woodcock, 2012)結合物件導向式基礎推算雲陰影位置並可同時將其方法應用於 Landsat 4、7、8 或其他衛星影像上，其流程如圖 1 所示，經許多光譜門檻值篩選出雲、雲陰影和雪之潛在區域再估計雲底層距離地面高度，疊代計算後得雲、雲陰影和雪之最後確認像元。但 2015 年之 版本(Zhu et al., 2015)提到：「若水在寒冷環境及高 反射率的條件下，其中某一門檻值可能會失效。」

這也是門檻值法普遍難以克服的瓶頸之一。此外，

將同一方法應用於不同衛星影像上也為一大議題，

雖然 Fmask 可應用於多種衛星感測器，但仍需針對該衛星影像之使用經驗設定不同門檻值，每一衛星影像皆有特定之門檻值，故較難同時應用於其他衛星影像，然而本研究提出之方法可避免類似問題，

雖不同區域仍須訓練不同模型進行分類，但不需依照經驗設定門檻值，故較易使用同一作業流程進行雲偵測。

(2)

228

雖本針對雲，更類目標，

水及其他標物，因如山及建生之陰影結果顯示再由太陽較可能獲陰影位置

2.1 支

支持決定一個其中邊緣短距離，

and Lin, 2 持向量(s 為非線性可利用非資料轉到免此問題加權總和邊緣，此特維度分類

遙測研究使用 (Radial B

本研究著重雲偵更能同時針對

因此本研究之他。其中雲陰影

陰影可能由不建物等，但本研影，故此議題存示，偵測雲陰影陽、雲和雲陰影獲得正確的雲置勢必先做好

2. 研

支持向量機

持向量機(supp 個最大邊緣(m 緣代表兩組資而邊緣的中央 2011)，因此最 support vector 性，最佳區分超非線性之核函到特徵域(featu 題。核函式的原和，故可使用訓特性讓支持向類問題(Chen a 測影像運用於

用非線性之核 Basis Function

航測及遙

偵測，但仍期對易與雲混淆之目標物有四影為雲偵測領不同物體經光研究欲分類出存在排他性。

影要素時應先影之光的直射陰影位置。換雲偵測。

研究方法

機

port vector m maximal marg 資料和超平面央即為最佳區最接近超平面 r)，如圖 2 所超平面通常無函式(kernel fu

ure space)上再原理為使用支

訓練樣本(trai 向量機適合處 and Lin, 2006

分類上應為非核函式，稱為 n, RBF)如下式

遙測學刊第二

期望分類器能不淆的雪和水作為四大類：雲、雪領域中一大分類光線遮蔽所造成出之目標為雲所經本研究之實先偵測出雲之位射路徑條件下計換句話說，欲知

法

machine)的原理 in)區分兩組資 (hyperplane)的區分超平面(Ch 面的資料點稱為所示。若資料來無法完整運作

unction)把非線再做分類，即可支持向量所求出 ning sample)求處理遙測領域中

；Chen, 2007 非線性問題，故

為徑向基底函式：

圖

二十二卷第四

不只為分雪、

類目成，

所產實驗位置，

計算知雲

理為資料，

的最 hang 為支來源

，但線性可避出的求出中高 7)。

故本函式

平方驗證

2.2

3 所 (20 頂 ( (rad 度部

200 不同作為同時之目

階值 (int

和紅於雲別此之數水及

1 Fmask 流程

四期民國 106

, exp

其中 方距離，而 k 證獲得。

2 光譜特

本研究使用所示，並依照 15)將原始數位 (Top of Atm diance)再轉為部分則轉為感本研究參考 06)和 Fmask ( 同波段和目標為區分雲、雪、

時採用盒鬚圖目標物之數值亮度特徵：雲值，因此使用

ensity)區分像

其中、

紅光波段之 T 雲和雪在此特此二目標物，

數值；橫坐標為及其他。

程圖

年 12 月

可視為兩是任意設定之

特徵

用 Landsat 8 OL 照 Landsat 8

位數值(digita mosphere, TO 為 TOA 的反射感測器(at-senso 考 ACCA (Iris (Zhu and Woo 標物的物理特性

、水和其他類別圖分辨不同特值成果，其特徵

雲普遍在衛星用藍、綠和紅像元亮度，如下

和 TOA 反射率特徵皆為白色如圖 4，縱坐為欲分出之目

for 0

兩個向量間的之參數，通常

LI 和 TIRS 之 Data Users H al number)轉

OA) 的輻射射率(reflectanc

or)溫度。

sh, 2000；Iri odcock, 2012) 性，以其為依別的支持向量特徵下對於四

徵如下列所示星影像中呈現紅波段之平均下式所示：

3

⁄ ...

