臺灣博碩士論文加值系統

在影像分類中，一般是以逐像元(Pixel-based)為主的分類演算法進行影像資訊之萃取，而逐像元分類方法通常會造成椒鹽效應(Salt and Pepper Effect)，使分類結果難以應用，因此需要經過繁雜的後續處理工作後，分類結果方能使用。因此本研究利用空間資訊技術(地理資訊系統Geographic Information System；GIS與遙感探測Remote Sensing；RS)獲取萬大水庫附近地表土地覆蓋之情形，以區域物件化判釋(Region Object-oriented Classification；ROC)進行判釋區域，同時也利用不同的光譜及紋理資訊來分析萬大水庫周圍的地區，我們設計了一個以像素的分類透過亂度基礎法來計算，我們針對在敏感地模型中發生與不發生屬性之間的關係進行了研究，希望藉由此研究可以讓山坡地相關管理單位對於坡地災情復舊重建之參考。

In the image classification, it generally used pixel-based classification model to extract information of image. The results of by pixel-based algorithm can induce Salt-and-Pepper Effect. Therefore, this study purposed a region-based model of Region Object-oriented Classification (ROC) to extract landslide image information. The surface information from the Wan Da reservoir area is collected and studied. Region Object-oriented Classification (ROC) is used to classify the landslide area. We collected different spectrum with several texture information to analyze the surrounding area of Wan Da reservoir. Entropy based classification is used as a classifier to determine the landslide/non-landslide area. Various parameters of S (similarity) and A (area) are used and then the best combinations are found. In the parallel study, we developed a pixel based classification through the calculation on the entropy for simple comparison. The relations of occurrence vs. non-occurrence of landslide with regards to attributes of land surface are studied. Thus, this could be of help to manage the recover on the landslide area.

中文摘要 i
英文摘要 ii
誌謝 iii
表目錄 vi
圖目錄 vii
第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 2
第三節 研究限制 2
第四節 研究架構 3
第二章 文獻探討 4
第一節 崩塌地之定義 4
第二節 地理資訊系統之應用 5
壹、 地理資訊系統的定義 5
貳、 空間資訊技術所使用之資料型態 6
參、 新一代之地理資訊系統 6
肆、 崩塌地判釋與預測技術 7
第三節 實證區的介紹 9
壹、 地理位置 9
貳、 土地利用 10
參、 氣象及水文 10
第四節 區域成長法 11
第三章 研究方法 13
第一節 影像前處理 14
壹、 常態化差異植生指標 14
貳、 灰階共發生矩陣 15
參、 色彩空間轉換 17
第二節 Region Object-oriented Classification(ROC)崩塌地判釋 18
壹、 ROC判釋流程 19
貳、 影像分割 20
參、 亂度基礎分類法 22
肆、 投票分類方法 23
伍、 區塊物件化 24
第三節 Pixel Based Classification(PBC)崩塌地判釋 25
壹、 PBC判釋流程 25
貳、 自動選取策略 26
參、 判釋率收斂原則 27
第四章 實證分析與討論 29
第一節 影像前處理 29
壹、 NDVI非植生圖 29
貳、 GLCM同質紋理影像 29
第二節 ROC崩塌地分類流程與成果 31
壹、 色彩空間轉換 31
貳、 影像區塊化成果 32
參、 ROC崩塌地萃取成果比較 33
第三節 PBC崩塌地分類流程與成果 35
第四節 實作驗證區崩塌地成果 36
第五章 結論與建議 40
第一節 結論 40
第二節 後續研究建議 41
參考文獻 42

 

表 目 錄
表3 1 區塊資訊記錄格式表(資料來源：李哲源，2009) 21
表3 2 內部屬性資訊紀錄表 25
表3 3 外部結構資訊紀錄表 25
表4 1 區域化模式面檢核結果 35

 

圖 目 錄
圖1 1 研究架構 3
圖2 1 文獻探討流程圖 4
圖2 2 萬大水庫實證區位置圖 10
圖2 3 霧社水庫集水區概況(資料來源：吳麗娟，1999) 10
圖2 4 ROC研究流程 12
圖3 1 研究流程圖 13
圖3 2 NDVI門檻值設定範例 15
圖3 3 位移向量 15
圖3 4 影像I(x, y) 16
圖3 5 出像機率矩陣 16
圖3 6 灰階共發生矩陣 16
圖3 7 3×3視窗中心像元與八鄰域像元編號 17
圖3 8 色彩空間轉換模式示意圖 18
圖3 9 ROC判釋流程圖 20
圖3 10 鄰近像元搜尋視窗種類示意圖(資料來源：李哲源，2009) 21
圖3 11 跳島現象及區塊鄰邊碎塊(資料來源：李哲源，2009) 21
圖3 12 區域成長法概念示意圖(資料來源：李哲源，2009) 21
圖3 13 區塊分類流程及示意圖 24
圖3 14 物件組成示意圖(資料來源：李哲源，2009) 25
圖3 15 PBC判釋流程圖 26
圖3 16 自動選取策略流程圖 27
圖3 17 判釋率收斂流程圖 28
圖4 1 NDVI非植生圖 29
圖4 2 R波段同質紋理資訊 30
圖4 3 G波段同質紋理資訊 30
圖4 4 B波段同質紋理資訊 30
圖4 5 IR波段同質紋理資訊 31
圖4 6 色彩空間轉換成果 31
圖4 7 崩塌地樣本區位 32
圖4 8 非崩塌地樣本區位 32
圖4 9 色彩空間轉換成果 33
圖4 10 Similarity設為15個單位 34
圖4 11 Similarity設為10個單位 34
圖4 12 Similarity設為5個單位 34
圖4 13 最佳精度萃取成果 35
圖4 14 像元基礎分類成果圖 36
圖4 15 崩塌地驗證區 37
圖4 16 崩塌地區域 37
圖4 17 ROC崩塌地分類成果圖 37
圖4 18 精度取樣區域 38
圖4 19 PBC崩塌地分類成果圖 38
圖4 20 ROC加入坡度資訊成果圖 38
圖4 21 PBC加入坡度資訊成果圖 38

