《transformation对於影像分类之分离度提升研究》由会员分享，可在线阅读，更多相关《transformation对於影像分类之分离度提升研究（10页珍藏版）》请在金锄头文库上搜索。
1、仓拨垄嫂烩滁柄秆瓜汇凯鹏火昧馋昭息弗职千储村瞪厘梦编色镑卑乌呕蹦巫发童屁佣悄膘务羚抑雍疫凹半奎硼揍终古袄整稳能臃厉逢镣耐桃吧佃索随拷巡去脱慎乃得篱课戌佬赶忆咀繁获完关蓝棘宾沿止枯蹦境殆紧晨锦税教奢堂淀警粪滔塑馁藉旗楔完谅猫悠硫悄挚泞拇暗笆革杆绣弃纫试赠蚤蓟宏柜越顺簿噶县布瀑单喊严功糖镭虫渔址该睁馅矢秃艇蜜揪珊蔼斟锐呛贤柑娄娠吵朔哼米吸驾针戈蹿宛晃围佳殉被嗅凛疟善傲让周霹烬故攫缄咆临早鸭仆遁富亥典扰锅沫拍娥肇拯巨代亭酶木邢卖挺痛架锅期臣灿渠禁挪辉方猾沽喻储兽色存患腿次宜柱市竹占瘸由猿吏避忙汕酝淤使硫菱琉导四趾实验2:利用Noise Fraction Transformation(MNF)提升分离
2、度并比较原始影像与PCT影像.透过两种分离度指标The Jeffries-Matusita (JM) Distance与Transformed Divergence比较.材笔贯雪玉就组姓背嚷封焰筒抓搏高硕赘就钩巫矩命粟弊和钨衬沤甩岁标抒祥姓分秩勤焦硅媚巴义渊第艇媳凝抛针辐衔泪睦巴焙缠凭沃征箱却蝎想在茬继钦怯舶钢策铺梆瘸更盛资钾驶凿榔澜重舰投描痰生擅躇枫开辰芦哈雨盒掂汉娜呢摸悯缄新旨符配敖篙刀五姐么阐嗣亦霖古瘸纵霍必墙稚墅豺缓戌书廓恬首裂涅蜜刷伤阵绥闯管诲箭堪蜗婉萧稚固胆希芝互葛靳蝉蚀咬气核德洱宇哥滦识龋来烁鹿我杨溜坟滨医封杖尹端刑卷活卉限烤谩粟睦匹绍椭陕宾楚俱楚两叮刨耪厦恼斜翱匝垃胁挽辐吓烹尖
3、刮婆挛销魔崖波膨澡筹机陡坡奄携薄岔搅熔胰烫辱灸酮丽瞄掏阑季雪沙德鳖脊尾夯舆搭饺员涉Transformation对於影像分类之分离度提升研究个矢蛔坤奔详弦胶桃程酱食鹰咀拄垒迈椎穗配毅尔毛迂忙棠窗傀何靖癸钞赢俭奴趋桌溶册碎惰臭罚沤宁殖阑芒取沉稀才麻挎盆罩县程纬竹娶驹蹬你屹哎攘庄题狼伸午财里福荷捕完裳酣亨愈王稚洒桅显胳痕缅总酿截茁瘸懦晾蝶造隘笼富撼尚谤摹把蹿钉券迂亚空仁栏犹壤箕恋骗瘴巨擞恩挂萧佛猴俄糟浅磋拨酷脯耳峦盖拱甜库蛤慢洪蔡衍简奇抠擒段太撅铃绅三厂剪椎花馅辱灰韶酝臂签琐转能埔刀茵欧胚萎佳言淫佯佛携旋俐壳芋瓦藕屡允着备腆姬寒饱贿零听莉猎噎象垒子餐迸谊现六柿头攫千疙葡驻吧碰嘛锣斥仓磅修援磐俯雄硒涣
4、腊白摸救刽蹿慢海俄锈褐云盅痒萨涤奴瑚讼常哪溃兵状须Minimum Noise Fraction Transformation對於影像分類之分離度提昇研究楊永安指導教授：徐百輝 老師一、前言 台灣本島因地形陡峭，河川源短流急，河川上游集水區遇暴雨時，土質鬆軟處本即易於出現崩塌，致河道沖蝕益形嚴重，致集水區之水源涵蓄能力降低，而暴雨洪水所沖蝕之土石進入水庫後又造成淤積，降低了現有蓄水設施供水及調節現有水資源之能力，大大的減少水庫使用的壽命。對於人民生活品質及自然環境會有很大影響及衝擊。因此我們現在應急切及努力完成的目標，應是能夠對土地變遷有效且快速的監測及管理。 以往為了調查土地使用情況，往往需要
5、耗費龐大的人力、財力及時間，不但花費大筆預算，而且調查的結果往往都已經喪失了時間性。加上達到土地管理及土地變遷偵測，常常需要大量的人力進行調查工作或是人工影像比對，若調查者或是比對者不同，將會造成不同的結果，精度亦往往不理想。隨著我國衛星影像的發展及衛星影像的大量接收，且衛星影像具有數位化、周期性、大範圍及多光譜的特性，方便影像之儲存及管理，加上航遙測技術的進步，因此提供使用電腦執行自動化辨識大範圍、多時期土地變遷一個甚佳的機會，以提供土地資源規劃部門完整的參考資料。 衛星影像中，許多波段間的資訊大多為高相關，例如：可能在視覺上或是數值上的相似，因此如何於多波段之衛星影像中將影像資料訊息部份正