分別代表藍

；I 代表輸入

，故於此特徵坐標為亮度特目標物，分別為

... (1)

歐基里德常可由交叉

之資料如圖 Handbook

為大氣層射強度值 ce)；而溫

ish et al., )門檻值法依據將公式量機特徵，

種欲區分示：

現較亮的灰色彩強度

... (2)

藍光、綠光入影像。由徵中較難判特徵所產生為雲、雪、

(3)

雪特 (Normali 公式。依性造成在的差異，

特徵：欲區分 zed Differenc 依據物理特性在此波段中反其公式如下

李冠毅

分雲和雪，常 ce Snow Inde 性，雪會吸收短反射率低於雲

：

毅、林昭宏: La

圖 2

圖 3 Landsat

圖常態化差異雪 ex, NDSI)為常

短波近紅外光

，利於凸顯雲

....

andsat 8 衛星

支持向量機示

at 7 和 Landsa

圖 4 亮度特徵雪指標

常用的光之特雲和雪

. (3)

四徵故

依段

星影像支持向量

示意圖

at 8 波段介紹

徵盒鬚圖其中四種目標物產生徵下可明顯區分故於此特徵中較

溫度特徵依據此物理特段難以區分的雲

量機雲偵測演算

代表短波近紅生之數值如圖分，但水和其他較不能明顯區

：雲相對於其性有助於分類雲和雪，如圖

算法

紅外光波段。

圖 5 所示，雲他類有太多例區分。

其他目標物之類過程中判別圖 6 所示，縱

229

。此特徵對於雲和雪在此特例外的情況，

之溫度較低，

別在可見光波縱坐標為溫度於特

波度

(4)

230

特徵數值於此特徵較低，有輕易區分寒冷標物，使和熱輻射

1

其中和雪於此和其他類植物量，故綠吸收近紅相對地，

率較低，

物有衰敗率增加，

以上物理

其中態化差異 Index, ND 如圖 6 所物上仍有有不同的此三項特屬副熱帶果。

沙漠外光和近

⁄ 因本

值，橫坐標為徵中能夠明顯有一定程度的分雲和雪。

冷地表物特徵使用雪特徵目標射波段特性，

中代表

此特徵較不相類則有太多例外物特徵：因葉綠光反射率於紅外光波段使葉綠素吸收

，其公式為：

敗之現象發生其公式為：

理特性，植物特

⁄

中為近

異植披指數(N DVI)。以上三所示，大致上有些許不同。

的植物生長情特徵。因觀察帶及溫帶地區

漠地表特徵：

近紅外光反射

⁄ ...

本研究之研究

航測及遙

為欲分類之類別顯區分，但熱輻的影響，並不能

：針對凍原和標物中短波近其公式如下

...

表熱輻射波段相同，有利於分

外情況發生不葉綠素幾乎不吸於此波段較高使植物於近紅外收大量紅光波段

⁄ 生，葉綠素會降

⁄ 特徵還包含第

近紅外光波段 Normalized Di 三種公式所計算上數值成果類似同時，因不同況發生，故本察植物、卷雲及

，故圖 8 至

依據沙漠和岩率較高之特性

...

究區域無沙漠地

遙測學刊第二

別。雖四種目輻射波段之解能只依靠此特

和較寒冷之地近紅外光波段

：

...

。如圖 7 所示分類器計算，

不利於分類成吸收綠光波段

；同時，葉綠外光反射率很段能量讓紅光

。同時，

降低導致綠光

。另外，

第三個公式：

...

，該公式又稱 fference Vege 算而得之特徵似，但於不同同植披地形可本研究仍同時及陰影之實驗圖 11 並無雪

岩石具有短波性，其公式為

...

