aster画像aster画像からからからの影の影の影 … 年度修士論文...

2003200320032003年度修士論文年度修士論文年度修士論文年度修士論文

ＡＳＴＥＲ画像ＡＳＴＥＲ画像ＡＳＴＥＲ画像ＡＳＴＥＲ画像からからからからの影の影の影の影のののの抽出抽出抽出抽出と都市密度の分類と都市密度の分類と都市密度の分類と都市密度の分類

Shadow extraction and urban Shadow extraction and urban Shadow extraction and urban Shadow extraction and urban classificationclassificationclassificationclassification from from from from ASTER image uASTER image uASTER image uASTER image usingsingsingsing mixed pixel analysis mixed pixel analysis mixed pixel analysis mixed pixel analysis

2004200420042004年年年年 1111月月月月

指導教員指導教員指導教員指導教員高木方隆高木方隆高木方隆高木方隆

高知工科大学大学院高知工科大学大学院高知工科大学大学院高知工科大学大学院工学研究科工学研究科工学研究科工学研究科基盤工学専攻基盤工学専攻基盤工学専攻基盤工学専攻

社会システムコース社会システムコース社会システムコース社会システムコース 1065027106502710650271065027 菊池菊池菊池菊池有起有起有起有起

要旨要旨要旨要旨

衛星画像を用いて土地被覆分類を行うのには、大きな利点がある。時系列で土地被覆の

変化を観測できることや、フィールドサーベイに比べて手間がかからないことである。

しかし衛星画像を利用する場合、特に、都市の分類は、ミクセル(mixed pixel)が問題と

なり困難である。ミクセルとは、1つの画素に複数のカテゴリーが存在することである。都

市部では、土地被覆が複雑で多種あるためにミクセルの解析は困難である。

近年、高分解能衛星画像(IKONOS，Quick Bird)や Digital Surface Model(DSM)を使用できる

環境が整ってきた。IKONOS 画像(分解能 1m)と DSM(分解能 1m～2m)を使用することで、ASTER

画像(分解能 15ｍ)のミクセル解析の可能性がでてきた。

本研究は、ASTER 画像を用いて都市分類をおこなうことが目的である。影は建物の高さに

よって大きさが決定される。そのため ASTER 画像からの影の抽出方法の構築を行った。中

分解能 ASTER 画像のミクセル解析を IKONOS 画像、DSM を用いて行い、影の抽出を行った。

そして影により都市密度の分類を行った。都市密度とは、あるエリア内に高層建築が存在

するかしないか、また高層建築が単一であるか複数群であるかということとした。

ミクセル解析を行うために、IKONOS 画像と DSM の高精度の幾何補正を行った。そのため

にイメージマッチングを用いて GCP を取得し二次元アフィン変換により、IKONOS 画像の幾

何補正を行った。X-Y 方向とも約 4m の誤差で幾何補正行うことができた。

その後、ASTER 画像 1画素に対して、IKONOS 画像 15×15 画素を対応させたトレーニング

データの構築を行った。IKONOS 画像の分類は、目視によって分類を行った。影のトレーニ

ングデータは、DSM よりシミュレートした影を用いて構築した。

分類には Linear mixture model を用い、影の抽出を試みた。抽出された影は DSM よりシ

ミュレーションした影により評価を行った。その結果、影の抽出の誤差率は 20.8%であった。

誤差の原因として、市街地の影が水域に分類され、また反対に小さな川が影として分類さ

れているなどがあげられた。そこで、河川データを用いて影と水域の分離をおこなった結

果、影の抽出の誤差率は 17.8%になった。これは、幾何補正の精度が原因と考えられる。

そして、この影を用いて都市密度の分類を行った。都市密度とは、あるエリアに高層建

築があるかないか、またその高層建築が、単一であるか、複数群であるかとした。これに

基づき分類をおこない、IKONOS 画像と DSM を用いての目視による評価をした結果、82.4%

で都市密度の分類を行うことができた。ASTER 画像の影を抽出することで、衛星画像を用い

た高層建築の抽出が可能になったと考えられる。

ABSTRACT

Remote sensing has some advantages for land cover classification. An advantage is time-series

data can be made without field survey (observation). However, urban classification is difficult

because of mixed pixel. Mixed pixel means that a single pixel contains more than one land cover

item.

