跳到主要內容

臺灣博碩士論文加值系統

(35.172.136.29) 您好!臺灣時間:2021/08/02 18:22
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:陳思云
研究生(外文):Ssu-Yun Chen
論文名稱:運用物件導向方法及相關知識於衛星影像之切割與分類研究
論文名稱(外文):The Research of Using Object-Oriented Method and Knowledge for Satellite Image Segmentation and Classification
指導教授:黃博惠黃博惠引用關係
學位類別:碩士
校院名稱:國立中興大學
系所名稱:資訊科學與工程學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:82
中文關鍵詞:遙感探測物件導向多尺度分割影像分類知識庫
外文關鍵詞:Remote sensingObject-orientedMultiresolution segmentationImage classificationKnowledgebase
相關次數:
  • 被引用被引用:0
  • 點閱點閱:221
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
隨著遙感技術的快速發展與國際間商業性高解析度衛星影像市場的開放,更加拓展了衛星科技的領域,並大幅提升遙感影像的空間分辨率。台灣地區的地物特徵亦趨複雜,而應用衛星影像於地表資源的調查分析研究上,若仍倚賴傳統的衛星影像訊息提取模式來進行影像之處理、分析與判釋,已不能滿足實際運用的需求及對精度上之提升。 
傳統的遙感影像較著重於以單一像素光譜值為基礎進行判釋分類,而往往忽略了形狀、相鄰關係等空間特徵之重要訊息,所以本研究採用物件導向概念來對影像進行知識分類。整體研究過程包括了利用光譜、形狀等因子將影像分割成具有意義之物件區塊,並透過類別架構根據地物特徵與其空間特徵進行知識庫之分類;希望藉由物件化分類避免分類混淆的發生,並大幅提高分類精確度。研究中採用SPOT-5及QuickBird衛星影像為實驗測區,利用物件知識分類與最大概似法來達到分類的目的。透過精準度評估分析、顯示物件知識分類對於SPOT-5衛星影像及QuickBird衛星影像的整體精確度各達86%及83%,而最大概似法對SPOT-5衛星影像及QuickBird衛星影像之精確度則為82%及77%,明顯得知物件知識分類的確比最大概似法之分類效果優越。
Along with the fast development of remote sensing technology, and the availability of international market of high definition commercial satellites, satellite technology field has been expanded, and spatial resolution of imagery has also been substantially raised up. Regarding the application of using satellite images to investigate the earth’s surface, it is hard to meet all actual application requirement and raise accuracy by traditional information extraction methods because the surface features of Taiwan island have become more and more complicated.
Traditional pixel-based classification methods only focus on single pixel spectral information for classification, while ignore the important spatial information such as shape and adjacent relationship. In this thesis, image classification based on object-oriented method is adopted. The entire research includes not only using spectral and spatial factors to divide the image into several meaningful object sections, but also classifying the knowledgebase through a category structure according to both surface features and space characters. By this object-oriented classification method, ambiguity in classification can be avoided and high accuracy is reached. In this research, SPOT-5 and QuickBird satellite images are used for testing materials, and “object-oriented method” and “maximum likelihood classifier” are adopted to compare the results . According to the analysis for the results, the accuracy of “object-oriented method” is approximately 86% and 83% for a SPOT-5 satellite image and a QuickBird satellite image,respectively. while that of “maximum likelihood classifier” is about 82% and 77% for a SPOT-5 satellite image and a QuickBird satellite image,respectively. In terms of classification effect, we conclude that “object-oriented method” is obviously superior to “maximum likelihood classifier”.
中文摘要 Ⅰ
Abstract Ⅱ
目錄 Ⅲ
表目錄 Ⅴ
圖目錄 Ⅵ
第一章 緒論 1
第一節 研究緣起與背景 1
第二節 研究動機與目的 1
第三節 研究內容與架構 3
第二章 文獻回顧 6
第一節 遙感探測 6
第二節 判釋知識 10
第三節 影像分割 15
第四節 影像分類 18
第五節 精確度評估 30
第三章 研究地區與材料 34
第一節 研究地區影像資料 34
第二節 研究工具 38
第四章 研究方法與設計 40
第一節 研究流程 40
第二節 多尺度影像分割 42
第三節 物件化知識分類 48
第五章 實證成果與討論 54
第一節 物件導向分類 54
第二節 最大概似法監督分類 72
第三節 實証結果分析與討論 74
第六章 結論與建議 78
第一節 結論 78
第二節 後續研究與建議 78
參考文獻 80
1. 林錦全,1995,衛星影像資料於集水區地表覆蓋分類之研究,國立臺灣大學農業工程研究所碩士論文。
2. 孫建平,1996,類神經網路及其應用於降雨及逕流過程之研究,國立臺灣大學農業工程研究所碩士論文。
3. 劉孝恆,1999,監督性模糊分類法於遙測影像分類及變遷偵測之研究,國立中央大學土木工程研究所碩士論文。
4. 劉致岡,1999,以專家系統利用GIS 資料輔助影像細分類-以林相分類為例,國立成功大學測量工程研究所碩士論文。
5. 蕭百齡,1999,類神經網路與SPOT衛星影像分類之研究,國立屏東科技大學熱帶農業研究所碩士論文。
6. 包順安,1999,高光譜影像平滑與特徵萃取對分類精度之影響,國立成功大學測量工程研究所碩士論文。
7. 洪皓人,2000,衛星影像分類方法之研究-以鳳山溪上游集水區為例,國立中興大學水土保持研究所碩士論文。
8. 簡甫任,2001,運用知識庫輔助遙測影像分類與土地利用變遷偵測模式建立之研究—以都市區域環境為例,逢甲大學土地管理研究所碩士論文。
9. 陳冠字,2002,紋理分析在彩色影像分類上之應用,中華大學機械與航太工程研究所碩士論文。
10. 蔡哪文,2002,利用高解析度衛星影像於都市土地覆蓋之研究,中國文化大學地學研究所碩士論文。
11. 莊雲翰,2002,結合影像區塊及知識庫分類之研究-以IKONOS 衛星影像為例,國立中央大學土木工程研究所碩士論文。
12. 戴安琦,2003,以分水嶺分割法為基礎的彩色分割研究,淡江大學資訊工程研究所碩士論文。
13. 吳俊龍,2004,以影像紋理與色彩資訊輔助地物分類之研究-以台北地區為例,國立臺北大學地政學系研究所碩士論文。
14. 陳慧欣,2007,以Boosting法改進監督式分類樣本特性之研究,逢甲大學土地管理學系研究所碩士論文。
15. 謝仁馨,1990,航照判讀與遙感探測,中華民國航空測量及遙感探測學會學 刊。
16. 陳文福、鄭新興,1997,遙測與GIS 應用於集水區大型坡地開發之變遷分析,水土保持學報,第二十九卷,第一期,第41-59 頁。
17. 林文賜、周天穎、林昭遠,2001,應用監督式類神經網路於衛星影像分類技術之探討,中華民國航空測量及遙感探測學會學刊。
18. 陽松、王繼堯,2007,淺論面向對象的遙感圖像的模糊分類,科技情報開發與經濟期刋,第十七卷,第八期,第236-237頁。
19. 蔡瑞煌,1995,類神經網路概論,三民書局。
20. 楊龍士、周天穎,2000,遙感探測理論與分析實務,逢甲大學地理資訊系統研究中心。
21. 章孝燦、黃智才、趙元洪,2003,遙感數字圖像處理,浙江大學出版社。
22. 楊龍士、周天穎、雷祖強,2006,遙感探測理論與分析實務,文魁資訊出版社。
23. 陳曉玲、龔威、李平湘、田禮喬,2007,遙感數字影像處理導論,機械工業出版社。
24. 李朝鋒、曾生根、許磊,2007,遙感圖像智能處理,電子工業出版社。
25. 李培芬,2004,遙測與地理資訊系統之應用_遙測概論,台灣大學生命科學系。
26. 林文賜,2005,地理資訊系統(環境資訊系統、空間資訊)授課講義,明道管理學院環境規劃暨設計研究所。
27. 朱子豪,2005,遙感探測概論,國立台灣大學理學院空間資訊研究中心。

