應用半變異元模式於 QuickBird 影像中植生類別分類特性之研究

(1)

Volume 12, No.1, March 2007, pp. 1-16

應用半變異元模式於 QuickBird 影像中植生類別分類特性之研究

雷祖強

¹

周天穎

²

鄭丁元

³

摘要

在利用遙測資訊進行水稻田分類問題當中，光譜反應值接近的相異類別往往容易產生混淆，例如水稻田、草地與林地等。也就是說若以光譜資訊進行影像判釋時，將很難直接獲得較高的分類精準度。為解決此一問題，本研究嘗試於影像判釋時加入紋理資訊，擴大植生類別間的空間特徵差異性，進而提升高解析度衛星影像判釋時的精準度。

本研究使用地理統計學（Geostatistic Theory）中的半變異元理論（Semivariogram Theory）作為紋理資訊之萃取模式，模式的選定則是使用方向半變異元（ Direct-Semivariogram ）與交叉半變異元

（Cross-Semivariogram）模式，以表達出植生類別間不同性質之紋理特徵資訊。另外，研究中也深入的討論了視窗大小、計算方向等影響分類成果之因子特性，以得到適合輔助水稻田判釋之紋理資訊。研究成果顯示，利用紋理資訊可有效的提升高解析度衛星影像判釋水稻田的精確度，而分類成果也將有助於相關單位制訂農業政策時之重要參考依據。

關鍵詞：植生類別判釋、高解析度衛星影像、半變異元、紋理資訊

1. 簡介

水稻為台灣的主要糧食且為重要作物之一，因此政府每年花費大量的人力、物力來調查水稻田種植面積與產量，以作為國家糧食政策制訂與農民休耕時之補償依據。因此水稻田面積調查，乃為政府農業施政中極為重要的工作項目之一。

目前水稻田面積調查方式可分為兩種，首先為地方政府派遣人員就實際種植面積進行調查，再統一彙報給中央政府，此部分就是國家統計年報的資訊來源；其次是政府每年也會拍攝兩次航空相片，

利用航空相片高解析度的特性，使用人工判讀方式數化水稻田坵塊之 GIS 數值檔，以精準的調查出水稻田坵塊面積之結果。然而上述這兩種調查方式都有其問題與缺失，前者則是必須投入大量的人力與

物力方可進行調查與資料處理，之後方能提供給外界參考使用，在時效性上往往大打折扣；而後者結果精準，但人工判讀上往往會造成水稻田坵塊資訊的誤判與漏判，而且同樣會耗費大量的人力與物力建置資料。因此政府目前急需一種新的水稻田面積調查方式，以逐步的改善上述兩種調查方式之缺失。

2. 文獻回顧

由於早期衛星影像的空間解析度約在數十公尺左右（Landsat、SPOT 等），而台灣的土地使用多半是小農耕作，在多樣性極高的情形下，影像分類成效容易受到混合像元（Mixed Pixel）的影響，導致難有較佳的分類精度。所以利用低、中解析度衛星影像調查水稻田面積之研究，往往會遭遇到極大

1逢甲大學環境資訊科技研究所助理教授

2逢甲大學土地管理學系教授暨地理資訊研究中心主任

3逢甲大學環境資訊科技研究所碩士

收到日期:民國 94 年 10 月 21 日修改日期:民國 95 年 11 月 02 日接受日期:民國 95 年 11 月 03 日

(2)

的困難與挑戰。另一方面高解析度衛星影像之空間解析度已達到數公尺至數公寸級的境界（如 QuickBird、IKONOS 等），雖然其空間解析度乃不如航空相片，但由於高解析度衛星影像具有成本較低、處理所需時間較短與拍攝範圍大等優點，近年來已逐漸的被評估作為取代航照來進行水稻田調查時的資訊來源(陳彥宏、等，2002；吳政庭、等，

2003)。然而高解析度影像也存在若干的問題，例如高解析度影像蘊含了大量的資訊，若以傳統光譜分類之方式進行判釋時，分類結果極易產生混淆的現象，而達不到預期的目標（ Chica-Olmo and Abarca-Hernandez, 2000）。為解決此一問題，本研究嘗試應用半變異元紋理資訊（Semivariogram Texture Information）來輔助光譜進行影像判釋，期望藉由增加類別與類別間差異性之方式，以提昇影像判釋的正確性。

所謂影像當中之紋理特性，就是影像中相同物體在群集時，將會以某種規律的方式排列出現，而這種排列的方式，可認為是代表地物的某一種特性，而這種特性就是組織特徵（ Haralick and Shaunmugam, 1973）。由於各類地表覆蓋之物體會反射不同波長的電磁波，因此在影像中對於組織關係我們多是探討「色調」（電磁波反射記錄）的組合方式，另一方面，不同地物的色調對於視覺以及統計上會產生不一樣的結果（疏密、方向性以及規律性），因此可以利用這種方式進行分類判釋。基本上計算影像紋理的法則可分為三類：組織結構