Nowadays, very high resolution satellite image (IKONOS, Quick Bird) and Digital Surface Model

(DSM) by air borne laser scanner can be used. The possibility of mixed pixel analysis of ASTER

image came out using IKONOS image and DSM.

In this study, mixed pixel analysis of ASTER image was carried out using IKONOS images and

DSM. Building density was classified by extracted shadow from mixed pixel analysis.

For mixed pixel analysis, high accurated geometric correction is required. Image matching method

was applied for generating GCP datasets. IKONOS image was rectified by Affine transform. After

transformation, one pixel in ASTER image was compared with the corresponding 15×15 pixel

IKONOS image. Then, training dataset were generated for mixed pixel analysis using visual

interpretation of the IKONOS image. Training data of shadow were generated by using shadow

simulated from DSM.

Classification was carried out based on Linear Mixture Model. Shadow extraction was tried by the

classification. The extracted shadow area was validated using shadow image which was generated

from DSM. The result showed 20.8% error. There are some miss-classification in water and shadow,

small rivers ware classified into shadow. Therefore, water area was separated from shadow by using

river data from GIS data. The result showed an improvement 17.8% error.

Urban area an classified by using extracted shadow data. This can be done because urban area has

big shadow by tall buildings.

Categories of urban area mean that there was tall building or not, the tall building had one group

or several groups. Urban classification was validated using IKONOS image and DSM. The result

showed 82.4% as the correct answer rates.

目次目次目次目次

１１１１はじめにはじめにはじめにはじめに----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------1111

１－１背景---------------------------------------------------------------1

１－２目的---------------------------------------------------------------2

１－３ミクセルとは-------------------------------------------------------2

２２２２使用データ使用データ使用データ使用データ--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------3333

２－１ ASTER 画像---------------------------------------------------------3

２－２ IKONOS 画像--------------------------------------------------------6

２－３航空レーザースキャナー、DSM 画像-----------------------------------8

３３３３研究手法研究手法研究手法研究手法------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------10101010

４４４４使用データ前処理使用データ前処理使用データ前処理使用データ前処理----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------11111111

４－１アフィン変換------------------------------------------------------11

４－２ IKONOS 画像の幾何補正---------------------------------------------13

４－３ DSM 画像（ポイント～グリッド）の作成、幾何補正--------------------15

５５５５ ASTERASTERASTERASTER 画像のみによる分類画像のみによる分類画像のみによる分類画像のみによる分類------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------18181818

５－１ Linear mixture model による分類法----------------------------------18

５－１－１ Linear mixture model とは----------------------------------18

５－１－２ Linear mixture model の係数の求め方------------------------18

５－１－３ Linear mixture model によるミクセル分解の最適化手法--------18

５－２トレーニングデータの構築------------------------------------------21

５－２－１トレーニングデータの取得方法について----------------------21

５－２－２ DSM からの影のシュミュレーション--------------------------21

５－２－３トレーニングデータの内容----------------------------------22

５－３ Linear mixture model による分類結果--------------------------------23

５－３－１ Linear mixture model の係数--------------------------------23

５－３－２ Linear mixture model によるミクセルの分類結果--------------24

５－３－３影の分類の検証--------------------------------------------25

５－３－４その他の分類の検証----------------------------------------25

６６６６ ASTERASTERASTERASTER 画像と河川データを用いた分類法画像と河川データを用いた分類法画像と河川データを用いた分類法画像と河川データを用いた分類法--------------------------------------------------------------------------------------------------------------------------------------------------------26262626

