以高光譜影像對水稻田影像判釋之研究:以密度為基礎的聚類演算法及線性判別分析法為實證

The Study of hyperspectral imaging on Paddy Rice Image Classification through Particle Swarm Optimization with Density-Based Spatial Clustering of Applications with Noise and Linear Discriminant Analysis.

陳泓瑋(Hong-Wei Chen)

指導教授 ： 萬絢

共同指導教授 ： 張士勳(Shih-Hsun Chang)

嶺東科技大學/資訊學院/資訊管理系碩士班/碩士(2016年)

摘要

過去影像判釋多採用監督式學習作為分類器搭配多光譜進行影像判釋研究，但監督式學習在資料收集上需要耗費相當多的人力、物力以及時間，且多光譜由於空間解析度與光譜數量較低，無法準確判斷出光譜相似的地表物件。固若能以非監督式學習搭配高光譜這樣雍有豐富的影像資訊進行分析，準確判釋出地表物件，則可以減少實地探勘的人力、物力以及時間。而高光譜雖然有豐富的影像資訊，但如何篩選出對影像判釋有用的光譜資訊是一項重要的課題。
本研究探討如何從高光譜影像中篩選出重要的光譜資訊，並以水稻田為主要判釋對像，搭配監督式學習線性判別分析與非監督式學習以密度為基礎的聚類演算法，且使用主成份分析法進行前處理做平行研究設計出了以下四種研究案例：(a)多光譜及高光譜搭配線性判別分析 (b)多光譜及高光譜搭配以密度為基礎的聚類演算法 (c)多光譜及高光譜以主成份分析做前處理搭配線性判別分析 (d) 多光譜及高光譜以主成份分析做前處理搭配以密度為基礎的聚類演算法，將判釋結果建立誤差矩陣表以及主題圖後互相比較。

關鍵字

高光譜 ； 非監督式學習 ； 主成份分析 ； 線性判別分析 ； 以密度為基礎的聚類演算法

並列摘要

In general, image classification from the past use of supervised learning classifier with a multi-spectral image are considered in this study. However, supervised learning in data collection request quite a lot of manpower, material and time. On the other hand, multi-spectral and spatial resolution due to low resolution, it cannot accurately determine the spectral similarity of surface objects. If the unsupervised learning with hyperspectral of image information is analyzed and accurately judge, the substituted solution can be adopt to reduce time spending. Therefore, there are a wealth of multi-spectral image information, but how to filter out image classification on hyperspectral imaging is an important issue.
This study focused on how to select important spectral information from hyperspectral imaging. The paddy fields images considering with a supervised learning linear discriminant analysis and unsupervised learning density-based clustering algorithm. The principal component analysis is used as pre-processing for parallel study designed the following four case studies: (a) multi-spectral and hyper-spectral with linear discriminant analysis (b) with a multi-spectral and hyper-spectral density-based clustering algorithm (c) multi-spectral and hyper-spectral principal component analysis with a linear discriminant analysis (d) multi-spectral and hyper-spectral principal component with density-based clustering algorithm. The results are compared with each other after the error matrix and the theme maps are drawn.

並列關鍵字

Hyperspectral Imaging ； Unsupervised Learning ； Principal Components Analysis ； Linear Discriminant Analysis ； Density-Based Spatial Clustering of Applications with Noise

參考文獻

主成分分析的原理(2006)。2015年10月30日。取自：國立台北大學統計學系網頁：http://web.ntpu.edu.tw/~ccw/statmath/M_pca.pdf。

李庭誼(2011)。結合光譜與空間特徵之高光譜影像物件分類。國立台灣大學工學院土木工程學系碩士論文。

李瑞陽、姜如憶(2005)。應用遙測技術於水稻田判釋之研究。中國地理學會年會暨地理學術研討會。43，61-82。

周天穎(2008)。地理資訊系統理論與實務。儒林圖書公司，格致圖書公司。

林文賜、黃碧慧(2012)。應用地理資訊系統與資料探勘技術於崩塌地特性及空間關連性分析之研究 -- 以莫拉克風災之阿里山溪集水區為例。