（Structure）法、頻譜（Spectral）分析法以及統計

（Statistical）分析法等(林榮章，1999；Chica-Olmo and Abarca-Hernandez, 2000)。

所謂結構法就是將紋理視為主要的圖形，按一定規則重複排列的結果（He et al., 1987）。頻譜分析法是基於傅利葉轉換分析（ Fourier Transform Analysis）的一種分析方式（Matsuyama, 1980）。而統計分析法是目前最主要的方法之一（Chica-Olmo and Abarca-Hernandez, 2000），統計法中又以灰階共伴隨矩陣（Gary Level Co-occurrence Matrix, GLCM）

法（Haralick and Shaunmugam, 1973）、碎形維度

（Fractal Dimension）值（Clarke, 1986）以及半變異元（Semivariogram）法為經常使用之影像組織量化法。

本研究在組織紋理分析方面，乃是使用半變異元法所產生的紋理資訊，作為影像輔助分析之用，

而應用半變異元法進行影像分析之探討，最早是由 Woodcock 與 Strahler（1983）；Woodcock 等人（1988）

的研究所開始，其討論半變異元模式在影像上及不同參數所造成之影響。Curran（1988）則探討了遙測影像中草地、灌木林、林地以及水體的半變異元值，其結果顯示，不同的地表覆蓋物，將會存在不同的半變異元值，這個結果對於半變異元組織紋理分類方面，提供一種新的思考方向。Miranda 等人

（ 1992 ）則發展出半變異元組織分類法

（Semivariogram Textural Classifier, STC），其利用 SIR-B 影像對婆羅洲（Borneo）地區進行地物分類，

然而文中並未深入探討其演算法則與視窗大小

（Window Size）之影響。McGWIRE 等人（1993）

利用半變異元方式與 NDVI 影像，探討美國加州 Madera 郡當中橡樹（Oak）空間分佈之情形，其研究分析不同的空間尺度與取樣方向對於半變異元模式之影響，並且討論其中的差異性。Miranda 等人（1996）利用半變異元組織分類法，成功的將 JERS-1 SAR 影像當中的土地覆蓋類別分離出來，

並且討論微波影像分類上之特性。Carr 與 Miranda

（1998）則比較了半變異元法與灰階共伴隨矩陣法在光譜影像與微波影像上之差異性，其研究的結果顯示，上述兩種影像而言，半變異元法相對於灰階共伴隨矩陣法均有較大的分類正確性。Chica-Olmo 與 Abarca-Hernandez（2000）利用半變異元法與主成分分析法進行影像之分類，並且探討不同半變異元模式之差異性。

回顧上述的文獻中可得知，影像中應用半變異元模式可確實提升影像分類之正確性，而且合適於複雜地區之地物特徵萃取。然而在高解析度衛星影像方面，針對影像當中容易混淆的類別（例如：水稻、草地、林地等）則欠缺相關方面的研究，因此本文嘗試將高解析度衛星影像與半變異元模式相

(3)

互結合，評比不同植生類別之標準半變異元特性，

與不同半變異元在視窗大小與波段組合上之差異性，並將此成果作為農政單位規劃、調查之重要參考依據。

3. 研究範圍與資料特性

本研究使用 2003 年 10 月 25 日所拍攝之 QuickBird 衛星影像（如圖 1），實驗地區影像大小

為全色態影像的 1024×1024 像元（空間解析度為 0.7m），多光譜影像 256×256 像元（空間解析度為 2.8m），其範圍位於台中市北屯區內，土地使用包括建物、道路、裸露地、林地、草地與水稻田等，

其中水稻田面積約佔全區 1/3 以上，而草地與林地亦分別佔有全圖約 1/3 面積，因此適合分析高解析度衛星影像於不同植生類別分類之應用。

圖 1、實證地區與 QuickBird 衛星影像(2003 年 10 月 25 日)

4. 研究方法與流程

4.1 影像融合

影像融合(Image Fusion)之目的乃是藉由某種演算法結合兩類或多類以上的影像，以形成一張同時兼具這些影像所有優點的新影像(Pohl and Van Genderen, 1998)。以高解析度全色態影像與低解析度多光譜影像的融合為例，新產生的影像具有原全色態影像的高空間解析度及維持與原多光譜影像相近的頻譜特性，此結果將有助於影像分類之用 (Pohl and Van Genderen, 1998)。為提升 QuickBird 衛星影像之分類成效，本研究利用 ERDAS IMAGINE 8.6 軟體當中的主成份分析法(PCA)影像融合功能，將解析度為 2.8m 的多光譜影像，融合成 0.7m

解析度的影像。

4.2 半變異元理論

降雨、氣溫、河川流量與地震強度等自然界中的諸多現象，多具有時間或空間上的變異，當研究這些現象時只針對時間或空間上的一個點時，可以用隨機變數(Random Variable)來描述這些物理現象之變異量（Journel and Huijbregts, 1991）。在空間上各隨機變數即形成一隨機變域(Random Field)，由於空間上不同位置之各隨機變數間並非完全獨立，而可能具有不同程度的相關性，因此隨機變域之表現值即被稱為區域化變數 (Regionalized Variable ， Re.V.)，通常以 Z(x)代表一區域化變數，x 代表空間中的位置向量。區域化變數理論（亦有人稱為克利金法）即是在分析及建構 Z(x)之空間變異特性，

(4)