６－１河川データを使った影と水域の分類----------------------------------26

６－１－１河川データについて----------------------------------------26

６－１－２河川データの幾何補正について------------------------------26

６－２河川データを用いた Linear mixture model の改良---------------------27

６－２－１河川データを用いた Linear mixture model の分類手法---------27

６－２－２河川データを用いた場合のトレーニングデータ----------------28

６－３河川データを用いた場合の分類の検証--------------------------------28

６－３－１河川データを用いた場合の Linear mixture model の係数-------29

６－３－２河川データを用いた場合の分類結果--------------------------29

６－３－３水域・影画像の河川データを使った水域と影の分離------------30

６－３－４河川データを用いた場合の影の分類の検証--------------------31

７７７７都市密度の分類都市密度の分類都市密度の分類都市密度の分類------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------32323232

７－１都市密度の分類手法------------------------------------------------32

７－１－１本研究での都市密度----------------------------------------32

７－１－２都市密度の分類手法----------------------------------------32

７－２都市密度の検証----------------------------------------------------35

７－２－１都市密度分類の検証手法------------------------------------35

７－２－２四国 DEM、建物ポリゴンの説明------------------------------35

７－２－３建物高さ情報の作成----------------------------------------37

７－２－４都市密度分類のテストエリアの影の傾向----------------------38

７－２－５グリッド区切りによる都市密度分類--------------------------44

７－２－６都市密度分類の検証----------------------------------------46

８８８８考察考察考察考察----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------49494949

９９９９おわりにおわりにおわりにおわりに------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------51515151

10101010 謝辞謝辞謝辞謝辞----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------51515151

参考・引用文献参考・引用文献参考・引用文献参考・引用文献----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------52525252

