臺灣博碩士論文加值系統

近年來，隨著衛星科技的發展，使的影像空間解析度大幅提升，衛星影像地面特徵更為清晰可辨，但受其地物型態複雜化的影響，僅依影像光譜來進行分析辨識，難免有不足之處。因此研究中將運用紋理資訊的方式，擴大地表間不同的空間特徵差異，來有效的提升影像判釋精度。
但是隨著資料的複雜度與資料量的增加，線性分類器已經無法的有效達到分離類別，因此分類器是逐漸的朝向非線性可分類的方向來發展，而支援向量機（Support Vector Machine, SVM）便是其中一種新的機器學習分類方法。
本研究選擇了高解析度QuickBird衛星影像及紋理資訊做為影像分類之資料來源，利用最大概似法與支援向量機來達到分類的目的，成果顯示，支援向量機法整體精度可高達87.30%，明顯的優於最大概似法的判釋精度83.73%，有較佳達到分離類別的目的。另外在整體的紋理分類成果中，支援向量機在精度上也較為穩定，不會像最大概似法有震盪的情形發生，因此此方法可作為衛星影像分類精度提升上，提出新的貢獻。

Along with the satellite science and technology development, Spatial resolution has large promotion which caused, the ground characteristic may distinguish clearly in recent year, but its thing condition complication influence, is only depended on the image spectrum to carry on the analysis to recognize, unavoidably had the deficiency. Therefore will study utilizes the texture information to distinguish between spatial characteristic. It promote classification overall accuracy effectively.
With the complicated and an amount of increasing data, The linear classification already was unable to achieve the separation category effectively, the classifier gradually developed into non-linear classification. However, SVM (Support Vector Machine) is one of suitably solved problems on above questions of machine learning classification.
In this paper, The study chose QuickBird satellite image for material. It provide high spatial resolution spectrum image and texture image, that is the important knowledge in the image processing. The final result show the SVM (Support Vector Machine) is up to 87.3% accuracy and MLC (Maximum Likelihood Classifier) has 83.73% accuracy, SVM separate category in the dataset correctly and efficiently. In the texture classification achievement, The SVM can give stabled and higher overall accuracy, therefore this method may take in the satellite image classification precision promotion, proposes the new contribution.

第一章 緒論 1
第一節 研究動機與目的 1
第二節 研究範圍 2
第三節 研究內容與架構 3

第二章 文獻回顧 5
第一節 遙感探測之理論與應用 5
第二節 輔助資訊之相關應用 6
第三節 影像分類方法之探討 8
第四節 資料挖掘技術於遙測影像之應用 9
第五節 小結 10