28. Lillesand, T.M., and R.W. Kiefer, 1994, Remote Sensing and Image Interpretation, John Wiley & Sons, Inc., 3rd Edition.
29. Haralick, R. M. and L. G. Shapiro, Survey: Image segmentation techniques, Comput. Vis. Graph. Image Process., vol. 29, 1985, pp.100-132.
30. Campbell, J.B., 1987, Introduction to Remote Sensing- Remote Sensing Application in the Plant Sciences, The GUILFORD Press, New York, pp.366-403.
31. Thomas, I.L., Benning, V.M., and Ching, N.P., 1987, Classification of remotely sensed images, Adam Hilger, Bristol.
32. Mockler R.J., 1992, Developing Knowledge-based Systems Using an Expert System Shell, New York, Macmillan Publishing Company.
33. Barrett, E.C. and Curtis,L.F., 1992, Introduction to Environmental Remote Sensing , London ; New York, Chapman & Hall.
34. DEFINIENS AG, 2000. eCognition user’s guide. http://www.definiens-imaging.com/index.htm
35. Baatz, M., and Schape, A., 2000, “Multiresolution Segmentation – an optimization approach for high quality multi-scale image segmentation”, Angewandte Geographische Informationsverarbeitung XII, Beitrage zum AGIT-Symposium Salzburg 2000, Karlsruhe, Herbert Wichmann Verlag : 12-23.
36. 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, Vol. 14, No. 11, pp. 2137-2164.
37. Sklansky, J., 1978, Image Segmentation and Feature Extraction, IEEE Trans. Syst., Man Cybern., Vol.8, pp.238-247.
38. EDRAS, 2002, EDRAS IMAGINE Field Guide, Atlanta, Georgia, USA.
39. Darwish, A., Leukert, K., and Rrinhardt, W., 2003, Image Segmentation for the Purpose of Object-Based Classification, Proceedings of IGARSS 2003 IEEE, July 2003, Toulouse.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top