付録付録付録付録--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------54545454

図目次図目次図目次図目次

図１．１ミクセルの概念図----------------------------------------------------2

図２．１ ASTER 画像 1シーン全景----------------------------------------------4

図２．２ ASTER 画像テストエリア(土佐山田町、南国市、赤岡町、吉川村、夜須町)--5

図２．３ ASTER 画像テストエリア（高知市街地）--------------------------------5

図２．４ IKONOS 画像テストエリア(土佐山田町、南国市、赤岡町、吉川村、夜須町)-7

図２．５ IKONOS 画像テストエリア（高知市街地）-------------------------------7

図２．６レーザースキャナーとセスナ------------------------------------------8

図２．７ DSM 画像（ポイントデータ）-------------------------------------------9

図３．１研究フローチャート-------------------------------------------------10

図４．１アフィン歪み-------------------------------------------------------11

図４．２テンプレートの例---------------------------------------------------13

図４．３ DSM のポイント→グリッドの変換の概略図-----------------------------15

図４．４ DSM 画像（1m グリッド）---------------------------------------------15

図４．５幾何補正後の画像概念図---------------------------------------------17

図５．１トレーニングデータの取得方法---------------------------------------21

図５．２ DSM より影をシミュレーションする概念図-----------------------------21

図５．３ DSM よりシミュレーションした影画像---------------------------------22

図５．４植生の分類結果-----------------------------------------------------24

図５．５水域の分類結果-----------------------------------------------------24

図５．６建物(土)の分類結果-------------------------------------------------24

図５．７影の分類結果-------------------------------------------------------24

図５．８植生・水域・建物(土)の分類結果の合成-------------------------------24

図６．１河川データ---------------------------------------------------------26

図６．２建物(土)の分類結果-------------------------------------------------29

図６．３植生の分類結果-----------------------------------------------------29

図６．４水域・影の分類結果-------------------------------------------------29

図６．５水域を分離した影画像-----------------------------------------------30

図６．６植生・水域・建物(土)の分類結果の合成-------------------------------30

図７．１ DSM からの低層・高層部の影のシミュレーション-----------------------32

図７．２都市密度分類のフローチャート---------------------------------------33

図７．３都市密度分類のエリア区域-------------------------------------------34

図７．４四国の DEM 画像-----------------------------------------------------35

図７．５高知市の建物ポリゴンデータ-----------------------------------------36

図７．６建物のみの高さ画像-------------------------------------------------37

図７．７植物影と植生影の分類方法-------------------------------------------38

図７．８植物影画像--------------------------------------------------------38

図７．９建物影画像--------------------------------------------------------38

図７．１０低層エリア１影画像----------------------------------------------39

図７．１１低層エリア２影画像----------------------------------------------39

図７．１２低層エリア１の建築物のみ高さ画像--------------------------------39

図７．１３低層エリア２の建築物のみ高さ画像--------------------------------39

図７．１４高層エリア１影画像----------------------------------------------40

図７．１５高層エリア２影画像----------------------------------------------40

図７．１６高層エリア１の建築物のみ高さ画像--------------------------------40

図７．１７高層エリア２の建築物のみ高さ画像--------------------------------40

図７．１８低層建築と影の面積の関係----------------------------------------41

図７．１９高層建築と影の面積の関係----------------------------------------41

図７．２０単一高層建築エリア１の面積 180 ㎡以上の影画像--------------------42

図７．２１単一高層建築エリア２の面積 180 ㎡以上の影画像--------------------42

図７．２２複数高層建築エリア１の面積 180 ㎡以上の影画像--------------------42

図７．２３複数高層建築エリア２の面積 180 ㎡以上の影画像--------------------42

図７．２４単一高層エリアの影と影の間の距離のグラフ------------------------43

図７．２５複数高層エリアの影と影の間の距離のグラフ------------------------43

図７．２６グリッドで区切った影画像----------------------------------------44

図７．２７都市密度分類のフローチャート------------------------------------44

図７．２８都市密度分類の結果----------------------------------------------45

図７．２９都市密度分類検証用の IKONOS 画像---------------------------------46