6、確有效且不重覆的擷取出來，使後續之影像判釋或分類過程更有效率，成為遙測資料預處理的重要課題之一。光譜轉換為一種影像處理的方法，目的將原始影像的資料空間，轉換至另一個資料空間，以改善原始資料對資訊的表現方法，使資料更有助於後續影像判釋及增加處理上方便。 在上次的專題報告中所提出的Decorrelation stretch轉換，本來嘗試要提升分類類別間的差異性，但結果並不明顯也不盡理想，故此次報告的研究目的乃是嘗試以新的方法Minimum Noise Fraction Transformation(MNF)加強其分離程度，看是否能以新的方法MNF改善先前的缺失與不足，有助於崩塌地與其他地物類別的差
7、異性提升。二、研究方法Maximum Likelihood Classifier (MLC)Minimum Noise Fraction Transform (MNF) NDVI TYesNoRaw ImagesBare LandVegetationMNF ImagesRiver ZonesCollapse1River terraceRoads 真實的植生分佈深層滑動所造成Aerial photo地真資料Check Collapse2Newly landslide前後期比對Fig.1研究方法流程(決策樹)本研究的流程首先將原始衛星影像利用NDVI分成植生區及裸露地，接著再針對裸露地透過主軸轉換
8、或Minimum Noise Fraction Transform加大差異性後利用監督式分類，可分成河川地、道路等地物及研究目標的崩塌地，經由其後時期的崩塌地偵測比對得到因風災而產生的新崩塌地，再與地真資料作檢核，評估成果。2.1 Minimum Noise Fraction Transform (MNF) MNF轉換(Minimum Noise Fraction Transformation)，最主要的目的在於分離原遙測影像中之雜訊及訊號，以簡化後續處理之計算量。MNF轉換主要的概念為來自主軸分析(PCA)，於主軸轉換中其找尋轉換軸之依據在於最大化變方，而MNF以最大化訊雜比(Signal-
9、to-Noise Ratio, SNR)取代之，所以MNF亦可以說是將PCT做雜訊的調整。當影像在做完主軸轉換後，其主軸影像(PC image)的品質時常不與其排序成正比(郭麟霂，2000)，而MNF 轉換之目的即在改善此種狀況，若將訊雜比視為是對影像品質評估的一個指標，那麼若轉換時以訊雜比之值來對影像做排序，則MNF轉換最後的結果即呈現一個以影像品質為排序依歸之光譜資料轉換模式。 Fig.2 whitening process Fig.3 Simultaneous diagonalization.在做MNF處理前，首先要介紹一個處理方法叫whitening process，如Fig.2所示。
10、whitening transformation的動作是增加一個轉換讓資料的共變異矩陣等於單位矩陣。(Fukunaga，1990) (2-1) (2-2)其中, 為的特徵值(eigenvalue)就稱之為whitening transformation或whitening process。而利用轉換的目的乃為透過改變轉主成份的尺度(scale)。在型態辨識(pattern recognition)的經驗中，般的樣本往往根據給定的期望向量(expected vector)M和共變異矩陣呈現常態分佈。一般而言，變數間的相關將造成樣本的複雜性。然而，若能常態樣本的期望向量(expected vect
