Chapter6

Image Interpretation/影像判識功能

6-1. Filtering: Blurring, Denoising, Enhancement for optical or radar data

模糊(Blurring)化，是將影像透過高斯(Gaussian)濾波器將影像平滑模糊化。 (1) 用Mapla.bat介面點選「Smoothing」。 1

(2) Input Image:欲模糊化影像；Output Inmage:輸出影像(.tif)；Smoothing Type:Gaussian。再按Execute執行。 2

(3) 以QGIS展示模糊化後影像。 3

去雜訊(Denoising)化，是將SAR影像的班點雜訊(speckle noise)與以去除。 (1) 用Mapla.bat介面點選「Despeckle」。 4

(2) Input Image:欲去雜訊SAR影像；Output Inmage:輸出影像(.tif)。再按Execute執行。此次用ALOS衛星的PALSAR影像。 5

(3) 範例:Input SAR Image，以QGIS展示。 6

(4) 範例:Output SAR Image，以GIS展示。比較同一個pixel，同一個pixel去雜訊前後DN值保持一致。 7

增顯(Enhancement)是以Monteverdi開啟影像，調整影像光譜Histogram的Gamma值，使視覺上有助於觀看。 (1) 原始影像 8

(2) 增像影像 9

6-2. Feature extraction

特徵萃取(Feature extraction)可分為以下幾種方法: (1)Haralick、(2)SFS、(3)Edge Feature Extraction、(4)Line segment detection、(5)SIFT&SURF 等等。

1、 Haralick

(1) 用Mapla.bat介面點選「Haralick Texture Extraction」。 1

(2) Input image:選取欲特徵萃取影像(.tif)；Output image:出入檔名及存取路徑，檔名後要加上”.tif”。 再按Execute執行。 2

(3) Haralick 成果，以Monteverdi展示。 3

2、SFS

(1) 用Mapla.bat介面點選「SFS Texture Extraction」。 4

(2) Input image:選取欲特徵萃取影像(.tif)；Output image:出入檔名及存取路徑，檔名後要加上”.tif”。 再按Execute執行。 5

(3) SFS 成果，以Monteverdi展示。 6

3、Edge Feature Extraction

(1) 用Mapla.bat介面點選「Edge Feature Extraction」。 7

(2) Input image:選取欲特徵萃取影像(.tif)；Output image:出入檔名及存取路徑，檔名後要加上”.tif”；Edge feature有三種可以選擇。再按Execute執行。 8

(3) Edge Feature Extraction成果，以Monteverdi展示。 9 Gragient

10 Sobel

11 Touzi

4、Line segment detection

(1)用Mapla.bat介面點選「Line segment detection」。 12

(2) Input image:選取欲特徵萃取影像(.tif)；Output Deyected lines:出入檔名及存取路徑，檔名後要加上”.shp”；DEM directory、Geoid File:給定輸入影像的DEM及Geoid檔案。再按Execute執行。 13

(3)以QGIS開起成果，再加上input image一起展示。 14

6-3. Image segmentation

(1) 需先完成Chapter 6.5步驟，才可做影像分割(Image segmentation)，目的為去除兩張同地區不同時期的影像相減後影像的
雜質。用Mapla.bat介面點選「segmentation」。 1

(2) Input Image: Chapter6-5所完成影像；Segmentation algorithm:Mean-Shift ； Output vector file:自訂檔名及路徑；再按Execute執行。 2

(3) 以QGIS開起成果。 3

(4) 細部比較，執行segmentation前的某一建築物，與執行segmentation後的同一建築物，執行前每個pixel都是一個獨立 物件，執行後將相鄰數個pixel DN值接近的結合一整個物件(object-based)。 4 執行segmentation前