図７．３０都市密度分類検証用の建物 DSM 画像--------------------------------46

図７．３１都市密度分類の目視分類結果--------------------------------------47

表目次表目次表目次表目次

表２．１ ASTER センサの仕様-------------------------------------------------２

表２．２ IKONOS センサの仕様------------------------------------------------６

表２．３レーザースキャナーの仕様-------------------------------------------8

表４．１テンプレートマッチングの画像相関と各店の RMS エラー-----------------14

表４．２ IKONOS 画像の幾何補正の平均 RMS エラー------------------------------14

表４．３ DSM 画像の幾何補正の各点の RMS エラー-------------------------------16

表４．４ DSM 画像の幾何補正の平均 RMS エラー---------------------------------16

表５．１各分類項目のトレーニングデータの数---------------------------------22

表５．２トレーニングデータと ASTER のバンド値との重相関---------------------23

表５．３トレーニングデータより求めた Linear mixture model の係数------------23

表５．４分類結果とトレーニングデータとの比較-------------------------------25

表６．１河川データの幾何補正の GCP と RMS エラー-----------------------------26

表６．２河川データの幾何補正の平均 RMS エラー-------------------------------27

表６．３河川データを用いた場合の各分類項目のトレーニングデータの数---------28

表６．４河川データを用いた場合の Linear mixture model の係数----------------28

表７．１建物ポリゴンデータの幾何補正の各点の RMS エラー---------------------36

表７．２建物ポリゴンデータの幾何補正の平均の RMS エラー---------------------36

表７．３各低層テストのエリアの面積-----------------------------------------39

表７．４各高層テストのエリアの面積-----------------------------------------40

表７．５各低層エリアの建物の平均高さと建物面積-----------------------------41

表７．６各高層エリアの建物の平均高さと建物面積-----------------------------41

付録目次付録目次付録目次付録目次

付録１トレーニングデータの内容--------------------------------------------54

付録２学会発表論文 24ND ASIAN CONFARENCE ON REMOTE SENSING 2003----------59

１１１１はじめにはじめにはじめにはじめに１－１１－１１－１１－１背景背景背景背景衛星画像を用いて土地利用図を作成することは、時系列で土地被覆の変化を観測できる

ことや、フィールドサーベイに比べて手間がからないというメリットがある。しかし衛星

画像による都市の分類は、ミクセルが問題となりとても困難である。ミクセルとは１画素に対していろ

いろな物が移りこむことである。中分解能の衛星画像においては、1 画素内に何がどれだけの割合

で写っているか解らなかった。そのため Landsat や ASTER など中分解能の衛星画像では、都市な

ど複雑な形状をした場所の分類は、困難である。また影が画像に影響を与えることは、無視することはできない。モンゴルでの粒度観測の結果［1］

より、土の粒径が大きいものが多い所は、画素を暗くするという研究結果が得られた。土の粒径が

大きいということは、そこにできる影が大きいということであると考えられる。1 画素中の影の割合によ

り画素が暗くなるわけである。

受動型光学センサは、太陽からの電磁波が地表の物体に当たって反射してきた電磁波を観測

するものである。よって水では、長い波長の電磁波が吸収されてしまうために、衛星画像の水域の

部分は反射している所を除いて画像は、暗くなってしまう。また影は、太陽からの電磁波が直接当

たってないために衛星画像の画像が暗くなってしまう。つまり影の電磁波の反射の特性と水域の電

磁波の反射の特性は似ているのである。そのため、衛星画像の水域と影の分離は困難なのであ

る。

近年、航空レーザースキャナーにより DSM（Digital surface model）を取得できるようになった。

DSM とは、空間分解能 1～２ｍのランダムポイントデータで、ポイントデータは、地表の高さを木や

家も含めて航空機に搭載されたレーザースキャナーで空中から取得されたものである。影は、太陽

の高度、方位、地表面の高さの差によって、その長さや形が決定される。DSM を用いることにより、

中解像度の衛星の影抽出の検証を行なうことが出来るようになった。

また高分解能衛星画像の登場により、建物の影、ビルの影、橋の影が鮮明に確認できる

ようになり、建物や植物などより細かなものが見えるようになった。そして高分解能衛星

画像を使用することにより、ミクセル解析の検証も容易となり、中分機能衛星画像の 1 画素にどうい

った物が含まれているかを確認できるような環境が整ってきた。つまり、中解像度の衛星を詳しく解

析するに足る条件がそろってきたといってよい。そこで、本研究では、中解像度衛星画像の 1 画素

中の影の割合を用いることにより、中衛星画像では困難だった都市密度の分類を行なった。

ここで、都市密度とは、あるエリアに高層建築があるかないか、またその高層建築が、単一である

か、複数であるかとした。都市の密度を知ることができれば、より細かい土地利用図が作成できるは

ずである。影情報により建物の高さ情報がわかることは、防災にも役に立ち、まだ都市計画図など

が整備されていない国や地域などで、役に立つはずである。

１－２１－２１－２１－２目的目的目的目的本研究では、今まで困難であった中分解能衛星画像による都市の分類を行うために、中分解能

衛星画像のミクセル解析をおこない土地被覆分類をおこなう、その分類結果を用いて都市の分類

を行う。衛星画像より影を抽出することは、分類の精度を上げるということでも重要なことである。そ

こで衛星画像より影の抽出を行うために、Linear mixture modelを使用して影の抽出を行う。抽出

した影は、DSM からシミュレートした影を用いて評価をおこなう。そして影、植生の分類結果を利用

して都市密度の分類を行う。

これらをおこなうことにより、衛星画像から影を抽出することの可能性及び、都市分類の可能性に

ついて調べていきたい。

１－１－１－１－３３３３ミクセルとはミクセルとはミクセルとはミクセルとは

衛星画像のように分解能が粗

何がどれだけの割合で含まれて

に、分解能 15mの衛星画像の 1である。このように、1画素に複またはミクセル(mixel)という。(pure pixel)という。先に述べたは、さまざまなカテゴリーのも

1画素

(分解能15ｍ)

225画素

(分解能1ｍ)

い画像では、1 画素の中にいろいろなものが写りこむので、いるか解らないことが問題となる。例えば、図 1．1のよう画素が分解能１ｍの衛星画像の 225画素分に相当すること数のカテゴリーが存在するものを、混合画素(mixed pixel)、逆に 1 つのカテゴリーで構成された画素をピュアピクセルとおり、都市部など複雑な形状をした場所のミクセル解析