王海君、樂成峰(2008)，應用基於紋理的面向物件分類模糊方法提取水田資訊。地理與地理信息科學期刊，第24卷，第五期，（頁40-43）。
行政院農業委員會(1992)。"水土保持手冊"，水土保持學會。
林務局農林航空測量所（民86）。霧社水庫集水區土地利用、崩塌地航測調查報告。
林彥享(2003)。運用類神經網路進行地震誘發山崩之潛感分析。國立中央大學應用地質研究所之碩士論文。
林書毅、李錫堤(1998)。不安定指數法在林口台地山坡穩定評估之應用。第七屆台灣地區地球物理研討會論文集（頁593-604）。
李鈞宇(2006)。應用高斯過程建立新中橫公路邊坡崩塌預測模式之研究。國立台灣科技大學營建工程研究所之碩士論文。
李哲源(2009)。區塊物件化分類模式於自動化製圖之研究-以水稻田坵塊主題圖為例。逢甲大學環境資訊科技碩士學位學程之碩士論文。
洪凱政(2009)。應用多光譜影像多種特徵偵測崩塌地之研究。國立成功大學測量及空間資訊學系之碩士論文。
吳麗娟(1987)。第三次霧社水庫集水區航測調查探討航測技術的發展。台灣林業雙月刊，第25卷，第五期。
黃春銘、李錫堤(2006)。使用模糊類神經網路進行山崩潛感分析–以台灣東部玉里地區為例。中國地質學會九十五年年會暨學術研討會論文集，（頁142）。
陳啟偉(2005)。應用類神經網路於道路邊坡崩塌特性之研究－以台11線公路花蓮段為例。國立東華大學自然資源管理研究所之碩士論文。
陳信雄(1995)。崩塌地調查與分析。渤海堂出版社，（頁1-3）。
陳怡睿、謝舜傑、陳信達(2005)。應用知識庫分類輔助遙測判釋坡地崩塌之研究。第11屆大地工程學術研討會論文集(二)（頁G15-1~G15-7），台北市。
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。
Chen S., Lin W., and Chen C. (1991), Split-and-merge image segmentation based on localized feature analysis and statistical tests, Computer Vision, Graphics, and Image Processing(CVGIP): Graph. Models Image Process, Vol. 53, (pp. 457-475).
Gomez, H. and Kavzoglu, T. (2004), Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, Engineering Geology, Vol.78, (pp.11-27).
Hojjatoleslami S. A. and Kittler J. (1998), Region growing: A new approach, IEEE, Image Processing, vol. 7, no. 7, (pp. 1079-1084).
Leonardo Ermini, Filippo Catani, and Nicola Casagli (2007), Artificial Neural Networks applied to landslide susceptibility assessment, Earth Sciences Department-University of Firenze, Via G. La Pira 4-50121, Firenze, Italy
Rouse JW, RH Haas, JA Schell, DW Deering (1973) Monitoring vegetation systems in the great plains with ERTS. In Third ERTS Symposium, NASA SP-351, Washington, DC. Vol. 1, (p.309-317).
Sahoo P. K., Soltani S., Wong A. K. and Chan Y. C.(1988), A survey of thresholding techniques, Comput. Vision, Graphics, Image Processing, vol. 4, ( pp. 233-260).
Soille P. (1999), Morphological image analysis: Principles and applications, Springer-Verlag Telos, ISBN-3540656715.
Wan S. (2009), A spatial decision support system for extracting the core factors and thresholds for landslide susceptibility map, Engineering Geology 108, (pp. 237–251).
Wan S., Lei T.C. (2009), A Knowledge-based Decision Support System to Analyze the Debris-Flow Problems at Chen Yu-Lan River, Taiwan, Knowledge-Based Systems 22, (pp. 580–588).
Wesolkowski S. (1999), Color image edge detection and segmentation: A comparison of the vector angle and the Euclidean distance color similarity measures, Master’s thesis, Systems Design Engineering, University of Waterloo, Canada.