地形，但此特

二十二卷第四

目標物解析度特徵就

地表目段特性

. (4)

示，雲

，但水成果。

段之能綠素不很高；

光反射

，若植光反射

，總和

. (5)

稱為常 etation 徵數值同目標可能會時使用驗地區雪之成

波近紅為：

. (6) 特徵對

於其

以波分地能進

應的因影但有

四期民國 106

於區分雪有一定其他類則易於此

卷雲特徵

以表

波段，其特徵數分效果。卷雲地物則會影響能有許多例外進行分類。

陰影特徵應較強；相對的輻射擴散現因此，在近紅影的陰暗效應會但陰影區域下有其必要性。

年 12 月

定的幫助，如此特徵中混淆

：卷雲波段為示，針對卷雲數值如圖 10 所

屬於較薄之雲此特徵成果情況會發生

：在較短波長地，在較長波象則較弱，造外光波段和短會更明顯。雖然

仍包含其他地

圖 5 雲特徵

圖 6 溫度

如圖 9 所示，

淆。

為 Landsat 8 最雲特性設計出

所示，對於雲雲層，若薄雲

，且變化萬千

，故並不能只

長的波段中，

波長的波段中造成陰影較其短波近紅外光然本研究並無地表物，故使

徵盒鬚圖

度特徵盒鬚圖

，但雲、水和

2

薄紋應如 (u 擷上

衛星影像支持向

圖

2.3 紋理特

薄雲之透薄雲底下之地紋理特性有必應用許多共現矩如：相關性(co

uniformity)、同擷取不同波段上相似的波段

向量機雲偵測演

圖 9 沙漠地表

圖 10 卷雲特

圖 11 陰影特

特徵

明特性造成其表物，為考慮要加入分類器矩陣(co-occu orrelation)、對同質性(homo

之紋理。然而會產生許多高

演算法

表特徵盒鬚圖

特徵盒鬚圖

其反射率也包慮此特性所造器特徵。於先 urrence matrix

對比性(contra ogeneity)和亂

而，若擷取可高度相關的紋

231

包含了一部分造成之影響，

先前研究中，

x)之紋理指標 act)、一致性度(entropy)，

可見光等紋理紋理特徵，故 1

分

標，

性

理故

(6)

232

本研究使式為y 形成 n 維 方差矩陣其相對應徵值所對因分類器紋理特性性，其中階值降為

∑ ∑

圖 12 Ho 值影

圖 13 共

使用 Hotelling

x ，

維向量x 陣 Cx計算而得應影像之資訊對應的三張影像器中同性質的性應較為均勻中共現矩陣所使為 32 階，其公

⁄ ...

otelling transfo

影像

共現矩陣成果所

圖 14

航測及遙

transform 解 假設 n 組向

, , … ，得，因此特徵值訊量則越多。本

像輸入共現矩的特徵不宜太多勻和一致，故取使用的核罩窗公式如下所示

...

orm 成果所對

所對應之前三

研究區域之

遙測學刊第二

決這項問題，

量有相同的長

，而 A 矩陣是 值(eigenvalue)

本研究將前三矩陣，如圖 12

多，且考慮到取用之指標為窗為 9 × 9 並示：

...

對應之前三大特

三大特徵值影像

之 Landsat 8 衛

二十二卷第四

，其公 長度 K 是由協 )越大，

三大特所示，

到雲的為一致並將灰

. (7)