のが存在することになるので困難である。

図図図図１１１１....１１１１ミクセルの概念図ミクセルの概念図ミクセルの概念図ミクセルの概念図

２２２２使用データ使用データ使用データ使用データ

２－１２－１２－１２－１ ASTERASTERASTERASTER 画像画像画像画像

ASTER センサは、TERRA という衛星に搭載されている。TERRA には複数の衛星センサが搭

載されており、ASTER センサはその中の 1つである。ASTER センサは可視バンドからから熱

赤外バンドまでの 15 スペクトラムチャンネルを有する光学センサで、地球の様々な分野の

科学的、実用的な価値のあるデータを提供している。表 2.1 は ASTER センサの仕様を示し

ている。

ASTER センサ各バンド

可視近赤外放射計（VNIR） 4 バンド（後方視１バンド）

短波長赤外放射計（SWIR） 6 バンド

熱赤外放射計（TIR）5バンド

ASTER センサの主な特徴

• 可視から熱赤外波長域の地表の画像データを取得する。

• 近赤外バンドでは、後方視を利用することにより、同一軌道で立体視画像を取得す

ることができる。

• SWIR、TIR は±8.55 度の撮像視野角を得るため、また VNIR は±24 度の衛星軌道直

角方向に、それぞれ機械的にポインティングできる機能をもっている。

• 短波長赤外放射計と熱赤外放射計では高信頼性の冷却機が装着されている。

• 資源および環境分野の実務者や科学者達のミッション要求に合致している。

観測波長帯可視・近

短波長

熱赤

分解能

ポインテ

但し

B/H 比（軌道
表２．１ ASTERセンサの仕様
赤外域

赤外域

外域

3 バンド+後方視

6 バンド

5 バンド

0.52-0.86μm

1.60-2.43μm

8.125-11.65μm

可視・近赤外域

短波長赤外域

熱赤外域

15m

30m

90m

ィング角度範囲

VNIR は

±8.55゜

±24゜

内後方視による） 0.6

観測幅 60km

図 2.1 は、ASTER センサによっ

60ｋｍである。画像取得日は 200

波までの 15 バンドの画像情報を

である。また近赤外バンドでは、

ことが可能である。今研究では、

の分類を行なう。

今回は、ミクセル解析のテスト

南国市、赤岡町、吉川村、夜須町

は、この場所に対応した IKONOS

街地だけしか入手することができ

である。

高知市街地

図２．１ ASTER 画像 1シーン全

て撮影された、A

1 年 10 月 31 日で

取得する。上の図

後方視バンドを

ASTER 画像より影

エリアとして高知

（11km×11ｋｍ）

画像が用意できた

なかった。図 2.

土佐山田町、南国市、赤岡町吉川村、夜須町

STER 画像 1シーンである。観測幅は、約

ある。ASTER センサは、可視から熱赤外

は、R,G,B を NIR、R、G で表さしたもの

使うことにより、立体視画像を取得する

を抽出し、その情報を使用して都市密度

市街地（3ｋｍ×2ｋｍ）と土佐山田町、

を選んだ。この 2 つの地域を選んだの

ためである。しかし DSM 画像は、高知市

2、図 2.3 は、テストエリアの ASTER 画像

図図図図２．２２．２２．２２．２ ASTERASTERASTERASTER 画像テストエリア画像テストエリア画像テストエリア画像テストエリア((((土佐山田町、南国市、赤岡町、吉川村、夜須町土佐山田町、南国市、赤岡町、吉川村、夜須町土佐山田町、南国市、赤岡町、吉川村、夜須町土佐山田町、南国市、赤岡町、吉川村、夜須町))))

図図図図２．３２．３２．３２．３ ASTERASTERASTERASTER 画像テストエリア（高知市街地画像テストエリア（高知市街地画像テストエリア（高知市街地画像テストエリア（高知市街地）

