以灰色系统理论分析永续发展工业区之废水处理策略-朝阳科技大学 6页

應用決策樹法於空載影像分類之探討•以建築物分類為例林宏嶽I陳俊榮2蕭豐達'國科會研究計畫編號：NSC91-2211-E-324-004摘要進行各項環境相關問題分析時，經常利用到遙測影像資料來進行分析研究，遙測影像主要可以分為兩類，衛星影像與空載影像，一般而言衛星影像價格昂貴且較缺乏長期以來的歷史資料，相較之下，空載影像其歷史影像蒐集完全且價格便宜。然而在環境問題分析上，一般仍以地理資訊圖層為主，過去多利用人工的方式，將空載影像數化為地理資訊圖層。然而此方法不僅費時費力。因此本研究擬利用決策樹法以及地理資訊系統建立空載影像分類判識準則，並以建築物為探討範例，瞭解利用建築物分類準則對於空載影像進行分類的適用性。決策樹方法是藉由定義準則，為某問題做出決策，並依循這些準則所建立的規則集即為所謂的決策樹。本研究先由農航所取得空載影像資料，以及利用最大值、最小值等影像分析方式，藉由地理資訊系統的協助，利用鄰域分析、類聚統計等方式建構所要的準則圖層。而後是將各項分類準則件購成本研究的決策樹。最後，依據上述決策樹分類準則所建構的圖層與人工分類圖做一比較，探討建築物分類準則適用性。本研究以中部地區的空載影像圖中，選取兩張512x512大小的圖形進行測試，探討其分類之有效性及適用性。關鍵字：空載影像、決策樹、地理資訊系統、影像分類、判識準則一'前言由於環境議題漸漸受到大家重視，而進行各項環境相關問題分析時，有許多時候需要利用到遙測影像資料來進行分析研究，例如：都市環境區域規劃問題［1］、海岸線區域調查研究［2］等，而多數的分析、監測研究所需要的遙測影像，大部分是以地理資訊圖層的方式來展現［3］，而地理資訊圖層有許多是由遙測影像轉換而來的。在台灣，歷史空載影像蒐集較為完整的就屬於農航所製作的空載影像圖。若是要用到歷史影像資料做為分析的來源時，經常需要以蒐集此類影像做為影像分析來源。而地理資訊圖層主要是做為空間分析的主要來源依據，許多環工上的模式模擬工作，都可利用地理資訊圖層來做為輸入參數的來源，其可以提供模式模擬者的有效的資料來源。［4］就成功的整合地理資訊資料結構結合了水資源管理模式來做為分析決策的來源依據，證明這的方式是可行的。1•朝陽科技大學環境工程與管理系助理教授2.朝陽科技大學環境工程與管理系碩士班研究生3.朝陽科技大學環境工程與管理系碩士班研究生由於目前台灣地理資訊圖層一方面價格昂貴，，另一方面由於大部分的地理資訊圖層大多以建築物地標，如醫院、學校或是道路的電子地圖圖層為主，不一定符合環境或生態問題上針對森林、農地等環境調查需要的地理資訊圖層。此外，現有的地理資訊圖層主要目的在於表達現有的地理狀況(雖然根據其所製作的年度可能會過時)，無法得到國內歷史影像資料所轉換的地理資訊圖層。因此導致研究學者取得各項地理環境變化的歷史圖層。如何利用將歷史遙測影像轉換為後續模式模擬可以利用的地理資訊系統圖層，即為本研究的主要探討目標。本研究主要利用決策樹法(DecisionTree)»根據空載影像圖的特性，以建築物為例，探討將圖形特性轉換為可利用的地理資訊圖層的可行性。以下將逐一說明本研究的目的：1.探討適用於空載影像的準則：在影像分類中，自動化判釋影像往往無法完全達到人工可辨識的程度；因此，探討可以適用空載影像的準則即為本研究的主要目的。2.以案例探討所建構的影像分類模式的實用性以及適用性：本研究以台中縣北溝區域的空載影像圖為案例，探討本研究所發展的影像分類\n模式以及分類規則的適用性。所得的結果除了與實際人工分選圖比較外，並與前人研究模式進行比較探討。二、研究方法及步驟本研究的目的是利用決策樹準則制定方式，來獲得所要的分類圖層。本研究流程如圖1所示，首先將所蒐集的航照圖進行影像掃描的工作來取得數位影像圖層，本研究即利用此圖層進行兩個工作項目：(1)經由人工視覺判別的方式來建立人工分類圖層；⑵建構決策樹並藉由電腦模擬的方式來輸出模擬圖層，以進行人工圖層與決策樹模擬圖層的比較分析。