應用類神經網路於 SPOT 自然色影像之產生

(1)

Volume 10, 3, September 2005, pp. 299-304

應用類神經網路於 SPOT 自然色影像之產生

陳繼藩

¹

黃誌勇

²

摘要

衛星影像具有大範圍、重複觀測等優點，因此愈來愈多資源監測工作逐漸以衛星影像來作業。資源監測工作中，判釋與顯圖是很重要的，而目前使用範圍甚廣的 SPOT 衛星在色彩上卻只能呈現假色的影像，無法呈現出人眼所熟悉的自然色影像。本研究目的是將 SPOT 假色影像轉換為自然色的影像，使用的方法為倒傳遞神經網路的演算法，而測試資料則使用 Landsat 及 SPOT 影像。測試結果顯示在目視上 SPOT 所呈現的色調與顏色皆與 Landsat 自然色很近似，同時以統計相似性進行評估及檢核，獲得相關係數皆大於 0.90 的結果。此研究顯示以類神經網路產生 SPOT 自然色影像確實可行，其結果將有助於提升 SPOT 影像於展示及判釋的應用。

關鍵詞：自然色影像、假色影像、類神經網路

1. 前言

衛星影像因有大範圍、重複觀測、數值化等優點，因此逐漸被用來作為資源調查及環境監測的工具 (Jensen, 2000)。雖然很多影像分析的工作都朝數位化及自動化的方式發展 (Schowengerdt, 1997)，但衛星影像的應用仍有許多地方需要人為的判釋及視覺的展示 (Lillesand and Kiefer, 2005)。而從實際應用的觀點而言，衛星影像的人為判釋及視覺展示還是以自然色的組合最適合人類的眼睛。目前應用範圍甚廣的 SPOT 衛星影像在色彩上只能呈現假色的影像，無法呈現出人眼所熟悉的自然色影像。

本研究目的是將 SPOT 假色影像轉換為自然色的影像，使用的方法為倒傳遞神經網路(BPN:

backpropagation neural network）的演算法 (Zhou, 1999)。研究中分為三個測試階段，分別是（1）以同一天的 Landsat 假色影像與 Landsat 自然色影像進行類神經網路的訓練，得到網路的權係數;（2）

以該組網路權係數轉換與 Landsat 同一天的 SPOT 假色影像以產生自然色影像;（3）以不同天的 SPOT 假色影像進行網路回想，產生 SPOT 自然色影像。

以上三種測試結果所產生的 SPOT 自然色影像，皆從定性目視及定量統計檢核其與 Landsat 自然色影像的比較。

2. 研究方法

在衛星影像進行目視的判釋以及展示上，通常會較需要以自然色來呈現影像，以利於了解現況。

因此，本研究企圖整合 SPOT 假色影像（IR,R,G）

及 Landsat 自然色影像（R,G,B），以倒傳遞神經網路(BPN: backpropagation neural network）的方法 (Zhou, 1999)，使 SPOT 的假色影像轉換為自然色的影像，以利視覺判釋的應用更為方便及廣泛。類神經網路（artificial neural network）的基本原理是模擬生物的神經網路運作，神經元（neural）是網路的基本單元，無數的神經元之間構成巨型的網

收到日期:民國 93 年 08 月 09 日修改日期:民國 94 年 06 月 06 日接受日期:民國 94 年 06 月 10 日

1

國立中央大學太空及遙測研究中心與土木工程學系副教授

2

國立中央大學土木工程學系碩士

(2)

路，透過神經元之間的連結（connection），可以將由外界得到的資訊經過計算而繼續傳遞下去或者再將結果輸出至外界。透過這樣的機制，類神經網路發展出分類、識別、聯想、最適化、專家系統等不同的網路模式和功能。本研究希望藉由類神經網路強大的學習能力，在假色影像和自然色影像之間找到關聯性，也就是一組正確的連結，能夠儘可能的將兩者關係表現出來。日後有使用 SPOT 自然色影像的需求時，只要將欲轉換的 SPOT 假色影像經過這組網路運算，就可得到接近自然色的影像。

類神經網路（artificial neural network）是以人工的方式，創造一種類似生物神經網絡行為的一種理論。這種理論主要希望有像腦一樣能從過去的經驗中學習的能力，進而可以適用於新的事物。生物的神經網路由神經元（neuron）所組成，神經元包括了處理信號的神經核、輸送信號的神經軸、將信號輸出入的神經樹、以及負責將信號連結的神經節。類神經網路的基本架構分為處理單元

（processing element），層（layer），網路（network）

三個部分。處理單元就是上面所介紹的神經元，多個神經元集合在一起就稱為一個層，再由多個層組成一個完整的網路。透過類神經元與其之間的連結所組成的類神經網路能組成各種網路模式， Rumelhart(1985)提出倒傳遞網路模式用來解最佳化問題，倒傳遞網路便因其簡單的網路運算且具有強大的學習能力而被廣為使用。倒傳遞網路