特徵

像

3

8 20 月由中仍像包別物供約之

研研

P

景影

衛星影像。左

四期民國 106

3. 3.1 研究區

本研究以美 OLI 和 TIRS 013 年 8 月 6 月 29 日並分別由於氣候關係中與雪相似，

仍視該目標物像挑選三塊 10 包含各式目標物別自三個研究物(雲、雪、水供給支持向量機約為五萬像元之詳細資料如表

表1 研研究區域研究區域位置 Path-row

坐標系景物特徵農影像獲得

日期 2

：美國加州。

年 12 月

實驗結

區域

美國加州、西影像作為案例 6 日、2015 年別包含農地、

，西藏地區之但其物理特性為水。實驗過 000 × 1000 像物作為測試資區域之衛星影和其他)並盡量機的訓練樣本

，如圖 15、1 表 1 所示。

研究區域之La 美國加州

38.9N, 121.7W

44/33 農地、植披

2013/08/06

中：西藏。

結果與討

西藏和臺灣地例，影像取得年 3 月 18 日和雪地和海島之之水已結為冰性仍與雪不同過程中分別從像元的正方形資料(testing d

影像中隨機挑量包含各種樣本(training dat

16、17 所示，

andsat 8影像資西藏 31.7N,

81.7E

144/38 高山雪地

2015/03/18

右：臺灣

討論

地區之 Landsat 得日期分別為和 2014 年 11 之地表特性。

冰且在可見光同，故本研究從三幅衛星影形區域並盡量 ata)，同時分挑選四類目標樣本，作為提 ta)，其樣本數

，而研究區域

資料臺灣 25.6N, 120.4E

117/43 海島地形

2014/11/29 t 為

光究影量分標提數域

(7)

圖15 美國本研

圖16 西藏究所

圖17 臺灣究所

國加州之支持研究選取之訓

藏之支持向量所選取之訓練

灣之支持向量所選取之訓練

李冠

持向量機訓練訓練樣本

量機訓練樣本練樣本

冠毅、林昭宏

練樣本。黃色區

本。黃色區塊為

: Landsat 8 衛

區塊為

為本研

3

行用類像稱之果色有故

算果地為 Fm 較在

設生檻和則情結提性料

結誤較夾究

3.2 實驗結

本研究將行門檻值調整讓用預設門檻值類(最佳門檻值像元為基準使用稱為參考影像之比較基準。表果，分類類別色分別為紅、綠有雲陰影類別故進行數值比較

表 2 加州算法皆有考慮果都有一定水地區之第三張為敏感，只要 mask 分類結較寬，經調整門在水體表現上

表 3 西藏設門檻值，分生，進而驗證檻值可能會失效和門檻值分類則較為正常，

情況發生。此結冰的情況發生提出之方法仍性，若將結成料的一致性及應

表 4 臺灣結果中發現 Fm 誤情況，經調較複雜之地區夾雜海洋和陸究有些許分類錯

結果

Fmask 作為比讓準確度提升及調整過後取值)。另外，為求

用 Photoshop

，以作為本研表 2、3、4 為為雲、雪、水綠、藍、深紅

，而本研究並較時將雲陰影州地區主要觀察

光譜對於葉綠準。另特別觀影像可發現本地表類似薄霧結果中，使用預門檻值後分類成

，兩者成果差地區之影像中類成果明顯有水在寒冷環境 效(Zhu et al., 法的瓶頸；經但仍有把雲陰外，因氣候因生，Fmask 將將其分類為水冰之水分類為應用有所影響灣地區實驗目標

mask 預設門檻整後未見改善

，除雲之組成地，另外，薄錯誤情況發生

演算法

比較對象，因升，故 Fmask 取最高準確度

求準確度分析 p 進行人眼判釋研究所提出之方

為不同研究地水、雲陰影和紅和白色。由

並無針對雲陰影併入其他類

察農地和植披綠素之特性，

觀察薄雲分類本研究之結果霧的情況下皆預設門檻值成成果較接近於差異不大。

中可以發現 F 有整體分類錯境及高反射率 , 2015)之門檻經門檻值調整陰影分類為水因素，水在此將冰視為雪，

水，因考慮水為雪，將會對響。

標物為海島與檻值在都市部善。此地區第成非常離散外薄雲也較難界生。

233

因 Fmask 可進 k 成果分為使度之門檻值兩析，本研究以釋，其成果名方法和 Fmask 地區之分類結和其他，而顏由於 Fmask 含陰影做分類，

類別。

披地形，兩演故此地區成類成果，由此果對於薄雲較皆分類成雲；

成果明顯範圍於參考影像。

Fmask 使用預錯誤的情況發率的條件下門檻值設計缺點整後分類成果水的錯誤分類此測試區域有

，而本研究所水和雪的差異對於後處理資

與都市，可於部分有分類錯第二張影像為外，雲之中還界定，故本研 3

進使兩以名 k 結顏含

演成此較

圍

預發門點果類有所異資

於錯為還研

(8)

234 航測及遙測學刊第二十二卷第四期民國 106 年 12 月

Fmask 在最後的步驟中使用形態學(morphology) 之膨脹(dilation)與侵蝕(erosion)填補其分類成果之小洞，故可發現其成果與參考影像比較起來較為粗略。本研究所提出之方法則較不易有小洞需填補之問題，故成果圖較相似於參考影像。另外，也可以發現本研究所提出之方法中薄雲較容易分類錯誤。

