萧震洋_遥测影像之物件导向自动化判释崩塌地於石门水库的应用实例_

遙測影像之物件導向自動化判釋崩塌地於石門水庫集水區的應用實例DeterminetheLandslideinObject-orientedimageclassification：CasestudyfromShihmenWatershed蕭震洋1謝寶珊1林伯勳1鄭錦桐2Cheng-YangHsiao1,Pao-ShanHsieh1,Bor-ShiunLin1andChin-TungCheng11財團法人中興工程顧問社大地工程研究中心研究員2財團法人中興工程顧問社大地工程研究中心防災科技組組長關鍵詞：自動化判釋、Definiens、地理資訊系統、崩塌。摘要遙測工具可突破野外探勘所不能到達之限制，又可於有限經費與人力配置下宏觀、迅速偵測集水區大範圍之歷史演變。遙測影像自動化判釋又可在統一判釋標準下，大量減少專家判釋時間，並快速萃取欲判釋目標物。早期崩塌地自動分類方式多以遙測影像之灰度值差異做為判釋標準，但與崩塌地相似的影像灰度值區域甚多，並未減少太多在後期人工編修上所花的時間，故本研究探討能依灰度、面積、形狀、紋理等屬性條件，以及具備繼承判釋結果的物件導向自動化判釋之工作原理與流程，且於石門水庫之蘇樂集水區實際測試，在崩塌地判釋的區位及面積上，各獲得97%及93%的正確率，此說明物件導向自動化判釋具備應用於崩塌地判釋之可行性。將獲取之高辨識率崩塌地萃取規則應用於石門水庫集水區，因道路以及河床邊緣與小面積之崩塌地連接區為主要誤判區域，故再經近期航照，於河床及道路邊緣以人工方式編修，以獲取完整崩塌地圖層。一、前言利用遙測影像萃取崩塌地為防災重要工作項目之一，進而可於GIS中編輯與更新其定性資料，如地文因子、岩性等，建立基礎資料庫對於後續緊急救災、致災分析及未來防災而言，都是不可或缺的基本資料。在有限的經費與人力配置下宏觀、迅速在廣域範圍內標示崩塌地，目前皆由遙測影像判釋，但面積廣、工作量大，主要使用傳統的人工方式進行判釋，但耗時長、專業人力需求大、且人為主觀影響較強，故傳統單靠人工判釋已經不能滿足實際的需求，導入電腦自動化判釋已嚴然成為趨勢。早期崩塌地自動分類方式多以遙測影像之灰度值差異做為判釋標準，此稱為像元式分類，但與崩塌地相似的影像灰度值區域甚多，並未減少太多在後期人工編修上所花的時間，在過去的三十幾年中，除光譜特徵外，人們越來越注重圖像的空間特徵如紋理、形狀等在信息提取中的作用(宮鵬等，2006)，也是自動化萃取崩塌地方法研究中的重點。Lobo(1996)等人更透過實驗，比較出物件導向的分類結果更容易被人類所理解，且能保持完整的影像變異區，非常適合於高解析度的遙測影像中做目標物萃取，關於像元式與物件式的比較如圖1。為提高工作效率、統一判釋標準以及突破像元式之侷限，故本研究採用德國Definiens公司所研發，能依灰度、面積、形狀、紋理等條件，以及具備繼承判釋結果的物件式自動化判釋軟體－DefiniensDeveloper7.0，探究其工作原理與流程，進而對影像進行較合理的範圍分割，並校正參數邊界且將雜訊率除，隨之判釋出崩塌地存疑區，進而透過坡度濾除而萃取崩塌地物件，透過近期航照比對，用以了解區位及面積正確率，並將此崩塌地萃取規則應用於石門水庫集水區。二、物件導向自動化判釋如圖2，物件導向自動化判釋分為五大步驟，並詳述如后。1.判釋影像輸入(ImageInput)：軟體支援大部分影像格式如表1，如有特殊影像格式需求，可與軟體公司聯繫請求支援。2.建立分類類別(ClassHierarchy)：建立欲分類類別與階層之樹狀結構(如圖3)，如植被、建築物等預期判釋之分類。3.分割物件(Segmentation)：依據遙測影像上之灰度值及形狀等，來分割成若干「同性質」的物件。透過影像之物件式分割能較像元式解決絕大部分的雜訊問題，如物體邊緣、色調不均勻區或陰影等，對於解析度越高或複雜度較高的遙測影像，初步應設定較大的物件分割，可加快處理速度且對於後續的判釋會有很大的幫助。