5 執行segmentation後

6-4. Classification

分類(Classification)是將原始影像依灰度(Digital Number, DN)值不同將地物分類成不同種類，分類方法有:(1) 非監督式(Unsupervised)分類及(2) 監督式(Supervised)分類。非監督式分類先決定分類數目，依據不同的演算法依灰度值將地物分成欲分類數目；監督式分類依照對地物辨識先選取訓練區，依照訓練區灰度值當做地物分類依據，再依照不同演算法分類成不同地物。

一、非監督式分類-KMeans演算法。

(1) 用Mapla.bat介面點選「Unsupervised KMeans image classification」。

7

(2) Input image:選取欲分類影像(.tif)；Output image:出入檔名及存取路徑，檔名後要加上”.tif”；Number of classes:選擇分類個數；再按Execute執行。 8

(3) 以QGIS展示成果，可以調整顏色展示不同的分類成果。 9

(4)分成五類 10

(5)分成七類 11

二、非監督式分類-SVM演算法。

(1) 將欲分類影像以QGIS開啟。 10

(2) 監督式分類要選訓練區，因此要用QGIS劃訓練區Polygon，欲分成幾類就劃幾個Polygon，並輸出Shapefile檔。LayerCreate Layer-->New-->Shapefile-->Layer。 2

(3) 選擇Polygon，先存成一Shapefile(.shp)檔。 3

(4) 劃訓練區Polygon，先點選1.Toggle Editing2.Add Feature3.按滑鼠左鍵開始圈選Polygon，選完按滑鼠”右鍵”結束。 依序完成欲分類個數的Polygon個數。劃完訓練區Polygon，LayerSave Layer Edits存檔。 4

(5) 訓練區Polygon與欲分類影像。 5

(6) 用Mapla.bat介面點選「ComputeImagesStatistics」。 Input image:欲分類影像(.tif)；Output XML file: 輸出檔名.xml；再按Execute執行。  5

(7) 用Mapla.bat介面點選「TrainImagesClassifier」。 Input Image:欲分類影像(.tif)；Input Vector List:步驟(4)所選訓練區Polygon(.shp)；Input XML file:步驟(6) 所產生的xml檔；Out model:輸出檔名(.svm)；DEM directory、Geoid File:給定輸入影像的DEM及Geoid檔案。再按 Execute執行。 7

(8) 用Mapla.bat介面點選「ImageClassifier」。 Input Image: 欲分類影像(.tif)；Input Vector List:步驟(4)所選訓練區Polygon(.shp)；Mode file: 步驟(7)所輸 出的svm檔；Statistics file:步驟(6)所輸出的xml檔；Output Image:所輸出的影像(.tif)；DEM directory、Geoid File:給定輸入影像的DEM及Geoid檔案。再按Execute執行。 8

(9) 以QGIS開起步驟(8)所輸出的影像，可調整color bar顯示。 9

6-5. Change detection

(1) 將原始影像匯入Google Earth，可調整影像的透明度，並調整影像位置與Google Earth地球上相同位置大致對位。 1

2

(2) 點選新增多邊型，大致劃出一範圍，應盡量避免劃在原始影像邊緣上。 2

4

(3) 將多邊型(area)，按右鍵另存成KML檔。

5

6

(4) 開起QGIS(Chapter2-2有安裝說明)，在Processing ToolboxOGRConver Forma 7

(5) Input Layer:第3步驟的KML檔，Destination Format:ESRI Shapefile 8

(6) Convertred:Save to file，檔案類型:SHP files 9

(7)在Processing ToolboxGDALExtractionClip raster by mask layer 10

(8)Input layer:原始影像；Mask layer:第6步的SHP檔；Clip(mask):輸出路徑及檔名(.tif)。同一區域不同時期的原始影像以相同mask重複上述步驟。 11

(9)不同時期的原始影像尺寸不盡相同，即使以相同mask裁切出來的影像也會尺寸不同，所以要調整裁切完影像大小尺寸。RasterExtractionClipper；Input file:裁切後影像；Output file:檔名.tif；Mask layer:步驟SHAP檔；X、Y resolution:可自行設定，但不同時期須一致。 12

