臺灣博碩士論文加值系統

隨著資訊科技的發展與進步，遙測衛星影像空間解析度已達公分級的成像技術，意味著影像能夠表達更加豐富的資訊。同樣地，因影像資訊量增加使得光譜資訊的組合亦更趨複雜。然衛星影像本身存在光譜資訊的不確定因素，造成監督式分類方法之訓練資料於表達地物類別的特性上有所限制，而為能更加突顯地物特徵則透過資訊維度的增加來達到輔助判釋的效果。
支持向量機為監督式的機器學習方法，利用空間維度的轉換使複雜問題可以線性方式進行分離，但須經由參數設定來執行造成尋找單一較佳分類器的困難。而集成學習之AdaBoost演算法概念即是透過組合多個不同內容之分類器以達較佳之分類決策方法。
因此，本研究以支持向量機處理多維資訊的優點進行衛星影像分類判釋，並透過AdaBoost集成學習針對錯誤資訊的處理與結合多個決策知識的特性，增進支持向量機分類效能，降低因影像光譜不確定性所造成的分類錯誤。並經由不同複雜程度之試區影像，探討AdaBoost結合支持向量機於衛星影像的分類特性。
本研究結果顯示，資訊量多、影像複雜度高之研究試區透過AdaBoost的集成學習，其分類成果較單一支持向量機分類器提升6.04%的分類精準度。而AdaBoost集成學習可改善因植生物種多樣、光譜反應相似所產生的水稻田誤判情形。且AdaBoost有著重錯誤資訊處理之特性，於水稻田坵塊四周細微田埂部分有較佳的分類能力。因此本研究成果顯示，透過AdaBoost演算法結合支持向量機可助於複雜都市地區之高解析度衛星影像判釋工作。

Support vector machine (SVM) algorithm is to transform low dimensional feature space into high dimensional feature space to find out the maximum division margin between classes. SVM is widely used as a classifier of remote sensing images. However, the quality of training data may affect the accuracy of the classified image result.
Boosting algorithm is a kind of ensemble learning which has the property of examining the training samples and enhances the classification accuracy. Boosting is a statistics method and can give the wrong samples a heavier weight and reduce the right samples’ weight, then via iterative estimation to decrease the error rate of training samples.
In this study, we use the high dimension advantage of SVM to classify satellite image. And combine AdaBoost algorithm to enhance SVM classifier. Discussing the results of AdaBoost integrate with SVM in satellite image classification in different complexities study area.
The final result shows that the accuracy of AdaBoostSVM was increased 6.04% in higher complexity study area. AdaBoost ensemble learning can improve the commission error of paddy rice which caused form similar vegetation spectrum reflection. Besides, AdaBoost has better classification capability in the ridge between paddy rice fields. The result in this study proved that AdaBoost algorithm integrates with SVM can enhance and improve the classification of high resolution satellite image in complicated urban area.

中文摘要 I
ABSTRACT II
目錄 III
圖目錄 IV
表目錄 V
第一章 緒論 1
第一節 問題陳述 1
第二節 研究動機與目的 3
第三節 研究內容與流程 6
第二章 文獻回顧 8
第一節 水稻田生長與影像光譜特性 8
第二節 資料挖掘於遙感探測相關應用 13
第三節 集成學習 15
第四節 AdaBoost演算法相關研究 23
第三章 研究設計與方法 27
第一節 研究材料 27
第二節 研究設計 31
第三節 影像複雜度評估 32
第四節 影像特徵資訊 33
第五節 支持向量機 37
第六節 AdaBoost 44
第七節 精準度評估 50
第四章 實證分析 54
第一節 試區背景陳述 56
第二節 影像複雜度評估 59
第三節 影像特徵資訊 61
第四節 影像分類成果 66
第五節 成果討論 74
第五章 結論與建議 81
第一節 結論 81
第二節 建議 83
參考文獻 84