換言之，設定較大物件分割就是對遙測影像的粗分，而設定較小即為細分(如圖4)。影像分割時需在能表現欲判釋物的輪廓與結構下，遵循兩個原則(Definiens，2007)：(1)初步分割物件的平均尺寸應越大越好。(2)產生物件之數量越少越好。4.設定分類條件(MembershipFunction&Classify)：物件分割後，依據灰度、形狀等特徵來建立各種目標物的判釋規則，使各物件間透過各分類條件結合或濾除而萃取成同一類別。DefiniensDevelop7使用的核心技術為模糊邏輯分類演算法，基本原理為利用0到1的連續值來取代布林邏輯的true與false，並給予目標所屬的對應值，此稱為隸屬度，隸屬度的值越大，在分類的影響比重就越高。Definiens並提供了許多分類方法使用，以下說明常用最鄰近分類法，此種演算法對於每一個物件，在空間中尋找最近的樣本區域，舉例來說某個物件最近的樣本區域是屬於A類，那這個物件就會被劃分到A類。最近鄰演算法公式：2)()(∑⎥⎥⎦⎤⎢⎢⎣⎡-=ffnfmfvvds(式1)其中d為樣本區域m與物件n之間的距離，vf(m)為樣本區域的特徵f的特徵值；vf(n)為物件的特徵f的特徵值,σf為特徵f的標準差。距離樣本區域越近，可能性越大，即d越小，判釋的對象越準確。5.成果輸出(ExportResults)：將分類成果之物件，代入分類屬性、面積、長寬比等資料，輸出成大部分GIS支援的shpfile增加其應用性。三、案例分析本研究以石門水庫蘇樂溪集水區為案例分析，並將判釋崩塌地之規則應用於石門水庫集水區，所採用的判釋影像為2008年8月16日的SPOT5衛星之近紅外光(nir)、紅光(red)及綠光(green)的全色態及多光譜融合影像(如圖5)，解析度為2.5mx2.5m，並以2004年艾利颱風後彩色航照產製之5mx5m數值地形，所轉換之坡度百分比圖協助判釋。應用於蘇樂溪集水區判釋成果如圖6，區位及面積上，各獲得97%及93%的正確率，其詳述處理步驟如后。1.判釋影像輸入(ImageInput)：共兩判釋參考影像，有易於區分有無植被之衛星影像(如圖7)及易於區別河道與坡地之以坡度45%分界圖(如圖8)。如圖9，經測試發現坡度小於45%恰為河道、農田及部落。2.建立分類類別(ClassHierarchy)：如圖6，設定分類類別為植被、非植被及崩塌地三種類別。3.分割物件(Segmentation)：如圖10，經測試結果發現，只參考衛星影像並應用多解析分割(multiresolution)，且分割尺寸(scaleparameter)設定為20、形狀(shape)設定為0.1及緻密性(compactness)設定為0.5為最佳。4.設定分類條件(MembershipFunction&Classify)：經測試結果發現，設定衛影影像的mean(r)值以50為分界，可判斷植被跟非植被區域，再將非植被區經由以坡度45%分界圖以mean(b)過濾，大於200以上為崩塌地(如圖6)。5.成果輸出(ExportResults)：成果輸出為GIS之shpfile。主要誤判區域於道路以及河床邊緣與小面積之崩塌地連接區。應用於石門水庫集水區將蘇樂溪集水區建立之崩塌地判釋規則應用於石門水庫集水區，並再經近期航照，以人工方式編修於河床及道路邊緣之誤判區域(如圖11)。圖12為石門水庫集水區之崩塌地判釋成果圖，經本研究實驗得知物件導向自動化判釋可在減少人為主觀意見及減少工作時間兩大條件下，萃取石門水庫集水區之崩塌地，故物件導向自動化判釋具備應用於崩塌地判釋之可行性。四、結論與建議1.物件導向自動化判釋具備應用於崩塌地判釋之可行性，且物件式分類之成果易使人了解及應用性更廣。2.本研究判釋崩塌地於區位及面積上，各獲得97%及93%的正確率於石門水庫蘇樂溪集水區，更可擴大應用於石門水庫集水區。3.如何以科學的方法確定影像分割物件的大小，以及如何組合調配特徵參數使其應用性增加都需要更進一步的研究。