並利用此特性來作推測。由於一般克利金法

（Ordinary Kriging）假設E[Z(x)]=E[Z(x+h)]，故半變異值γ(h)可由（公式 1）求得（Journel and Huijbregts, 1991）。其中Z(x)、Z(x+h)表空間中任意兩觀測值；n 表配對數目；h 表觀測值間之相對距離。

[ ]

∑ − +

=

= ) (

1

)2

( ) ) (

( 2 ) 1 (

h n

i Z xi Z xi h

h h n

γ (1)

利用公式(1)可將空間資料展繪至圖中，此結果可稱為半變異元圖(如圖 2-(a))，若以遙測影像為例來解釋影像中之取樣關係可如圖 2-(b)所示。圖 2-(a)

中之h_c稱為影響範圍(Influence Range)，其所代表的意義是資料空間的相關性，當半變異值γ(h)會隨距離h增大而增大，最後會逼近一個定值，這個值可稱為基元值（Sill），若γ(h)值近似至基元值後，

表示在此範圍外資料之間無相關性。最後則是所謂碎塊效應（Nugget Effect, C_o），其所代表的是小空間有大變異的情形，若是C_o值越大，表示空間相關性不佳，若是C_o大到與基元值相同時，則表示資料無空間相關性。而圖 2-(b)為遙測影像當中不同取樣距離下(h)之取樣方式。

(a)半變異元圖

(b)遙測影像取樣關係

圖 2、半變異元圖與遙測影像取樣關係

4.2.1 半變異元影像分類之功用

本研究是使用兩種半變異元模式，來達到影像中植生類別差異化之目的，其分別使用方向半變異元（ Direct-Semivariogram ）、交叉半變異元

（ Cross-Semivariogram ）兩種（ Chica-Olmo and

Abaraca-Hernandez, 2000)，公式如下：

（1）方向半變異元模式

一般傳統的半變異元模式可用方向半變異元模式來表達，如公式 2：

[ ]

( )

2 1

( ) 1 ( ) ( ))

2 ( )

n h

k k i k i

i

h DN x DN x h

γ n h

=

∑

− + (2)

(5)

其中DN_k(x)、DN_k(x+h)表影像中兩像元的影像灰階值；n(h)表配對數目；h 表示兩像元的相對距離，k表示所使用的影像波段。

（2）交叉半變異元

交叉半變異元可用來表達兩波段間相似性之關係，其定義為兩幅影像（j 與 k 波段）之交叉關係，如公式 3 所述：

[ ]

∑

= − +

× +

= ⁽⁾ −

1 ( ) ( )

) ( ) ( )

( 2 ) 1 (

h n

i k i k i

i j j j

jk DN x DN x h

h x DN x DN h h n

γ (3)

另一方面，本研究顯示半變異元的基元值與光譜值對不同植生類別物體描述之差異性，而這種差異性，相較於影像光譜值而言更具有分類上之價值

（如表 1），表 1 中同為植生類別的水稻田、草地

與林地在 QuickBird 衛星影像各波段的光譜灰階值均十分接近（除草地的 IR 低於水稻田與林地），因此判釋時就容易產生混淆、誤判的情形；然而透過半變異元結構資訊的描述，這三種類別就顯示出本質上的差異性，例如水稻屬於人為種植的作物，具有良好的排列順序與均勻的生長高度，因此計算出的半變異元基元值較低，但草地和林地就顯得較為雜亂無章，特別是林地起伏相較於草地與水稻田更為明顯，故計算得到的半變異元基元值會較草地與水稻田高出許多（本例中水稻田樣區之方向半變異元紋理平均值僅 0.18，而林地樣區之紋理平均值則高達 39.04）。因此藉由半變異元值的度量，可使林地與水稻田於度量時產生較大差異性，進而減少判釋時分類混淆的問題發生。

表 1、各類別之光譜與半變異元統計表（5×5 視窗）

藍光段綠光段紅光段近紅外光段方向半變異元

波段

類別平均值標準差平均值標準差平均值標準差平均值標準差平均值標準差林地 26.88 4.13 35.25 7.24 17.06 5.80 80.50 10.24 39.04 22.27 草地 28.02 0.90 39.39 1.44 22.55 1.51 66.69 3.36 0.86 1.04 水稻田 26.92 0.66 36.79 1.16 18.06 0.90 80.29 1.45 0.18 0.39

4.2.2 半變異元之方向性、視窗大小與波段組合的選擇

除了上述不同半變異元方法會影響到分類成果之外，半變異元模式中之方向性（Direction）、取樣間距、視窗大小（Window Size）和波段組合（Band Combination）等參數，也會同時的影響到問題結果。如同其他紋理影像計算方式一樣（例如 GLCM），半變異元也是使用移動視窗（Moving Window）的方式來完成計算，因此需要討論上述問題。