1.王人鋒（2003），「兩階段決策之委員會機器」，中山大學機械與機電工程學系，碩士論文。
2.吳政庭（2004），「多元尺度影像與半變異元紋理法於都市區水稻田分類之研究」，逢甲大學土地管理學系碩士論文。
3.吳鴻謙、史天元、劉榮寬（2005），「以小波理論進行影像壓縮之三種實現比較」，航測及遙測學刊，Vol. 10，No. 3，pp. 305-314。
4.李斌（2003），「分類器優化算法的研究」，復旦大學碩士學位論文，中國。
5.周紅英、蔺启忠、吳昀昭、王欽軍（2007），「基於AdaBoost的組合分類器在遙感影像分類中的應用」，計算機應用研究，Vol. 24，No. 10，中國。
6.施奕良（2005），「知識表達方法於衛星影像判釋之研究—以粗糙集合理論與主成分分析為例」，逢甲大學環境資訊科技研究所碩士論文。
7.張宏宇（2008），「模糊分類法應用於衛星影像之對比增揚」，中央大學土木工程學系碩士論文。
8.張紘炬（1988），「統計學」，華泰文化事業有限公司，頁150-260。
9.許晉嘉（2006），「應用支援向量機法於高解析度衛星影像分類之研究」，逢甲大學環境資訊科技研究所碩士論文。
10.陳谷瑋（2006），「多類別AdaBoost的穩健性研究」，中正大學統計科學研究所，碩士論文。
11.陳承昌、史天元（2007），「支持向量機應用於水稻田辨識之研究」，航測及遙測學刊，Vol. 12，No. 3，pp. 225-240。
12.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。
13.陳哲俊（1989），「研究計畫綜合報告」，中央大學太空及遙測研究中心研究計畫報告。
14.陳益凰（1998），「應用多時段衛星影像辨識水稻田之研究」，成功大學測量工程研究所碩士論文。
15.陳慧欣（2008），「以Boosting法改進監督式分類於水稻田樣本特性之研究」，逢甲大學土地管理學系碩士論文。
16.黃凱翔（2007），「利用支持向量機於機載高光譜感測影像之分類」，中興大學土木工程學系所碩士論文。
17.琚旭、王浩、姚宏亮（2006），「基於Boosting的支持向量機組合分類器」，合肥工業大學學報-自然科學版，Vol. 29，No. 10，中國。
18.楊川正（2007），「基於AdaBoost之生物認證融合技術」，中正大學資訊工程所，碩士論文。
19.楊龍士、周天穎（2006），「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，頁5-3，台中。
20.鄭敏松（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」，成功大學測量工程研究所碩士論文。
21.盧英權（1994），「作物學」，國立編譯館，台北市。
22.Bigin, G., and Congalton, R., “Advances in Forest Inventory Using Advanced Digital Imagery”, Proceedings of Global Natural Research Monitoring and Assessments: Preparing for the 21st Century, Venice, Italy, September, Vol. 3, pp. 1241-1249, 1989.
23.Boser, B. E., I. Guyon, and V. Vapnik, “A training algorithm for optimal margin classifiers”, Proceedings of the Fifth Annual Workshop on Computational Learning Theory, pp. 144-152, ACM Press, 1992.
24.Breiman, L. “Bagging predictions”, Machine Learning, Vol. 24, No. 2, pp. 123-140, 1996.
25.Chica-Olmo, M. and Abarca-Hernandez, F., “Computing Geostatistical Image Texture for Remotely Sensed Data Classification”, Computers & Geosciences, 26: 373-383, 2000.
26.Dasarathy B.V. and B.V. Sheela, “Composite classifier system design: Concepts and methodology”, Proceedings of the IEEE, Vol. 67, No. 5, pp. 708-713, 1979.
27.Diettercih, T. G., “Machine learning research: four current directions”, AI Magazine, 18(4): 97-136, 1997.
28.Dominic, M., M. J. Garay, R. Davies, and D. Nelson, “An operational MISR pixel classifier using support vector machines”, Remote Sensing of Environment, Vol. 107, Issues 1-2, pp. 149-158, March 2007.
29.Efron, B. and Tibshirani, R. J., “An introduction to the Bootstrap”, Chapman and Hall, 1993.
30.Freund, Y. and R. E. Schapire, “Decision-theoretic generalization of on-line learning and an application to boosting”, Journal of Computer and System Sciences, Vol. 55, No. 1, pp. 119-139, 1997.
31.Gonzalez, R. C., and R. E. Woods, “Digital Image Processing”, Addison-Wesley, 2002.
32.Hansen, L.K. and P. Salamon, “Neural network ensembles”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, No. 10, pp.993-1001, 1990.
33.Hay, G. J., K. O. Niemann, and G. McLean, “An Object-Specific Image-Texture Analysis of H-Resolution Forest Imagery”, Remote Sensing of Environment, 55: 108-122, 1996.
34.Hsu, C. -W., C. -C., C., and C. -J., L., “A Practical Guide to Support Vector Classification”, Available at http://www.csie.ntu.edu.tw/~cjlin, 2008.
35.Meynet. J., V. Popovici, J. P. Thiran, “Face detection with boosted Gaussian features”, Journal of Pattern Recognition Society, Vol. 40, pp. 2283-2291, 2007.
36.Pakorn, W., M. K. Arora, and P. K. Varshney, “Multisource Classification Using Support Vector Machines: An Empirical Comparison with Decision Tree and Neural Network Classifiers”, Photogrammetric Engineering & Remote Sensing, Vol. 74, No. 2, pp. 239-246, February 2008.
37.Polikar, R. “Ensemble based systems in decision making”, IEEE Circuits and Systems Magazine, Third Quarter, pp.21-45, 2006.
38.Rangel, P., F. Lozano, and E. García, “Boosting of Support Vector Machines with application to editing”, Proceedings of 4th International Conference on Machine Learning and Applications, IEEE Computer Society, 2005.
39.Richards, J. A. and Jia, X., “Remote sensing digital image analysis: an introduction (3rd ed.)”, New York: Springer, 1999.
40.Rouse, J. W., Haas, R. H., Schell, J. A., and Deering, D. W., “Monitoring vegetation systems in the great plains with ERTS”, In Third ERTS Symposium, NASA SP-351, NASA, Washington, DC., Vol. 1, pp.309-317, 1973.
41.Schapire, R.E. “The strength of weak learnability”, Machine Learning, Vol. 5, No.2, pp.197-227, 1990.
42.Shao Y., X. Fan, H. Liu, J. X, S. Ross, and B. Brisco, “Rice monitoring and production estimation using multitemporal RADARSAT”, Remote Sensing of Environment, Vol. 76, pp. 310-352, 2001.
43.Tinku Acharya, Ajoy K. Ray, “Image Processing: Principles and Applications”, Wiley, 2005.
44.Vapnik, V. “The Nature of Statistical Learning Theory”, Springer Verlag, New York, 1995.
45.Wolpert D. H., “Stacked generalization”, Technical Report LA-UR-90-3460, Complex Systems Group, Theoretical Division, and Center for Non-linear Studies, MS B213, LANL, Los Alamos, NM, 1990.