4.改善並建立通用性的專家判釋規則，便於後續在加速判釋效率及避免人為主觀原則下應用於其他集水區，以便增加成果應用性。五、致謝感謝行政院農業委員會水土保持局，提供計畫(編號SWCB98-007)經費補助；研究期間特別感謝水保局連榮吉簡任正工程司與黃文洲助理工程員所提供之相關意見與協助。六、參考文獻1.DefiniensAG(2007),“DefiniensDeveloper7UserGuide”,version7.0.2.936:pp.1582.LoboA,ChicO,CasteradA.(1996),“ClassificationofMediterraneancropswithmulti-sensordataper-pixelversusPer-objectstatisticsandimagesegmentation.”InternationalJournalofRemoteSensing,17:pp.2358-2400.3.水土保持局(2009)，「石門水庫集水區高精度地形量測及地形貌變化歷程之研究」。4.宮鵬，黎夏，徐冰(2006)，「高分辨率影像解議理論與應用方法中的一些研究問題」，遙感學報，1(1)：第1-4頁。表1DefiniensDeveloper7.0支援影像格式ImportFileFormat(Driver)FileExtensionCompressionAlgorithmKnownRestrictionsGeo-ReferencingWindowsLinuxRead/Write8bittransparentPNG.png---YesYesRWAperio.svs---YesNoRAperioCompositeImages.aci---YesYesRAppliedImaging.xml---YesNoRBacusWebSlide.ini---YesNoRCellomicsDIB.dib---YesYesRCEOS(Spotforinstance)--NoYesYesRENVI.hdrLabelledRaster.hdr--YesYesYesRWEnvisatImage.n1--NoYesYesRErdasImagine.img--NoYesYesRWErdasLAN.lan-2GBYesYesYesRErdasLAN.gis-2GBYesYesYesRESRIArc/InfoASCIIGrid.asc-2GBYesYesYesRESRIArc/InfoBinaryGrid.adf--YesYesYesRWESRIShapeFile.dbf--YesYesYesRWESRIShapeFile.shp--YesYesYesRWEvotecOperaII.flex--YesNoRFirstGenerationUSGSDOQ.doqDOQ1-YesYesYesRGERavenFRM.frm-YesYesRGraphicsInterchangeFormat.gifGIF2GBNoYesYesRWGRASSRasters-GRASS-YesYesYesRHierarchicalDataFormatRelease4-HDF4-YesYesYesRWHierarchicalDataFormatRelease5-HDF5-YesYesYesRWIdrisiRaster.rst--YesYesYesRWJPEGJFIF.jpg-4GBNoYesYesRWJPEG2000.jp2.j2kJPEG20002GBJPEG2000.jp2.j2kJP2KAK-NoYesYesRWMicrosoftWindowsDeviceIndependentBitmap.bmp-4GBNoYesYesRWMilitaryElevation.dt0.dt1DTED-YesYesYesRWMiraxSlideIO.ini---YesNoRNDF-NLAPSDataFormat-NoYesYesRWNewLabelle