(10)裁切好影像，可以QGIS展示。 13

裁切影像方法2. Extract ROI

(11) 用Mapla.bat介面點選「Extract ROI」， 14

(12)Input Image:欲裁切影像(.tif)；Output Image:裁切後影像(.tif); Start X、Start Y:裁切起始座標(左上角起算);Size X、Size Y:裁切尺寸。 再按Execute執行。 14 (13) 原始影像(裁切前)以QGIS展示。 15 (14) 裁切後影像以QGIS展示。 16 裁切完成

(15) 用Mapla.bat介面點選「Band Math」，目的將兩張同地區不同時期的影像相減，做變遷偵測(Change Detection)。 14

(16) 將兩張同地區不同時期的影像輸入，Expression欄位要輸入，再按Execute執行。 15

(17)得到變遷影像以QGIS展示。 16

6-6. Radiometric indices (vegetation, water, soil)

利用多光譜不同波段進行運算，得到的指標值可判斷地物類別是水體、植被或土壤，以下使用福衛二號多光譜影像，一共有4個波段，band 1:藍(blue)；band 2 :綠(green)；band 3:紅(red)；band 4:近紅外(NIR) ；沒有中紅外光(MIR)。

(1) 植生指標（Normalized Difference Vegetation Index, NDVI） 計算方式是利用紅光與近紅外光的反射，能顯示出植物生長、生態系的活力與生產力等資訊。數值愈大表示植物生長愈多。(維基百科) 計算公式：NDVI= (NIR-Red)/(NIR+Red)

(2) 用Mapla.bat介面點選「Radiometric Indices」，以各波段輻值做計算。 1

(3) Input image:選取計算光譜多影像(.tif)；Output image:出入檔名及存取路徑，檔名後要加上”.tif”；選福衛二號的波段順序；選分類的指標(ndvi)。 再按Execute執行。 2

(4) 成果以QGIS展示，值越大代表越接近值被。 3

(5) 調整color bar，以不同顏色展示，越接近藍色代表值越大，越可能是植被；越接近紅色值越小，帶表越不可能是植被。 4

(6) 常態化差異水分指標 (Normalized Difference Water Index, NDWI) 判斷植物含水量大小，公式1:NDWI=(NIR−MIR)/(NIR+MIR)；公式2:NDWI=(Green−NIR)/(Green+NIR)，由於福衛二號沒有MIR波段，所以採用公式2計算NDWI。

(7) 用Mapla.bat介面點選「Radiometric Indices」，Input image:選取計算光譜多影像(.tif)；Output image:出入檔名及存取路徑，檔名後要加上”.tif”；選福衛二號的波段順序；選分類的指標(ndwi2)。 再按Execute執行。 5

(8) 成果以QGIS展示，值越大代表含水量越大。 6

(9) 調整color bar，以不同顏色展示，越接近藍色代表值越大，越可能是水體；越接近紅色值越小，帶表越不可能是非水體。 7

(10) 土壤調整植被指數 (Soil-adjusted Vegetation Index, SAVI) 判斷區域土讓裸露程度，公式 SAVI= [(NIR-Red)/(NIR+Red+L)]X(1+L)，L代表該地區土壤上植物覆蓋程度，高度覆蓋L=0，毫無附蓋L=1，所以當L=0時，SAVI=NDVI。

(11) 用Mapla.bat介面點選「Radiometric Indices」，Input image:選取計算光譜多影像(.tif)；Output image:出入檔名及存取路徑，檔名後要加上”.tif”；選福衛二號的波段順序；選分類的指標(savi)。 再按Execute執行。 8

(12) 成果以QGIS展示，值越大代表越接近土壤。 9

(13) 調整color bar，以不同顏色展示，越接近藍色代表值越大，越接近土壤；越接近紅色值越小，帶表越不可能是土讓，由於影像區域大多為森林區，所以SAVI成果和NDVI成果區近一致。 10

results matching ""

    No results matching ""