由實驗結果可知，Fmask 經過調整門檻值後，其成果皆有較佳之表現；而本研究雖需特別挑選訓練區計算分類模型，但可同一步驟應用於不同地區。

3.3 成果檢核

本研究之成果與Fmask分別對於參考影像進行檢核，將參考影像作為地真資料並使用準確率 (precision)和召回率(recall)計算F度量值(F-measure)，

其公式分別為 ⁄ 、

⁄ 和 2 ⁄ ，其中、

和分別代表正確正例(true positive)、錯誤正例 (false positive)和錯誤負例(false negative)。整體準確度 (overall accuracy) 則定義為

⁄ ，其中代表正

確負例 (true negative) 。另外， Kappa 定義為 / 1 ，其中為觀測一致性機率，

為期望一致性機率。

對應於表2、3、4，研究地區檢核資料如表5、6、

7所示，本研究所提出之方法整體準確度大約於93%

至97%之間，皆高於Fmask使用最佳門檻值，其中準確度浮動較大之原因可能在於SVM分類成果對於訓練樣本挑選區域較為敏感，若訓練樣本無包含測試地區之情況，分類準確度會直接受影響。而F度量值方面，則易受薄雲所影響，如表6西藏地區第三張測試影像中厚雲較薄雲量少，而薄雲因含有地物之反射率，易干擾支持向量機之訓練模型。另因許多衛星影像之光譜並未涵蓋短波紅外光和熱輻射波段，

若研究地區為雪地及高反射率之沙漠，可見光及紅外光之反射率與厚雲接近，將不易分辨，以表3、6 之西藏地區為例，因選取之特徵包含雪特徵及寒冷地表物特徵，本研究成果顯示雪的分類情況無明顯分類錯誤，但Fmask預設門檻值成果如第1章所述：

「若水在寒冷環境及高反射率的條件下，其中某一 門檻值可能會失效。」(Zhu et al., 2015)，其成果有 明顯大範圍錯誤。

Fmask在本研究成果中，準確度皆較低於Zhu and Woodcock (2012)所顯示之成果，其可能原因在於參考影像是以像元為基礎，又在Fmask中，為填補最後生成雲之小洞，使用形態學(morphology)之膨脹 (dilation)與侵蝕(erosion)做後處理，因此Fmask之分類成果皆高估參考影像之範圍，造成準確度上有所影響，且Zhu and Woodcock(2012)之成果為平均整體準確度，於某些地區準確度的確不高。但本研究之研究地區數量不如Fmask，代表未能將本研究實驗於各種可能的情況中。

為幫助判斷特徵之成效，本研究使用特徵選取法，從原有的特徵中挑選最佳部分特徵，透過特徵選取法而得之分數(F-score)鑑別能力較好的特徵，以利瞭解本研究分類問題的因果關係。如圖 18 所示，

藍色、橘色和灰色線分別代表特徵對於不同研究地區之分數，而黃色線則代表分數之加總，因此可知亮度特徵為最佳特徵，其次為 NDVI，第三為 NIR，

但紋理特徵分數皆較低，其可能因共現矩陣之指標和核罩窗所導致。考慮分類整體準確度是否會被某一特徵所拖累，本研究使用分數前五名和前八名之特徵進行訓練而得之模型測試同一資料，其整體準確度皆不如使用所有特徵，故可知在分類器中，雖特徵之特徵選取法分數較低，其仍有一定之幫助。

(9)

表 2 美

表原始

原始

美國加州地區

表 3 西藏地區始影像

始影像

李冠

區雲偵測成果

區雲偵測成果本研究所提

本研究所提

冠毅、林昭宏

果。雲、雪、水

。雲、雪、水出之方法 Fm

出之方法 Fm

: Landsat 8 衛

水、陰影和其

水、陰影和其美國加州 mask (預設門

西藏 mask (預設門

其他之類別顏

其他之類別顏色州

門檻值) Fmas

色分別為紅、

sk (最佳門檻值

演算法

、綠、藍、深

綠、藍、深值) 參

值) 參

235

深紅和白色

紅和白色參考影像

參考影像 5

(10)

236

表

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

F-scor e

原始

表 4 臺灣地區

始影像

航測及遙

區雲偵測成果

Dataset I:

本研究所提

遙測學刊第二

。雲、雪、水

圖1

California, USA

出之方法 Fm

二十二卷第四

水、陰影和其

18 特徵選取

Datas

臺灣 mask (預設門

四期民國 106

其他之類別顏色

法成果

set II: Tibet, Chin

門檻值) Fmas 年 12 月

色分別為紅、

a Data

sk (最佳門檻值

綠、藍、深

aset III: Taiwan

值) 參

紅和白色

All

參考影像

(11)

表 5 美國研究

美國加州

國加州地區檢究所提出之方

原始影像種類

本研究所提出之方法

P(%

R(%

F(%

A(%

K(%

Fmask

( 預設

門檻值)

P(%

R(%

F(%

A(%

K(%

Fmask

( 最佳

門檻值)

P(%

R(%

F(%

A(%

K(%

李冠

檢核資料。以準法、Fmask 使

其他

%) 98.12

%) 97.58

%) 97.85

%)

%) 95.10

%) 73.72

%) 83.05

%)

%) 85.72

%) 92.22

%) 88.85

%)

冠毅、林昭宏

準確度(P)、召使用預設門檻

雲水

90.66 98 94.70 92 92.63 95 96.75 91.76 58.26 70 89.70 66 70.64 68 75.72 55.73 84.76 66 57.86 78 68.77 72 81.81 57.24

: Landsat 8 衛

召回率(R)、F 檻值和 Fmask 使

水其他

8.19 98.08 2.73 98.21 5.38 98.14

0.42 96.09 6.80 60.62 8.56 74.34

6.75 83.76 8.37 95.12 2.09 89.08

F 度量值(F)、

使用最佳門檻

他雲

8 90.67 1 89.62 4 90.14 96.88 88.30 9 38.89 2 87.46 4 53.84 64.35 35.42 6 72.61 2 32.09 8 44.51 80.48 33.69

整體準確度(

檻值

水其

80.68 99 99.05 93 88.92 96

55.82 95 65.39 80 60.23 87

49.49 90 65.39 97 56.34 93

演算法

(A)和 Kappa

其他雲

9.08 53.47 3.74 94.26 6.34 68.23 93.48 68.47 5.27 30.23 0.20 71.86 7.09 42.56 77.54 32.96 0.62 71.83 7.03 20.29 3.71 31.65 88.19 29.83

237

值(K)評估本

水

7 76.12 6 82.95 3 79.39 8

7

3 39.64 6 48.73 6 43.72 4

6

3 34.74 9 52.66 5 43.97 9

3

7

本

(12)

238

表 6 西藏所提

西藏

藏地區檢核資提出之方法、F

原始影像種類

P(%

R(%

F(%

A(%

K(%

Fmask

( 預設

門檻值)

P(%

R(%

F(%

A(%

K(%

Fmask

( 最佳

門檻值)

P(%

R(%

F(%

A(%

K(%

航測及遙

資料。以準確度 Fmask 使用預

其他雲

%) 93.98 97

%) 99.71 73

%) 96.76 83

%)

%) 0 12

%) 0 99

%) 0 22

%)

%) 87.36 93

%) 87.87 44

%) 87.61 60

%)

遙測學刊第二

度(P)、召回率預設門檻值和

雲雪

7.78 91.51 9 .61 97.45 8 .99 94.39 9

94.56 87.35 2.50 0 9.59 0 2.21 0

13.61 3.66 .61 14.43 4.17 62.02 0.02 23.42

73.88 38.76

二十二卷第四

率(R)、F 度量和 Fmask 使用最

水其他

98.10 93.25 83.26 99.65 90.07 96.34

0 0 0 0 0 0

1.77 84.99 0.62 85.1 0.92 85.05

四期民國 106

量值(F)、整體準最佳門檻值

雲雪

98.11 90.2 65.47 97.7 78.54 93.8 93.65 78.85 10.88 0 98.89 0 19.6 0 13.45

5.58 83.5 16.94 23.27 67.2 36.39 27.0 72.35 26.64

年 12 月

準確度(A) 和

水其

7 94.83 93.

6 41.91 99.

6 58.13 96.

0 0 0 0 0 0

4 0.10 92.

3 0.68 94.

7 0.18 93.