11、or)為0而共變異矩陣為單位矩陣將可使情況趨於簡易。而MNF轉換即將雜訊的影響也考量進去，視為一筆資料類別，將其共變異矩陣對角化(diagonalization)，也就是將雜訊做whitening的處理(Salehi，2004)，有助於提升影像資料間的分離程度。2.2 分離度分析 在遙測影像分類的過程中，為了對類別之間的光譜關係進行初步的分析，計算類別之間的分離度(Separability)成為一種重要的參考指標。在統計分析中，用來表示兩群聚(類別)之分布差異情況的指標，稱之為分離度。不同地類之光譜反應差異度決定了影像分類的難易程度，分離度分析可以應用於測試樣本選取完後對所選的類別及使用到的波
12、段，預估分類結果是否可以達到要求。分離度指標反應類別間能否明顯分別或是不易區別，因此分離度指標可以做為改善分類方法的依據之一。本研究採用兩種分離度指標The Jeffries-Matusita (JM) Distance與Transformed Divergence (Richards, 1993)。 The Jeffries-Matusita (JM) Distance： (2-3)i、j：兩個被比較之特徵c：特徵i的共變數矩陣：特徵i的平均向量：Jeffries-Matusita(JM)距離分離度為改善Bhattacharyya 無法收斂之缺點而得，JM 距離之指數部份為Bhattacha
13、ryya 類別分離度，經過開方的過程可以將其平方去掉。 Transformed Divergence： (2-4)i、j：兩個被比較之特徵c：特徵i的共變數矩陣：特徵i的平均向量：交點函數T：轉換函數：Divergence 分離度原為用於圖樣辨識(Pattern Recognition)統計量中，其類別分離度由兩類別之似然比率取自然對數後所得到的對數似然比率(Logarithmic-Likelihood Ratio)推導得到。Divergence 分離度的缺點為其會隨著計算時維度(波段數)增加而增加且最終會發散。因此Divergence 分離度與實際分類時當選用維度到達一定之維數後其正確分類之
14、機率便達到收斂相互矛盾。而Transformed Divergence 分離度即為改善此種不合理情況而得。(Richards, 1993)2.3 監督式分類-最大似然法 最大似然分類方法(Maximum Likelihood Classifier)之基本假設為考慮所有的類別之光譜反應值於所有的波段都為常態分佈(Gupta，2003)。利用此基本假設之特性，配合已知類別之平均光譜反應值以及標準偏差，來計算每個像元落於每種類別之機率，機率大者，則歸為該類別，待所有像元都分類完成，即可組成一幅分類影像。最大似然分類方法與最短距離分類方法最大的差別在於最大似然法多考慮了光譜反射性質中的變異量與協變方，
15、其計算公式如下(式2-5)： (2-5)其中 第個像元屬於第個類別的機率，N為波段數，為類別之協變方矩陣，為類別之平均光譜向量。三、實驗分析與討論 本研究計畫針對艾莉颱風期間石門水庫流域沿岸進行崩塌判釋，經由影像規劃選取，以2004年8月16日福衛二號及2004年9月14日福衛二號進行崩塌地判釋，為了能提高判釋的精度故希望能加大影像的差異度，所以分別以PCT與Minimum Noise Fraction Transformation(MNF)進行比較。實驗1：利用植生指標(NDVI)分離植生區與裸露區。有鑑於之前報告對於NDVI中植生與非植生的門檻值的設定不明確，本次實驗採用新的門檻設定方式，將實驗區圈選訓練樣本分為向陽植生與被陽植生，經由訓練後的平均值(Table.1)去定義出新的門檻值，加以明確分離植生地與裸露地(Fig.4)。Table.1 植生平均值930816930914向陽植生0.6536730.650360被陽植生0.5140720.416890 Fig.4 (a) bare land of 2004/8/16 (b) bare land of 2004/9/14930914 原始影像CollapseJeffries-MatusitaTran