並利用ERDASIMAGINE的協助將視覺判定影像的方式對於各類別影像建構出分類準則所建構決策樹進行地理資訊系統分析，本研究即利用此分析完的結果做為建立決策樹中各項類別圖層的輸出參數的根據，並根據此參數將所要的類別影像輸出，得到決策樹分類圖層。經由前述分析後的圖層，即人工分類圖層以及決策樹分類圖層後，將兩圖層進行疊圖分析後計算分類後的精確度，可以得知各類別影像的正判率與誤判的區域。最後，根據本研究經由決策樹分類的結果與其他分類方式做比較，探討其差異性。如圖1所示，以下分別說明之：1圖1研究流程圖航照圖蒐集本研究主要蒐集農航所製作的五千分之一空載影像圖，研究案例區域是取所蒐集的影像(地點：北溝)中512X512大小的影像圖做為分析。影像掃描數位化由於大多的航照圖沒有影像電子檔(91年後才有電子影像檔)，為建立本研究方法的一般性，因此本研究所採用的影像為88年的歷史影像資料，其資料是屬於纸圖影像資料。因此，影像則須利用掃瞄器將蒐集影像數位化成影像檔。人工分類圖層建立為了使得經由決策樹分類後的圖層有個比較依據，人工分類圖層的建立可做為此比較依據。因此，本研究需要對原始圖層進行人工圈選來做為後續決策樹分類圖層的比較基礎。人工分類圖層的產生是以人工方式圈選原有的圖層並轉換為適當的分類圖層。地理資訊系統分析進行完人工圈選的部分後，接下來即是要定義影像分類準則，本研究藉由地理資訊系統分析的結果，來取得各項類別資訊的特徵，以利於後續準則的制定，以下就針對GIS分析的功能，以及本研究所需要到的分析功能項目逐一說明。ERDASIMAGINE中包含許多地理資訊系統的圖層分析功能，在後續依據決策樹規則所分類出來的圖層中，需應用到此類分析功能。以下就針對本研究應用在分類方法上使用的GIS空間分析功能作進一步的說明：［5］(1)疊加分析(Overlap):本研究利用此功能將不同的主題圖，進行疊加成為新圖層。(2)鄰域分析(Neighborhood):利用此功能計算最大值、最小值等圖層。(3)類聚統計(Clump):利用已計算出的圖層»延續此圖層做不同區塊面積的統計分析。(4)查找分析(Search):為GIS中buffer的功能，本研究利用此功能來做道路圖層的擴張。(5)圖像遮蓋(Mask):為面具遮蓋的功能，可以將所要的區塊切割出來。(6)歸納分析(Summary):本研究利用此功能計算人工圖層與決策樹圖層各類網格疊合後結果。建立圖形分類準則根據前述GIS分析方法了解各影像類別網格的數值分佈後，可以更清楚的知道各類影像的特徵，以得知如何定義決策樹分類準則，以利用定義好的準則分類所需要的類別影像。國內研究［6］曾提出九大類空照判讀要素，其九大判釋因子如下：1•影像大小(Size)、2.影像形狀(Shape)'3.陰影(Shadow)、4.色調與色彩(ToneandColor)、5.組織(Texture)、6.圖樣型態(Pattern)、7.地點(Site)、8.時間的變化(TimeVariantPhenomena)'9.相關性(Association)°本研究以影像大小、組織、陰影、色調與色彩等方式來進行準則建立。\n圖2為ERDAS中決策樹分類規則建立簡要說明。經由此上述建構好的分類準則，並由地理資訊系統分析後可以調整分類規則中參數的制定，進而可以將所要的圖層分類出。分類準則之建構主要為三個項目加以說明，其詳細說明如下。(Source)(Rule)(Hypothesis)圖2ERDAS分類規則建立(1)資料來源或內容(Sources):將各種類型資料轉換成資料型態為一致的資料格式。⑵規則(Rules):為各種證據或事實之邏輯運算式，用來推導所欲求之目標。⑶欲分類類別(Hypotheses):此為欲推導之目標或假說。以下就以道路準則建構作說明(見圖3)，其餘類別的準則建構則於案例分析中詳細說明。圖3準則說明如下：IF原始圖層200WRW245and200SGW245and原始圖層228WBW255then道路。