在方向性問題部分，由於地表景物的排列順序與方向並不固定，因此在計算紋理特徵時，可以考慮將影像中將方向性分成東-西向（0°）、南-北向

(90°)、東北-西南向（45°）、西北-東南向（135°）四個方向來計算，此結果稱為非等向性（Anisotropy）

半變異元。若空間方向性不明顯時，可將四個方向的半變異元值加總取其平均，即成為所謂的等向性

（Isotropy）半變異元。為了解上述方向性特性，

本研究在實驗設計中採用多組不同排列方向之水稻田坵塊樣區，並計算每個樣區之四種取樣方向與一個平均方向，之後將影像分成水稻田與非水稻田進行精準度檢核，最後之實驗結果顯示，就本研究個案上來看，等向性與非等向性紋理影像對於分類成果均有幫助，兩者之分類成果差異性並不大，為了方便後續研究的操作，本文歸納使用「等向性半變異元」來表達這個操作模型的價值。

在取樣間距方面，本研究所採用的是 h=1 的距

(6)

離來進行問題的採樣（如圖 2-(b)所示），本文採用此參數的理由則是 Quickbird 衛星為高解析度影像，而本文實證地區之地物結構亦相當複雜，在不損失任何寶貴資訊的前提之下，本研究使用 h=1 之取樣距離，來進行影像結構之差分計算。

此外在最適視窗大小選取的問題方面，由於 Marceau et al.（1990）的研究中指出，計算視窗的大小對於紋理分析的結果有很大的影響性。實際在進行紋理特徵萃取時，若其計算視窗過小，所包含的資訊將不足以表達該類別之紋理特性，若計算視窗過大，則可能導致包含過多其他類別的資訊進來，因此決定最適視窗大小一直是紋理影像處理的困擾來源。這個問題的主要原因是影像當中各類物種與結構十分繁瑣，需要有一適當的空間度量工具，而半變異元本身就是度量空間資訊變異程度的良好工具，因此許多的研究均嘗試使用半變異元法來進行最適移動視窗大小的決定（Woodcock and Sttahler, 1983; Woodcock et al., 1988; Curran, 1988;

Curran and Atkinson, 1998; Tso and Mather, 2001）。

最後在波段組合的問題上，適當的波段組合將會有助於分類成效（ Chica-Olmo and Abarca-Hernandez, 2000），另外由於本研究的光譜來源有四個波段（B、G、R、IR 波段），利用公式(3) 之交叉半變異元的組合就有 B-G、B-R、B-IR、G-R、

G-IR、R-IR 六種，因此研究中使用林地、草地、水稻田試驗樣本，計算各波段組合之交叉半變異元值，作為選擇波段組合之依據。

4.3 最短距離分類法

由於半變異元法本身具有方差的特性，因此透過半變異元法所獲得之紋理影像，已轉換成以距離遠近與方差結果來表達各類別特性之意涵，此時的紋理影像已和光譜灰階影像的內容有所不同，若在分類時使用訓練樣本母體為常態分佈假設之最大概似分類法(Maximum Likelihood Classification)，就會發生不合適之情形（Carr and Miranda, 1998）。因此本研究採用以距離遠近來表達分類特性的最短距離法(Minimum Distance Classification)，作為研究

時的分類器。

最短距離法是使用歐基里德距離來度量其欲分類類別在空間上與其他訓練類別間之關係，進而判定其類別屬性的方法（Jensen, 1996）。因此首先計算出每一類別訓練樣區的平均值（μ ），以決定出此類別位於空間之位置，而未知類別的像元將依其光譜值（DN）的大小，計算出其與各類別間之空間距離（D），依照空間距離的長短，將未知像元分類成最靠近它的類別。

本研究分析的作法則是以原始光譜影像為基礎，而每一個單波段的 Variogram 紋理影像，基本上就是增加一個新的特徵空間，如再加上多波段所組合的其他 Variogram 紋理影像，再合併原有的多光譜資訊，就會構成新的組合影像（這個組合影像的特徵空間也許會有 7、8 個以上的波段），最後再進行影像的分類。

4.4 影像精準度評估

影像的判釋精準度評估是指在影像分類完成後，依據所蒐集的地面真實現況，評估分類後影像的準確性，一般是透過誤差分析矩陣來表示評估之結果，而誤差分析矩陣所使用的指標分別是有使用者精度（ User＇s Accuracy, UA ）、生產者精度

（Producer＇s Accuracy, PA）、整體精度（Overall Accuracy）與 Kappa 統計值四種，由於本研究判釋時將類別分為林地、草地、水稻田與其他類別共四類，因此分精準度評估表就由這四個類別所組成。

此外生產者精度表示在某種分類法則下，地面參考資料可正確地被分類的精度，對於水稻田類別而言，其為水稻田在 GIS 耕地坵塊內被判釋正確的比率；而使用者精度則表示影像被分類後（例如：水稻田），各類別的漏授程度，亦可表示為水稻田在坵塊外部的判釋正確率。

本研究在判釋時的精準度檢核點採隨機取樣之方式自動產生，對於林地、草地、水稻田與其他類別各取 100 個檢核點，所以整幅影像共有 400 個檢核點，檢核時參考航空相片對各檢核點作誤差之比對，此外，由於本研究產生許多分類後的影像，

(7)