２－２２－２２－２２－２ IKONOSIKONOSIKONOSIKONOS 画像画像画像画像

高分解能衛星画像は、民間でも利用でき、地図作成、施設管理、農業、林業、環境アセ

スメント、GIS などへの応用も期待されている。また高分解能衛星は、数を増やしており、

IKONOS をはじめ、QUICKBIRD、などがあり、1m 以下の分解能をもっている。高分解能衛星

IKONOS は、1999 年 9月 25 日に打ち上げられ、2003 年 11 月現在も運用されている。衛星高

度は 680ｋｍである。地上 680ｋｍ上空で撮影されるために、地上の建物や木などを航空写

真よりも上空より撮影することが可能である。そのために画像に歪みが少ないため、幾何

補正を容易におこなうことが可能である。回帰日数は 11 日で、軌道傾斜角は 98.12°であ

る。IKONIOS センサは、NIR、R、G、B の 4 バンドとパンクロマチックで撮影を行い、後処

理で、１ｍの分解能を持った画像を作成するようになっている。また量子化 bit も１１bit

あるために鮮明な画像を取得することが可能である。IKONOS 衛星画像は、本研究では、ASTER

画像のミクセル解析を行なうために使用する。

表 2.2 は、IKONOS センサの仕様を示したものである。

センサータイプ

■素子数（画素数）

■波長域（バンド）

■走査方向

■地上分解能（GSD）

●パンクロマチック

●マルチスペクトル

■撮影幅

■撮影傾斜角度

（ポインティング）

■各センサ 1画素あた

リニアアレイ

パンクロマチック 13,816 個

マルチスペクトル 3,454 個

パンクロマチック 0.45～0.90μm

青 0.45～0.52μm

緑 0.52～0.60μm

赤 0.63～0.69μm

近赤外 0.76～0.90μm

＊ランドサットＴＭのＢａｎｄ1～4と同じ波長域

東西方向、南北方向、その他直線的走査はすべて可能

撮影角度 0｡（直下） 0.82m

撮影角度 26 （゚オフナディア 26゜） 1.0m

撮影角度 0゜（直下） 3.3m

撮影角度 26 （゚オフナディア 26゜） 4.0m

撮影角度 0゜（直下） 11.3km

撮影角度 26 （゚オフナディア 26゜） 13.8km

全方向に 45゜迄

りの情報量 11 ビット（2,048 階調）

表表表表２．２２．２２．２２．２ IKONOSIKONOSIKONOSIKONOSセンサの仕様センサの仕様センサの仕様センサの仕様

図 2.4 と図 2.5 は、テストエリアの ASTER 画像と対応した IKONOS 画像である。IKONOS 画像

は、2シーン使用するが、それぞれの撮影時期が異なる。

撮影日時

2001 年

9 月 19 日

午前 11 時 00 分

撮影日時

2002 年

6 月 15 日

午前 10 時 43 分

図図図図２．４２．４２．４２．４ IKONOSIKONOSIKONOSIKONOS 画像テストエリア画像テストエリア画像テストエリア画像テストエリア((((土佐山田町、南国市、土佐山田町、南国市、土佐山田町、南国市、土佐山田町、南国市、赤岡町、吉川村、夜須町赤岡町、吉川村、夜須町赤岡町、吉川村、夜須町赤岡町、吉川村、夜須町))))

図図図図２．５２．５２．５２．５ IKONOSIKONOSIKONOSIKONOS 画像テストエリア（高知市街地）画像テストエリア（高知市街地）画像テストエリア（高知市街地）画像テストエリア（高知市街地）

２－３２－３２－３２－３航空レーザースキャナー、航空レーザースキャナー、航空レーザースキャナー、航空レーザースキャナー、DSMDSMDSMDSM 画像画像画像画像