建構決策樹準則時，本研究考慮到ERDAS知識庫設計的操作方便性，其分類類別可以由原始圖層、最大值、最小值圖層或是RGB相關圖層來建立規則庫，如此在知識庫規則中，則可設定影像分類之區間，由圖3所示，欲分類圖層為道路圖層，在分類規則制定上，令原始影像R層分類歸屬於道路的區間為200-245；原始影像B層類別歸屬於道路的區間為200-245；原始影像G層類別歸屬於道路的區間為228-255，規則建立後，可求算出「道路」圖層，其他類別以此類推之量化分析結果於案例探討中有詳細分析與討論。圖3道路分類規則說明範例建構決策樹本研究經由各類的準則建構後，並結合各個準則建構出本研究的決策樹分類圖。建構決策樹時，每個準則為決策樹的各個分叉節點，可以將一個圖層細分為2或更多的部分，以此類推，根據各個準則的制定可以求得各類別所要的影像。以下即針對決策樹以及決策樹建構概念說明。決策樹分類圖層建立本研究依據所定義的分類準則，將各類別的圖層分別展現出來，例如道路圖依據前述準則建構中的準則建立後，就可以根據準則建立出所要的圖層。GIS疊圖分析結果比較為了建立後續影像精確度評估計算的評判依據，本研究利用ERDAS中地理資訊系統中歸納(Summary)分析的功能，來將兩個分類圖層，即人工分選圖層以及決策樹分類圖層，按照其影像內的屬性來做影像的重疊工作，進而產生新的圖層分類，此分類圖層包含同類屬性以及不同類屬性之間相互的資訊，這項資訊可以提供後續精確度評估計算時的用途。下節中詳細介紹精確度評估所用的計算式，以了解影像經由決策樹分類後與人工分選的差異性作比較。分類精確度評估計算影像分類的精準度評估，指的是影像分類完成後，依據所蒐集的地面真實現況參考資料(ReferenceData)所繪出的人工分選圖以及經由決策樹分類出來的圖層，進行兩項評估分類後影像的精準度。以下就介紹本研究所採用之精準度評估計算方式：(a)誤差矩陣(ErrorMatrix)影像分類精確度的評估是以一個像元的大小為基礎的單位，即經由決策樹分類出來的圖層，以及根據實地調查資料或是土地覆蓋等相關輔助後經由人工分選的圖形資料，逐一地加以較對每一個檢核點後，可產生統計表，稱之為誤差矩陣。相關分析結果於案例研討中探討：(b)影像分類之精準度評估(AssessmentofClassificationAccuracy)(1)整體精準度(PercentageCorrect)代表分類後正確的土地覆蓋類別之檢核點數除以總抽取的檢核點數，所產生的百分比。公式⑴所示。(2)使用者精準度(User'sAccuracy)指屬於某一真實地面參考資料的土地覆蓋類別之檢核點，有部分的檢核點被錯誤分類，而被正確分類的像元數之百分比。公式(2)所示。(3)生產者精準度(Producer'sAccuracy)表示分類後的土地覆蓋類別，對應到地面真實的檢核資料，為該類別之真實百分比。公式(3)所示。(4)Kappa統計值(Kappacocfficicnt)[9][10]為了更能表現整體影像的誤差性，可以藉由\n誤差矩陣間的相互運算產生的統計值，結果表示分類成果比隨機分類優良多少的指標。公式(4)所示。Percentagecorrect=xJOO(1)_NUsersaccuracy=(2)Producersaccuracy=2N+i(3)••Kappacoefficient=(4)一N2-N^Nk+N+ki[9][10]公式(1)〜⑷符號說明如下：Nkk-人工分類圖層K與決策樹分類圖層K共同選出的部分。Nu:人工分類圖層i類的總網格數。M+:決策樹分類圖層i類的總網格數。Na:人工分類圖層i與決策樹分類圖層i共同選出的部分三、案例討論1•案例說明本研究所選取的影像範例：大小每個網格(pixel)0.625x0.625m2、比例尺為1:5000»網格數4007x4368，地點：台中縣北溝。本研究首先利用北溝的圖中取512x512的場景作為初步的訂定決策樹準則的依據來源。圖4為準則測試圖的案例說明圖，本研究取兩場景來作範例，分別為圖4的場景(1)以及場景(2)。其主要分類項目為道路與建築物部分。