為求客觀的結果，因此需以相同的標準下進行精準度評估，故每張影像均以相同之檢核點評估其精準度。

4.5 研究流程

總結本研究之方法，可歸納出以下的研究流程

（如圖 3）。首先本研究之資訊來源為 QuickBird 高解析度衛星影像，並藉由台中市航空相片圖進行影像幾何校正，透過影像融合技術將多光譜影像從 2.8m 的空間解析度融合成 0.7m 的空間解析度。然後分析的程序將可分成兩大部分，首先是光譜資訊的部分，其次是紋理資訊的部分。在光譜資訊的部分，本研究使用 B、G、R、IR 四個波段作為影像分類的資訊來源。

圖 3、研究流程圖

在紋理資訊部分，由於全色態影像對於地物紋理反應顯著，因此本研究使用全色態影像作為方向半變異元紋理資訊時的資料來源。之後針對紋理資訊的分析，又可分成二大步驟：分別是「最適視窗大小的決定」以及「交叉半變異元波段組合之決

定」，參數決定後將計算影像紋理資訊，並將紋理資訊與光譜資訊組合，作為影像分類與評比分析的資料來源，再以最短距離法進行影像判釋，並且利用耕地坵塊圖與航照圖對判釋成果進行精準度檢核，以探討各種紋理資訊對植生類別判釋成果之影響，最後提出本研究之結論。

5. 結果與討論

5.1 最適視窗大小決定之成果

針對前節(4.2.2)的討論中可以得知，本研究使用半變異元方式來決定最適視窗大小之問題。其做法則是選擇全色態影像中的林地、草地、水稻田標準樣本進行半變異元計算，再選擇球形曲線模式進行套配，其公式如下（Journel & Huijbregts, 1991; 廖雯慧，2000）：

c c c

c

h h for sill

h

h h h for h h C h C h

>

=

⎥ ≤

⎥

⎦

⎤

⎢⎢

⎣

⎡

⎟⎟⎠

⎜⎜ ⎞

⎝

− ⎛

⎟⎟⎠

⎜⎜ ⎞

⎝ + ⎛

= ) (

5 . 0 5 . 1 )

(

3 0

γ

γ (4)

式中 C 為基元值（Sill）減去碎塊效應（Nugget Effect）

所得。

其成果如圖 4 所示，植生樣本空間特性約在 5×5 的視窗範圍中穩定，且林地、草地與水稻田樣本均有其空間特性（圖 4-(b)、4-(c)）。在圖 4-(b)中可明顯看出，林地的半變異元遠高於草地與水稻田，因此在影像判釋時將能提供良好的資訊以利於分類，然而在水稻田與草地上，其分離性就不如水稻田與林地，故在分類時所能提的供的資訊量將有所限制。

5.2 組合波段之選擇

針對林地、草地、水稻田試驗樣本，計算組合波段之交叉半變異元值如下圖 5 所示。由圖 5 中可看出 G-IR 的波段組合的分離性最高，且此波段對於草地與水稻田亦可產生些微差別，故研究中將使用 G-IR 的波段組合，做為交叉半變異元紋理資訊計算時之萃取波段來源。

(8)

(a-1) 林地樣區 (a-2) 草地樣區 (a-3) 水稻田樣區

0 10 20 30 40 50 60

0 2 4 6 8 10 12

距離（pixel）

半變異元值

林地半變異元值林地半變異元模型草地半變異元值草地半變異元模型水稻田半變異元值水稻田半變異元模型

(b) 植生樣區半變異元圖

0 0.5 1 1.5 2 2.5

0 2 4 6 8 10 12

距離（pixel）

半變異元值

草地半變異元值草地半變異元模型水稻田半變異元值水稻田半變異元模型

(c) 草地與水稻田樣區半變異元圖

圖 4、不同植生類別與其半變異元圖

(9)

0 10 20 30 40 50 60

B-G B-R B-IR G-R G-IR R-IR

波段組合

平均半變異元值

林地草地水稻田

圖 5、波段組合與樣區平均交叉半變異元值之關係

5.3 精準度評估

對於本文影像分類後價值的評價部分，本文是將評價的方式分成三種，首先是分類後「整體圖面結構」之描述方式，該方式著重圖像結構的完整性。其次是「植生類別鑑別的能力」，在此我們是以該區域重要的植生「水稻田」為例，說明紋理資訊是否能夠提升高解析度衛星影像的鑑別的能力，降低影像的誤判率，在此的紋理是以方向半變異元紋理為例。最後的總體影像的評價方式則是以

「誤差矩陣」說明各類類別精準度的特性。前述兩點的評價方式，本文分別是以圖 6 與圖 7 來說明，

其中圖 6-(b) 為純光譜影像分類結果; 圖 6-(c) 為純光譜影像+方向半變異元紋理影像分類結果;而圖 7 為衛照、航照（地真資料）以及兩種分類資訊之成果。由圖 6-(b)與圖 6-(c)兩者比較就可清楚的發現高解析度衛星影像，若是能夠有效的增加良之好特徵空間資訊，衛星影像的辨釋能力就能夠大幅提升，特別在圖 6-(b)當中許多影像分類後所產生之椒鹽效應(Salt and Pepper Effect)問題，大部分都能藉由紋理影像進行問題的改善（如圖 6-(c)），圖 6-(c)當中水稻區塊的邊緣特性，也較能由此圖像中表達出來，這也顯示影像類別間區塊化的能力可被紋理資訊提升出來，整體而言由圖 6-(c)所獲得之結果，要比傳統光譜影像所分類之成果為佳。其次本