和 Kappa 值(K

其他雲

.95 99.79 9 .93 46.86 9 .85 63.77 9 94.2 62.88 0 5.47 0 99.60 0 10.37 9.20 4.39 .66 89.10 3 .73 39.47 2 .68 54.7 6

86.56 35.29

K)評估本研究

雪水

92.19 89.62 97.41 51.21 94.73 65.18

1 8

0 0 0 0 0 0 0

9

3.50 0.21 23.61 2.59 6.10 0.38 6

9

究

(13)

表 7 臺灣所提

臺灣

本研使用支持判斷標準

灣地區檢核資提出之方法、F

原始影像種類

P(%) R(%) F(%) A(%) K(%

Fmask

( 預設

門檻值)

P(%) R(%) F(%) A(%) K(%

Fmask

( 最佳

門檻值)

P(%) R(%) F(%) A(%) K(%

4. 結

研究主要貢獻持向量機代替準，並應用多光

李冠

資料。以準確度 Fmask 使用預

其他 ) 96.27 ) 98.71 ) 97.48 )

)

) 94.75 ) 75.81 ) 84.23 )

)

) 97.19 ) 86.99 ) 91.81 )

)

論與建

在於提出免門替經驗門檻值

光譜資訊於支

冠毅、林昭宏

度(P)、召回率預設門檻值和

雲水 97.65 98 90.80 99 94.10 98 97.33 95.83 70.97 92 86.44 96 77.95 94 85.48 77.68 97.03 93 90.38 99 93.59 96 92.36 88.35

議

門檻值雲偵測避免過於主觀支持向量機，但

: Landsat 8 衛

率(R)、F 度量和 Fmask 使用最

水其他 8.30 93.08 9.45 97.47 8.87 95.23

2.21 92.28 6.54 94.88 4.33 88.42

3.92 97.93 9.11 81.45 6.45 88.93

測法，

觀之但針

對每持向影響物的考慮

量值(F)、整體準最佳門檻值

雲 8 95.48 7 91.04 3 93.21 93.94 88.31 8 88.18 8 89.05 2 88.61 84.62 71.98 3 86.84 5 97.07 3 91.67 86.45 75.67

每張影像仍須向量機上主要響，大多僅使的物理特性本慮環境因素加

準確度(A) 和

水其 90.10 96 73.46 91 80.93 93

92.62 96 31.23 70 46.71 81

88.11 95 42.29 77 57.15 58

須訓練分類模型要探討不同核

用可見光及紅本身無法突破雲加入短波紅外光

演算法

和 Kappa 值(K

其他雲 6.93 89.25 1.16 93.39 3.96 91.27 94.94 92.29 6.83 83.86 0.63 92.63 1.68 88.03 86.72 80.49 5.67 90.73 7.89 88.18 8.87 89.44 88.65 83.16

型。多數先前核函式對於分紅外光波段，

雲偵測問題，

光和熱輻射波

239

K)評估本研究

水 5 97.13 9 99.09 7 98.10 4

9

6 96.81 3 96.41 3 96.61 2

9

3 95.2 8 97.94 4 96.55 5

6

前研究於支類結果的導致目標然而，若波段，則可

9

究

(14)

240 航測及遙測學刊第二十二卷第四期民國 106 年 12 月

突破障礙並增加分類準確度，例如：使用熱輻射波段讓雲本身溫度較低之物理特性發揮作用，讓分類器較能分辨其他目標物。

本研究所提出之方法為結合多光譜和紋理資訊成為支持向量機之特徵，透過訓練樣本計算出分類模型代替經驗門檻值，使分類成果更客觀與穩定，

其中光譜特徵包含 Landsat 8 OLI 和 TIRS 之紅、綠、

藍可見光波段、近紅外光波段、短波長近紅外光波段和熱輻射波段，而紋理特徵則是使用 Hotelling transform 計算所有波段的大部分資訊後再使用灰階共現矩陣獲得紋理資訊，雖紋理在特徵選取法結果中分數較低，但經實驗證明仍需此特徵。研究區域包含美國加州、西藏和臺灣之 Landsat 8 衛星影像，挑選因素主要在於該地區分別涵蓋植披、高山雪地和海島地形，而測試資料每張為 1000 平方像元；訓練樣本約為五萬像元。實驗結果整體準確度大約為 93%至 97%、Kappa 值大約落於 70%至 90%，