（backpropagation neural network，以下簡稱 BPN）

的學習方式屬於監督式（supervised）學習，必須要給予訓練範例，也就是包含有輸入變數與輸出變數的訓練對，從而學習輸入變數和輸出變數之間的對應規則，然後套用到新的問題中，以得到新問題的答案。網路的架構分成：輸入層、隱藏層、輸出層，網路的運作流程大致上分為兩部分：

1.學習（learning）：

a.從多個訓練對中選擇一個訓練對，將輸入變數 X 送到網路的輸入層，輸出變數 T 送到網路的目標輸出層，

b.計算網路的輸出層 Y，

c.計算網路輸出 Y 與正確輸出 T 之間的差距，

d.依照網路的運算方式調整網路權衡值 W，使差距減小，

e.重複 a~d 步驟，選取不同的訓練對，並且經過足夠次數的迭代之後，使誤差降到所設定的門檻值，網路權衡值就不再改變，如此，網路便結束訓練階段。

2.回想（recalling）：

以新的輸入變數輸入上述訓練完成的網路，直接得到網路的輸出值，就是結果輸出，完成了倒傳遞網路的流程。

本研究主要是使用倒傳遞網路來達成自然色與假色影像之間的轉換。因此，在假色與自然色影像為三個波段的前提之下，輸入層與輸出層都是選用三個處理單元。根據文獻記載與建議（葉怡成，

2000）視問題的複雜程度而定，隱藏層愈多，則訓練的速度也愈慢。因此選擇多數研究普遍使用的一層隱藏層。而隱藏層中的處理單元通常使用輸入層的處理單元與輸出層的處理單元數總和之半為恰當，因此隱藏層使用三個處理單元。其間網路學習的測試資料是先以 Landsat 影像為主，因為 Landsat 影像所包含的七個波段可以組合成與 SPOT 波段相同的（IR，R，G）波段的假色影像，也可以組合成（R，G，B）波段的自然色影像。因此，首先可以由 Landsat 影像進行假色與自然色影像的轉換測試。測試過程依序分為訓練階段與回想階段。在訓練階段首先以 Landsat 的假色影像為 BPN 的輸入層，並以 Landsat 的自然色影像為 BPN 的輸出層，訓練資料的取得是先選取光譜涵蓋較為豐富的中部西海岸地區為訓練區，並收集每一九宮格的中間像元為訓練資料，再經過網路訓練程序，得到 Landsat 的假色影像與自然色影像之間的對應關係

（以一組權矩陣表示）。在回想過程，以 Landsat 的假色影像為 BPN 的輸入層，利用訓練過程得到的權矩陣進行轉換運算，產生 Landsat 自然色影像，接著再以 Landsat 真實的自然色影像與之檢核。檢核主要是要確定 BPN 能夠適用於光譜影像資料，並且能夠將假色影像轉換為自然色影像。最

(3)

後將此轉換模式推廣，應用於 SPOT 影像上產生 SPOT 自然色影像，並予以檢核。

3. 測試資料及流程

本研究中所使用的測試影像有三組，第一組為台灣西部地區由 Landsat 所組成的假色影像與自然色影像，第二組為與 Landsat 同一天同區域及同一天不同區域的 SPOT 假色影像，第三組為不同天拍攝的 SPOT 假色影像。影像拍攝時間與本研究所組合的波段見表 3.1。

表 3.1 測試影像資料及獲取之時間組

別

衛星影像影像拍攝時間

波段可組合的影像 1 LandsatTM 10/31/1995 IR，R，G，B 假色、自

然色 2 1^st SPOT 10/31/1995 IR，R，G 假色 3 2^nd SPOT 10/23/2001 IR，R，G 假色測試的流程分為三階段（使用的資料見表 3.1）。第一階段是使用 10/31/1995 Landsat 的假色影像（IR，R，G 三波段）為輸入層，自然色影像

（R，G，B 三波段）為輸出層，因此整個網路結構為輸入層、輸出層、一層隱藏層，每層含有三個神經元。訓練完成後，得到一組網路加權值，同時確立假色影像與自然色之間的網路關係。第二階段則使用與 Landsat 同一天(10/31/1995)的 SPOT 假色影像代入第一階段 BPN 訓練所得到的網路中，經過回想的階段產生 SPOT 的自然色影像，此階段目的在測試由 Landsat 影像所訓練出來的網路應用於 SPOT 影像的成果。第三階段再以不同時期 (10/23/2001)拍攝的 SPOT 影像，進行上述網路的回想，測試不同時期的 SPOT 光譜反應對於同一網路所得成果。上述測試成果見下一章節。