研究再深入探究紋理影像的分析成果，是否真的能提升影像辨識能力？本研究了挑選 3 個細節地區以說明問題的差異性（如圖 6-(b)中之區域），其結果如圖 7 中所示。A、B 兩區為水稻田被誤判之情形，而 C 區則是草地被誤判之情形。根據航照地真資料在 A 區中的植生為水稻田，然而純光譜影像判釋結果顯示其對於 A 區水稻田的解釋能力極差，類別辨識能力不佳，水稻田區塊破碎，也多是林地類別之誤判，反觀利用純光譜影像＋方向半變異元紋理之分類成果佳，水稻田區塊結構也較為整齊，是良好的分類成果。另外在 B 區中的植生就較為多樣，此區中有草地、水稻田以及林地三類，

由 B 區的分類成果可以發現，在左下與右上兩個水稻田區塊，又是以純光譜影像＋方向半變異元的分類成果為佳，區塊的完整性高，甚至在右下方的林地區域，分類成果就有引入部分水稻田的誤判。

至於在 C 區的問題則是將應判別成草地的區域，

在純光譜判釋結果當中，造成整塊錯判的問題，而純光譜影像＋方向半變異元的分類成果，在描述草地資訊判別方面，就能發揮其應用成效。透過上述一系列的比較成果顯示，本研究所採用之紋理特徵分析法，確實能有效的改進高解析度衛星影像之分類成果，不但在影像分割問題上能夠提高效果，在描述類別差異性問題方面間，半變異元紋理的效用，確實的反映在本研究之成果當中。

(10)

(a) Quickbird 原始光譜影像

(b) 純光譜分類成果

圖 6、影像使用不同資訊之分類成果林地草地水稻田其他

B 區

C 區

A 區

(11)

(c) 光譜+方向半變異元分類成果

(d) 光譜+交叉半變異元分類成果

圖 6、影像使用不同資訊之分類成果(續) 林地草地水稻田其他

(12)

衛星影像（地真資料）航照（地真資料）純光譜影像分類成果純光譜影像＋方向半變異元紋理分類成果

水稻田

（A 區）

水稻田 (B 區)

草地 (C 區)

圖 7、衛照、航照（地真資料）以及兩種不同資訊之分類成果

表 2、三種不同資訊分類後所獲得之誤差矩陣表 (a) 純光譜影像

地真資料

分類類別草地水稻田林地其它使用者精度

草地 72 8 20 1 71.29%

水稻田 3 99 29 0 75.57%

林地 25 5 27 4 44.26%

其它 4 1 4 98 91.59%

生產者精度 69.23% 87.61% 33.75% 95.15%

O v e ra l l 7 4 . 0 0 % K a p pa 0.6498

(b) 純光譜影像＋方向半變異元紋理影像

地真資料

草地 91 0 4 2 93.81%

水稻田 2 102 3 0 95.33%

林地 8 10 68 5 74.73%

其它 3 1 5 96 91.43%

生產者精度 87.50% 90.27% 85.00% 93.20%

O v e ra l l 8 9 . 2 5 % K a p pa 0.8563

(13)

(c) 純光譜影像＋交叉半變異元紋理影像

地真資料

草地 93 1 4 1 93.94%

水稻田 2 98 3 0 95.15%

林地 8 13 69 5 72.63%

其它 1 1 4 97 94.17%

生產者精度 89.42% 86.73% 86.25% 94.17%

O v e ra l l 8 9 . 2 5 % K a p pa 0 . 8 5 6 5

最後本研究再更進一步以誤差矩陣說明這方面之差異性。在誤差矩陣結果方面可分為純光譜、

光譜+方向半變異元紋理資訊、光譜+交叉半變異元紋理資訊三種（表 2）。首先，純光譜影像以最短距離法判釋之成果中(表 2(a))，水稻田的生產者精準度為 87.61％，使用者精度為 75.57％，草地類別的生產者精準度為 69.23％，使用者精度為 71.29

％，就分類精準度顯示，水稻田與草地的判釋精準度還不致於太低，但林地的生產者精準度則為 33.75％，使用者精度為 44.26％，則明顯低於草地與水稻田，如圖 6(b) 中所示，圖中可見有許多草地與水稻田均被判為林地，而在成群的林地中也有許多水稻田散佈其中，顯示使用光譜資訊並不足以將草地、水稻田與林地分開，導致誤判的情況相當嚴重，這也呼應表 1 的結果，在表 1 中林地、草地、

水稻田的四個光譜波段值均相當接近，僅管草地的 IR 波段與其他類別有較大的差異，因此單純靠著光譜影像是難以將水稻、草地與林地進行較佳的分離。其次，兩種紋理資訊加入光譜後，影像判釋成果顯示，各類別的精準度皆有明顯提升（如表 2(b) 與表 2(c)所示）。若以表 2(b)中的方向半變異元紋理分類成果為例，草地的生產者與使用者精度提升為 87.50%與 93.81%，這樣的效果不錯，而水稻田的使用者精度大幅進步可達 95.33%（相對於純光譜分類之結果只有 75.57%），但生產者精度提升有限，