比 Fmask 更穩定，另 Fmask 於西藏地區中明顯出現門檻值法失效的情況，經調整門檻值後準確度明顯改善，故證實固定的經驗門檻值不一定適合不同實驗資料，而本研究方法可用同一步驟應用於不同地區，避免訂定過於主觀之門檻值。偵測薄雲為本研究主要挑戰之一，因反射率涵蓋一部分地表資訊，

造成人眼判斷困難，且易被人為判斷因素所影響，

實驗成果顯示含有薄雲之影像易因訓練樣本是否完整而影響分類結果，若訓練樣本完善則分類精度可達 90%以上。

支持向量機能夠以多類別為基礎進行分類，故未來應可加入雲陰影之類別，並應考慮太陽、衛星及雲之幾何關係並以數值高程模型 (Digital Elevation Model, DEM)為地面計算基礎，使支持向量機雲偵測演算法更為完整。

參考文獻

Chen, Y.W., and Lin, C.J., 2006. Combining SVMs with various feature selection strategies, In Feature Extraction, pp. 315-324, Springer Berlin Heidelberg.

Chen, G., 2007. Support vector machines for cloud detection over ice-snow areas, Geo-spatial Information Science, 10(2): 117-120.

Chang, C.C., and Lin, C.J., 2011. LIBSVM: A library for support vector machines, ACM Transactions on Intelligent Systems and Technology (TIST), 2(3): 27:1–27:27.

Irish, R., 2000. Landsat-7 automatic cloud cover assessment algorithms for multispectral, hyperspectral, and ultraspectral imagery, The International Society for Optical Engineering, 4049:348–355.

Irish, R.R., Barker, J.L., Goward, S.N., and Arvidson, T., 2006. Characterization of the landsat-7 ETM+ automated cloud-cover assessment (ACCA) algorithm, Photogrammetric Engineering and Remote Sensing, 72(10):

1179-1188.

USGS, 2015. LANDSAT 8 (L8) Data Users Handbook, Department of the Interior US Geological Survey, LSDS-1574 Version 1.0, 105.

Zhu, Z., and Woodcock, C.E., 2012. Object-based cloud and cloud shadow detection in landsat imagery, Remote Sensing of Environment, 118(2012):83–94.

Zhu, Z., and Woodcock, C.E., 2014. Automated cloud, cloud shadow, and snow detection in multitemporal Landsat data: An algorithm designed specifically for monitoring land cover change, Remote Sensing of Environment, 152(2014): 217-234.

Zhu, Z., Wang, S., and Woodcock, C.E., 2015.

Improvement and expansion of the Fmask algorithm: Cloud, cloud shadow, and snow detection for Landsats 4–7, 8, and Sentinel 2 images, Remote Sensing of Environment, 159(2015): 269-277.

(15)

李冠毅、林昭宏: Landsat 8 衛星影像支持向量機雲偵測演算法 241

1Master, Department of Geomatics, National Cheng-Kung University Received Date: Feb. 22, 2017

2Professor, Department of Geomatics, National Cheng-Kung University Revised Date: Jun. 23, 2017

* Corresponding Author,Tel: 886-910336123 , E-mail: victor99.9@hotmail.com Accepted Date: Aug. 04, 2017

Cloud Detection Based on Support Vector Machine for Landsat 8 Imagery

Kuan-Yi Lee ^1*

Chao-Hung Lin²

Abstract

Cloud covers are generally present in optical remote-sensing images, which limit the usage of acquired images. In previous studies, thresholding is a common and rapid method in cloud detection. However, a selected threshold is usually suitable for local study areas, and it may be failed in other cases. Besides, there are many exceptions to control, and the environment is changed dynamically. In this study, a threshold-free method based on Support Vector Machine (SVM) is proposed, which can avoid the abovementioned problems. A statistical model is adopted to detect clouds instead of a subjective thresholding-based method. According to the physical characteristics of clouds and other objects, the spectral features are appropriately designed for classification.

Spatial and temporal information are also important for satellite images. Consequently, co-occurrence matrix of the Hotelling transform is used in proposed method. Experiment results demonstrate the detection accuracy of the proposed method is about 93% to 97%.

Keywords：

Cloud Detection, Classification, Support Vector Machine