4. 成果及討論

上述所有測試成果都定性目視及定量統計來

檢核與 Landsat 自然色影像的比較。首先三個測試階段所使用的假色影像及經網路回想得到的自然色影像見圖 1、2 及 3。其中圖 1(a)、2(a)及 3(a)分別為測試階段一、二及三所使用的 Landsat 及不同時期的 SPOT 假色影像，圖 1(b)、2(b)及 3(b)分別為測試階段一、二及三經網路回想所獲得的自然色影像，而為了比較起見，圖 1(c)、2(c)及 3(c)則為真實的 Landsat 自然色影像。目視比較可見，假色影像(圖(a))經類神經網路轉換所獲得的自然色影像(圖(b))與真實的 Landsat 自然色影像(圖(c))，在色彩及色調上無分軒輊。其中尤其第三階段的 SPOT 影像，雖然與 Landsat 影像在時間拍攝上有六年之差，但經網路轉換所獲得的自然色影像(圖 3(b))與真實的 Landsat 自然色影像(圖 3(c))，目視比較下仍保留了自然色的色彩及色調。統計檢核則以相關係數進行影像相似性的評估，其方式是將三階段網路轉換所獲得的自然色影像與真實的 Landsat 自然色影像進行逐一波段（R，G，B）的相關係數計算，相關係數值介於正負 1 之間，若相關係數越接近 1，表示兩者之間的相關程度越大。

其檢核成果見表 3.2。結果顯示所有波段的相關係數皆大於 0.90，同樣的，第三階段的 SPOT 影像與 Landsat 影像獲取時間上相隔六年，地表有變遷，

植被覆蓋程度亦不同，但仍有 0.90 的相關係數。

表 3.2 網路轉換自然色影像與 Landsat 自然色影像各波段之相關係數

Red Green Blue 階段 1

Landsat (10/31/1995)自然色影像

Landsat (10/31/1995)網路轉換自然色影像

0.96 0.96 0.96

階段 2

1^stSPOT (10/31/1995)網路轉換自然色影像

0.95 0.95 0.95

階段 3

2^ndSPOT (10/23/2001)網路轉換自然色影像

0.89 0.92 0.93

(4)

5. 結論

本研究目的在於使用類神經網路的倒傳遞網路演算法，在假色與自然色波段之間找出兩者之間的轉換關係，雖然真正的關係並無法得知，但是，

只要得到訓練成果的網路參數值，便可以透過這組係數，將 SPOT 衛星的假色影像成功轉換為自然色的影像。研究過程共經三階段的測試，第一階段是使用 Landsat 的影像進行假色與自然色影像的網路訓練關係及產生網路權值，第二階段及第三階段則使用第一階段產生的假色與自然色影像的網路權值，將不同時期的 SPOT 假色影像轉換為自然色影像。三階段的測試結果顯示在目視上 SPOT 所呈現的色調與色彩皆與真實的 Landsat 自然色很近似，

同時以統計相似性進行評估及檢核，各波段獲得相關係數皆大於 0.90。此研究顯示以類神經網路將 SPOT 假色影像轉換為自然色影像確實可行，於提高 SPOT 影像的展示及判釋上，有一定的助益。

誌謝

本文由 ACRS2003 研討會所發表的論文改寫而成，參加會議之費用由中華民國航空測量及遙感探測學會輔助，在此深表感謝。

參考文獻

葉怡成，2000. 類神經網路模式應用與實作，儒林出版社。

Jensen, J. R., 2000. Remote Sensing of the Environment, An Earth Resource Perspective, Prentice Hall.

Lillesand, T. M., and R. W. Kiefer, 2005. Remote Sensing and Image Interpretation, 5th edition, John Wiley & Sons, Inc, New York, N. Y..

Schowengerdt, R. A., 1997. Remote Sensing: Models

and Methods for Image Processing, 2nd Edition, Academic Press.

Zhou, W. Y., 1999. Verification of the Nonparametric Caracteristics of

Backpropagation Neural Networks for Image Classification, IEEE Transactions on Geoscience and Remote Sensing, Vol. 37, No. 2.

(5)

(a) (b) (c)

圖 1.第一階段的影像: (a) Landsat 假色影像(10/31/1995); (b)由(a)經網路轉換後的自然色影像; (c) Landsat 自然色影像(10/31/1995).

(c) (b)

(a)

圖 2.第二階段的影像: (a) SPOT 假色影像(10/31/1995); (b)由(a)經網路轉換後的自然色影像; (c) Landsat 自然色影像(10/31/1995).

圖 3.第三階段的影像: (a) SPOT 假色影像(10/23/2001); (b)由(a)經網路轉換後的自然色影像; (c) Landsat 自然色影像(10/31/1995).

(6)

The Generation of SPOT True Color Image Using Neural Network Algorithm

Chi-Farn Chen

¹

Chih-Yung Huang

²

ABSTRACT

Satellite images are advantageous to large-area and repetitive observation, and therefore, are gradually adopted in the tasks of resource monitoring. Their analysis and presentation for the present are important to resource monitoring, but the most widely used SPOT satellite images can only show the image of false color, not the true color that is familiar to human eyes. In an attempt to enhance the visual effect of SPOT image, this study develops a neural network algorithm to transform SPOT false color into simulated true color. The method has been tested using Landsat TM and SPOT images.

The qualitative and quantitative comparisons indicate that the striking similarity can be found between the true and simulated true images in terms of the visual looks and the statistical analysis.

Key Words: True color image, False color image, Neural Network

Received Date: Aug. 09, 2004 Revised Date: Jun. 06, 2005 Accepted Date: Jun. 10, 2005

1 Associate Professor of Center for Space and Remote Sensing Research and Department of Civil Engineering, National Central University.

2 M.S., Department of Civil Engineering, National Central University.