只從 87.61%進步至 90.27%，整體而言影像原本誤判的問題可獲得大幅的改進，比較圖 6(b)與 6(c)之後可發現在 6(b)中有許多水稻田被判為林地（亦有相當多的林地被判為水稻田），但在加入紋理資訊

後，水稻田的完整性則有相當程度的獲得正確認知。而在林地的判釋問題上，加入紋理後生產者精度增加了 50％，達 85％左右，而使用者精度亦提升了 30％，達到 74.73％，增加的幅度相當大，這表示加入紋理資訊後，對於林地判釋上有大幅度的改善，這樣的效果是令人滿意的。同樣的評比方式運用在純光譜影像與純光譜影像＋交叉半變異元影像之成果，比較結果顯示，交叉半變異元在本實驗樣區中也能有效的增加植生類別的差異性，而在此樣區中，交叉半變異元與方向半變異元表現同樣出色，在提升影像判釋精準度上兩者並無明顯的差異，因此本文就不在此方面詳細贅述。

最後本研究通過應用半變異元紋理影像的輔助，確實能有效的提高影像類別分類的精準性，而且也更進一步提高影像類別區塊化的能力，而以往在光譜影像分類時容易產生混淆的植生類別，也可通過這樣的手法而獲得大幅度的改善，所以藉由半變異元紋理可擴大描述植生類別的空間特徵，進而有效改善高解析度遙測影像中，原本易於混淆之植生類別判釋問題。

6. 結論與建議

本研究以 QuickBird 衛星影像作為分類之資訊來源，應用方向半變異元與交叉半變異元輔助光譜影像，進而以最短距離法進行水稻田類別之判釋，

其結論如下：

1、水稻田、草地與林地等光譜灰階值相近的植生類別，若單純以光譜進行分類容易產生混淆。

(14)

以半變異元紋理資訊輔助光譜判釋後，確實有效地提升相異植生類別的判釋精準度，降低誤判的機率。

2、研究過程中發現，方向性對影像分類成果影響並不顯著，故在紋理取樣方向上建議採用等向性半變異元作為取樣方向的準則。

3、針對林地、草地、水稻田試驗樣本，使用 B、G、

R、IR 計算組合波段之交叉半變異元，研究成果顯示以 G-IR 組合的交叉半變異元差異最大，故針對林地、草地、水稻田植生類別分類時，建議使用 G-IR 波段組合作為交叉半變異元紋理資訊之萃取波段來源。

4、在本研究實驗樣區中，多數的草地可藉由光譜

（由其是 IR 波段）進行判釋，而林地需由紋理來拉大與草地和水稻田的差異性，故本文中的林地，在加入紋理資訊後能大幅度的提升其精準度，雖然草地與水稻田在紋理的差異性上並不明顯，但是在林地與草地和水稻田的分離性上，紋理的作用是無庸置疑的。

5、半變異元紋理分析法可將水稻田之判釋精度提高至 90％以上，顯示本研究之成果可獲取較為準確之面積數據，並藉以推估稻作產量。

本研究之建議如下:

1、未來在組合波段之研究上，可嘗試加入其他更有效之紋理資訊（如植生指數等），以增加影像資訊的分離度，或是降低紋理邊界效應對判釋精準度之影響，使水稻田之判釋精度提升至更佳之結果。

2、由於同一種類的地物，在影像中可能有不同的光譜或紋理的表現，而影像的粗糙程度可能會影響移動視窗的大小，未來可嘗試實驗影像的粗糙程度與視窗大小的關係，依此將影像分成數個區塊，再依區塊的特性選擇最佳視窗，以實現自適應性視窗（Adaptive Window Size）方法。

3、透過紋理資訊，可有效的提升植生類別在影像中判釋的精準度，然而針對草地與水稻田間的紋理資訊並不十分明顯，本文推測是觀察尺度

不足之原因，未來本研究將會使用數值航空照片資訊，進一步闡述紋理資訊的應用價值。

4、最後由於半變異元紋理資訊在水稻田邊界的部分會產生混淆情形，因此後續研究中將嘗試以資訊補遺的方式，將誤判的資訊予以校正，最後取得完整的水稻田坵塊圖，以提供農業管理部門於農地面積管理與未來農業政策制定上之有效依據。

誌謝

感謝國家科學研究委員會提供研究經費

（92-2119-M-035-001），特此致謝。

參考文獻

林榮章，1999。都會區多解像力遙測影像之紋理分析，國立中興大學土木工程學系碩士論文。

吳政庭、周天穎、雷祖強，2003。應用碎形維度與半變異元模式輔助高解析度衛星影像判釋之研究，第二十二屆測量學術及應用研討會，桃園，第171-178頁。

陳彥宏、周天穎、雷祖強，2002。IKONOS衛星影像應用於農田特徵萃取方法之研究，第四屆全國土地管理研討會。

鄧敏松，1997。結合多時段遙測影像、耕地坵塊與領域知識之區域式影像辨識法於水稻田耕作調查之應用，國立成功大學測量工程研究所碩士論文。

陳益凰，1998。應用多時段衛星影像辨識水稻田之研究，國立成功大學測量工程研究所碩士論文。

廖雯慧，2000。鎘在水-土-水稻中之空間變異與分布動態，國立臺灣大學農業工程學研究所碩士論文。

Clarke, K. C., 1986, Computation of the fractal dimension of topographic surfaces using the triangular prism surface area, Computer &

(15)

Geosciences, 12(5): 713-722.