脚1)翱2)圖4準則測試圖以北溝地區為例(512x512)2•準則建構說明本研究根據圖4中，將此空載影像共分為4類：道路、水體、建築物與非建築物，以下將一一詳述其各分類準則建構的過程，並根據結果做一詳述說明。(a)道路準則建構說明由於道路為彩色圖檔，因此主要以RGB三層的色差作為評判依據，表1可以得知，在道路方面，只層數值均高於其他兩層；水體方面則相反，B層則明顯高於其他兩層。因此本研究及利用此色差的關係作為分類的依據來源。道路準則定義如下：L1(R)・(L2(G)+L3(B))層(Layer)最小值最大值平均值標準差R7025522935G5122719934B5923020132表1道路影像RGB分佈範圍(b)建築物準則建構說明除道路分類外'其他圖層均為灰階(GRAY)影像圖層，本研究依據視覺判定後利用GIS的運算，並針對所需要的圖層判定作為準則的制定依據。以下就針對建築物的準則制定作一說明。(1)建築物屋頂判定準則：本研究由圖4中經過3X3網格取最大值(Max)以及最小值(Min)的相減後的圖層，發現各個建築物屋頂範圍分佈的值均在2・25之間。因此，本研究將此圖層的取出此範圍值做為建構建築物的判定準則。(2)顏色判定準則：本研究由影像中發現，由於光照的反射關係，可以發現有大部分的房屋的屋頂是呈現白色的屋頂。由本研究發現提取部分影像分析後發現房屋白色的屋頂範圍分布在220〜255之間。所以根據此分佈的範圍在跟顏色判定準則的結果，利用聯集的方式取出所要的分類部分。(3)陰影判定準則：本研究由圖5中發現大部分房屋都有陰影，因此本研究將陰影的範圍取出樣本統計發現陰影的範圍值若在網格值90〜120之間，本研究即利用此範圍的圖層做為後續建構建築物的準則。(4)道路周圍判定準則：本研究經由圖4發現，只要是道路的四周圍的分布都是以建築物居多。因此，在準則的制定上，首先將以分類好的道路圖層，利用道路圖層做為後續分析準則的依據。下節將針對影像的初步分類架構，利用決策樹的方式，做一簡單的圖形說明。3•決策樹圖層分析本研究利用圖4的場景(1)作為準則圖層分析的依據來源，以下將針對各個圖層結果做分析探\n討。(1)建立人工分選圖本研究首先將場景(1)建立人工分類圖層作為決策樹模式分類後的影像分類依據。(2)RGB彩色圖層建立。本研究利用道路以及水體的分類準則建構出所要的RGB圖層，圖5為場景⑴道路的分析結果，結果發現左圖經由初步分類後得到道路的初步雛型'尚有錯判的區域，經由clump圖層分類後'將小於clump面積50網格的區塊去除後，可以得到右圖，分類區塊。步驟3是將步驟2的區塊進行buffer擴張2pixcl後所得出的結果即為初步道路分類圖。步驟I步驟2步驟3圖5道路分類步驟1〜3(3)GRAY圖層建立GRAY圖層主要為建築物分類圖層的建立，本研究利用建築物判定4項準則，將分類圖層建立出來，圖6步驟1〜4即為灰階影像中依據建築物分類準則所建構出的圖形。步驟1為Max-Min圖層後取數值範圍為2〜25的圖形，再經過clump分析後，取網格總數為30〜5000區域最為建築物區塊步驟2為主要事先將原始圖層重新分類(Reclass)為5大部分後»clump將大區塊面積大於15000〜20000網格的區域取出來的結果，也就是將非建築物的區塊取出。步驟3為陰影的區塊部分，其數值分部為原圖層中數值介於90〜120之間的區塊，步驟4的圖層為步驟1圖層扣除步驟2以及步驟3的圖層的初步分類結果。本研究經由步驟1〜步驟4可以得到灰階圖層初步的分類結果，如圖6步驟4所示。步驟1步驟2步驟3步驟4圖6灰階圖層建築物分類步驟1〜4圖7是人工分選圖層以及初步決策樹分類圖層的比較結果。圖中黃色區域為道路部份，而綠色區域部份為建築物的部分。人工圈選圖層決策樹圖層圖7人工分選圖層與決策樹圖層3•建構分類決策樹經由上述分類後的圖形後，可以建構初步的決策樹分類圖，圖8是決策樹基本建構圖形，遙測影像圖經由初步分類為彩色以及灰階圖層，在經由灰階圖層取大影像區塊，並取得Max-Min圖層，以及陰影圖層，藉由這些圖層得到初步的分類結果。2