第三章 實驗材料 11
第一節 Quickird 衛星影像 11
第二節 彩色正射航照 13

第四章 研究方法 15
第一節 半變異元模型 15
第二節 灰階共伴隨矩陣 20
第三節 影像分類法則 24
第四節 精準度評估 32

第五章 實證分析 36
第一節 實證流程 36
第二節 紋理分析 38
第三節 影像分類成果 43
第四節 影像分類精準度評估 52

第六章 結論與建議 57
第一節 結論 57
第二節 建議 58

參考文獻 59
附錄一 幾何校正地面控制點精度表 64
附錄二 支援向量機分類法程式碼 66

1.王景南，2002，多類支向機之研究，元智大學資訊管理學系研究所碩士論文。
2.王界人，2004，遺傳演算法應用於支援向量機之參數調整與屬性篩選，華梵大學資訊管理學系碩士班。
3.江良印，1998，紋理特徵應用遙測影像判釋之理論研究，國立台灣大學農業工程學研究所碩士論文。
4.李昆侖，2005，模糊多類支持向量機及其在入侵檢測中的應用，計算機學報，第28卷，第274-280頁。
5.杜文強、李松釧、陳熙灝、詹志銘，2000，SPOT衛星影像應用於環境敏感地區變遷分析之初步探討，國土資訊系統通訊，第36期，第22-29頁。
6.杜樹新、吳鐵軍，2003，模式識別中的支持向量機法，浙江大學學報，第37卷，第5期，第521-527頁。
7.阮聖裕，1994，類神經網路應用於地表覆蓋分類之研究，國立台灣大學農業工程研究所碩士論文。
8.吳政庭，2004，多元尺度影像與半變異元紋理法於都市水稻田分類之研究，逢甲大學土地管理學系碩士論文。
9.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。
10.孫建成、張太鎰、劉楓，2004，基於支持向量機的多類數字調制方式自動識別算法，西安交通大學學報，第38卷，第6期，第619-622頁。
11.陳哲俊，1989，研究計畫綜合報告，國立中央大學太空及遙測研究中心研究計畫報告。
12.陳美秀，2002，有效的空間關聯規則探勘方法之設計，朝陽科技大學資訊管理研究所碩士論文。
13.陳彥宏，2004，運用紋理資訊輔助高解析度衛星影像於都會區水稻田萃取之研究，逢甲大學土地管理學系碩士論文。
14.郭育全，1997，分散度指標應用於遙測影像分類特徵選取之研究，台灣大學農業工程學研究所碩士論文，。
15.張右峻，1999，利用類神經網路探討土地利用型態與環境變遷之研究，逢甲大學土地管理研究所碩士論文。
16.黃承龍、王界人，2004，應用支援向量機於信用卡資料之分類，2004年第一屆中華國際機率統計與計量管理學術研討會。
17.黃建榮，2004，使用支援向量機分類變異特徵之影像查詢，朝陽科技大學資訊管理系研究所碩士論文。
18.黃景濤、馬龍華、錢積新，2004，一種用於多分類問題的改進支援向量機，浙江大學學報，第38卷，第12期，第1633-1659頁。
19.楊龍士、周天穎，2000「遙感探測學理論與實務」，逢甲大學地理資訊系統研究中心，台中市。
20.蔡敏之，1997，應用輔助資訊及類神經網路於遙測影像土地利用分類之研究－以識別都市區為例，國立成功大學測量工程研究所碩士論文。
21.鄭丁元，2006，高解析度衛星影像於水稻田坵塊萃取之研究，逢甲大學環境資訊科技研究所碩士論文。
22.謝芳伶，2003，支援向量機於指紋辨識之應用，靜宜大學資訊管理學系研究所碩士論文。
23.顏世坤，1994，Wavelet 轉換於遙測影像之分析及其應用，國立中央大學太空科學研究所碩士論文。
24.簡甫任，1999，知識庫輔助都市地區土地利用變遷偵測之研究，逢甲大學土地管理學系碩士論文。
25.魏曉萍，2003，QuickBird衛星影像探討分類方法之研究，中華大學土木工程學系碩士論文。
26.魏玲、張文修，2003，基於支援向量機的決策系統知識發現，西安交通大學學報，第37卷，第10期，第995-998頁。
27.韓歆儀，2004，應用兩階段分類法提昇SVM法之分類準確率，國立成功大學工業與資訊管理研究所碩士論文。
28.Atkinson, P. M. and Tate, N. J., 1999, Advances in Remote Sensing and GIS Analysis, John Wiley & Sons, New York.
29.Bishof et al., , Multispectral Classification of Landsatlmages Using Neural Network, IEEE Transactions on Geoscience and Remote Sensing, 482-490，.
30.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.
31.Carleer, A., and Wolff E., 2004, Explotation of Very High Resolution Satellite Data for Tree Species Identification, Photogrammetric Engineering & Remote Sensing, Vol. 70 135-140.
32.Curran, P. J. 1998, THE Semivariogram in remote sensing: An introduction, Remote Sensing of Environment, 24, 493-507.
33.Chica-Olmo, M. and Abarca-Hernandez, F., 2000, Computing Geostatistical Image Texture for Remotely Sensed Data Classification, Computers & Geosciences, 26: 373-383.
34.Clarke, K. C., 1986, Computation of The Fractal Dimension of Topographic Surfaces Using The Triangular Prism Surface Area, Computer & Geosciences, 12(5): 713-722.
35.Conners, R. W. and Harlow, C. A., 1980a, Toward a Structural Texture Analyzer Based on Statistical Method, Computer Graphic and Image Processing, 12: 224-256.
36.Conners, R. W. and Harlow, C. A., 1980b, A Theoretical Comparison of Texture Algorithms, IEEE Trans. on Pattern Analysis and Machine Intelligence, PAMI-2(3): 204-222.
37.Curran, P. J., 1988, The Semivariogram in remote sensing: An introduction, Remote Sensing of Environment, 24, 493-507.
38.Curran, P. J., and Atkison, P. M., 1998, Geostatistics and remote sensing, Progress in Physical Geography, 22, 61-78.
39.Fletcher, R., 1987, Practical Method of Optimization, John Wiley and Sons. Inc.
40.Gustavo, C. V., Luis, G. C., Javier, C. M., Jose, David, M. G., Emilio, S. O., Luis, A. C., and Jose Moreno. 2004, Robust Support Vector Method for Hyperspectral Data Classification and Knowledge Discovery, IEEE Transactions on Geoscience and Remote Sensing, Vol. 42, No. 7.
41.Haralick, R. M., Shaunmugam, K. and Dinstein, I., 1973, Textural Features for Image Classification, IEEE Trans. On Syst., Man, and Cybern., 67: 786-804.
42.He, D. C. and Wang , L. and Guibert, J., 1987. Texture discrimination base on an optimal utilization of texture features, Pattern Recognition, 2, 141-146.
43.Journel, A. G. and Huijbregts, CH. J., 1991, Mining Geostatistics, Academic Press.
44.Marceau, D. J., Howarth, P. J., Dugois, J. M. and Gratton, D. J., 1990, Evaluation of The Grey-Level Co-occurrence Matrix Method for Land-Cover Classification Using SPOT, IEEE Transaction on Geosciences and Remote Sensing, 28: 513-519.
45.Matsuyama, T., 1980, Structural Analysis of Natural Textures by Fourier Transformation. Computer Vision, Graphics and Image Processing, 12: 286-308.
46.McGwire, K., M. Friedl, and J. E. Estes, 1993, Spatial Structure, Sampling Design and Scale in Remotely-Sensed Imagery of a California Savanna Woodland, International Journal of Remote Sensing, imagery, 28, 513-519.
47.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, International Journal of Remote Sensing, 13(12): 2349-2354.