Carr, J. R. and Miranda, F. P., 1998, The semivariogram in comparison to the co-occurrence matrix for classification of image texture, IEEE Trans. On Geo. And Remote Sensing, 36(6): 1945-1952.

Chica-Olmo, M. and Abarca-Hernandez, F., 2000, Computing geostatistical image texture for remotely sensed data classification, Computers

& Geosciences, 26: 373-383.

Curran, P. J., 1988, The Semivariogram in remote sensing: An introduction, Remote Sensing of Environment, 24: 493-507.

Curran, P. J. and Atkison, P. M., 1998, Geostatistics and remote sensing, Progress in Physical Geography, 22: 61-78.

EDRAS, 1997, EDRAS IMAGINE Field Guide, Atlanta, Georgia, USA.

He, D. C., Wang, L. and Guibert, J., 1987. Texture discrimination based on an optimal utilization of texture features, Pattern Recognition, 2:

141-146.

Haralick, R. M., Shaunmugam, K. and Dinstein, I., 1973, Textural features for image classification, IEEE Trans. on Syst., Man, and Cybern, 67:

786-804.

Jensen, J. R., 1996, Introductory digital image processing: A remote sensing perspective, Prentice-Hall, Inc. pp. 227-229.

Journel, A. G. and Huijbregts, CH. J., 1991, Mining Geostatistics, Academic Press.

Marceau, D. J., Howarth, P. J., Dubois, J. M. and Gratton, D. J., 1990, Evaluation of the grey-elvel co-occurrence matrix method for land-cover classification using SPOT image, IEEE Transactions on geoscience and remote sensing, 28(4): 513-519.

Matsuyama, T., 1980, Structural analysis of natural

textures by Fourier transformation. Computer Vision, Graphics and Image Processing, 12:

286-308.

McGWIRE, K., Friedl, M. and Estes, J. E., 1993, Spatial structure, sampling design and scale in remotely sensed imagery of a California savanna woodland, Int. J. Remote Sensing, 14(11):

2137-2164.

Miranda, F. P., Macdonald, J. A. and Carr, J. R., 1992, Application of the semivariogram textural classifier (STC) for vegetation discrimination using SIR-B data of Borneo, Int. J. Remote Sensing, 13(12): 2349-2354.

Miranda, F. P., Fonseca, L. E. N., Carr, J. R. and Taranik, J. V., 1996, Analysis of JERS-1 (Fuyo-1) SAR data for vegetation discrimination in northwestern Brazil using the semivariogram textural classifier (STC), Int. J. Remote Sensing, 17(17): 3523-3529.

Pohl, C. and Van Genderen, J. L., 1998. Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications, Int. J. Remote Sensing, 19(5): 823- 854.

Tso, B., and Mather, P. M., 2001, Classification methods for remotely sensed data, Taylor and Francis, pp. 219-223.

Woodcock, C. E, and Strahler, A. H., 1983, Characterising spatial patterns in remotely sensed data, in Proceeding of the 17th International Symposium on Remote Sensing of Environment. Ann Arbor, MI: University of Michigan, pp. 839-852.

Woodcock, C. E., Strahler, A. H. and Jupp, D. L. B., 1988, The use of variogram in remote sensing, Remote Sensing of Environment, 25: 323-348.

(16)

Classification of Vegetation Cover Using Semivariogram Texture Information on Quickbird Image

Tsu-Chiang Lei

¹

Tine-Yin Chou

²

Ting-Yuan-Cheng

³

ABSTRACT

The satellite image classification is one of the important application of remote sensing data.

However, the vegetations (such as tree, grass and rice paddy) have very similar spectrum response in satellite images. This spectrum effect will caused to difficult classify each categories by using only mulitspectral data. To resolve this problem, this study used to the semivariogram theory (texture information) to extracted each vegetations feature of the QuickBird image.

This research used the Direct-Semivariogram and Cross-Semivariogram to calculate image texture. Further, variogram analysis was performed on Quickbird data to determine the nature of spatial dependence with spectral reflectance for the selected vegetations of land cover systems which is estimated by the mean of the ranges in a series of variograms. On the other hand, this study also discussion the texture factor by the variogram analysis (such as window size, choose direction and band combination). Finally, the results showed semivariogram texture information which can effectively improve the classification accuracy in high resolution satellite image.

Key Words: Very High Resolution, Satellite Image, Semivariogram, Texture Information, Quickbird.

1 Assistant Professor, Environmental and spatial information science and technology, Feng Chia University

2 Professor and Director, GIS Research Center, Feng Chia University

3 Graduate Student, Department of Environmental and spatial information science and technology, Feng Chia University

Received Date: Oct. 21, 2005 Revised Date: Nov. 02, 2006 Accepted Date: Nov. 03, 2006

應用半變異元模式於 QuickBird 影像中 植生類別分類特性之研究