DSM（Digital Surface Model）は、地表面の高さを建築物、木などを含めて、グリッド

型の高さ情報にしたものである。高さのポイントデータは航空レーザースキャナーによっ

て取得され、高さのポイントデータをグリッド型の高さ情報にしたものを DSM とした。航

空レーザースキャナーは、航空機から地上に向けてレーザーを照射し地上から反射してく

るレーザーの時間差で地物の高さを計測する。航空機の空間位置は、地上の GPS 基準局と

航空機に搭載した GPS/IMU（ジャイロ）により、正確な位置が常に把握される。航空機の

空間位置は、地上の GPS 基準局と航空機に搭載した GPS/IMU（ジャイロ）により、正確な位

置が常に把握し、これらのデータを解析することで、XYZ のポイントデータを作成している。

表 2.3 は、レーザースキャナーの使用を示したものである。

使用レーザ

レーザー規

計測高度

スキャニン

スキャニン

パルスレー

反射パルス

データ間隔

データ間隔

精度

図図図図２．６２．６２．６２．６レーザーレーザーレーザーレーザー

図 2.6は、セスナに取り付けられたレーザースキャナーである。近

赤外のレーザーを使用している。

今回使用した航空レーザースキャ

ナーのポイントデータの誤差は、

位置精度で±30cm、高さ精度で

±15cm（メーカー値）となってい

る。

レーザー本体部分

ー近赤外線（波長 0.7～1.3μm）

格 Class4 Laser Product

対地高度 600m～3,000m

グ幅 200～2,000m（標準)

グ角度 5°～45°

ト最大 15khz

数最大 5パルス

横断方向 1m～8m（Cross Track)

進行方向 2.0m～飛行速度に比例

水平±30cm・水平±15cm

（レーザーデータ間の平均二乗誤差)

表表表表２．３２．３２．３２．３レーザースキャナーの仕様レーザースキャナーの仕様レーザースキャナーの仕様レーザースキャナーの仕様

スキャナーとセスナスキャナーとセスナスキャナーとセスナスキャナーとセスナ

図 2.7 は、航空このデータは 200いる。ポイントデ

な模様は、ポイン

どポイントデータ

今回使用した D解能と比較すると

画像の撮影時期に

影の評価をおこな

図図

レーザースキャナーで取得されたポイントデータの DSM の画像である。3年 4月 25日に作成されたものである。高いところほど赤く表示されてータは、全点 5513904点で構成されている。画像にある黒いしみのようトデータの密度の差で起こったものである。つまり画像が黒いところほ

の密度が低くなり、画像が明るいところほど密度が高くなっている。 SMの空間分解能は、1～2mである。ASTER画像の 15mという空間分十分検証に使用できると判断した。DSMのポイントデータより、ASTERより影を生成する。その影データを用いて ASTER画像のミクセル解析のう。また、都市密度の評価にも使用する。

図図２．７２．７２．７２．７ DSMDSMDSMDSM 画像（ポイントデータ画像（ポイントデータ画像（ポイントデータ画像（ポイントデータ）

３３３３研究手法研究手法研究手法研究手法

図 3.1は、本研究

析をおこなう。使用

ダムポイントデータ

IKONOS画像とグリ

画像をイメージマッ

IKONOS 画像、DS

次に Linear mi

なう。トレーニングデ

ングデータを取得す

ションする必要があ

の係数を求める。

リニアミクスチャー

分類結果の評価を

分類された影と、D

Linear mixture

こなうには、まず建

物・土の分類結果を

度の分類をおこなう

データ、DSM、四国

ASTER画像

幾何補正 (1m grid)

Li

IKONOS画像 DSM(１ｍランダムポイント)

DSM、建築物ポリゴンデータを用

いた都市分類の検証
画像マッチング
のフローチャートである。このフローチャートにそって ASTER画像のミクセル解

データは、ASTER 画像、IKONOS画像、DSMである。DSMは、１ｍ～２ｍのラン

である。そのためにグリット型の画像データに変換する必要がある。次に

ット化したDSM画像を幾何補正して対応させる。そしてASTER画像と IKONOS

チングを用いて対応点を抽出し幾何補正する。これにより ASTER 画像、

M 画像の 3 つの画像が対応されることになる。

xture model でミクセル解析をおこなうためにトレーニングデータの構築をおこ

ータは、ASTER 画像に対応させた IKONOS 画像から構築する。影のトレーニ

るには、DSM より ASTER 画像の撮影時の太陽の高度、位置で影をシミュレー

る。そして、トレーニングデータにより分類に使用する Linear mixture model

モデルにより ASTER 画像の分類をおこなう。分類された影画像及びその他の

行う。評価は、DSM よりシミュレーションした影画像を使用する。ASTER 画像より

SM よりシミュレーションされた影を比較して検証をおこなう。

modelの分類結果を用いて都市密度の分類をおこなう。都市密度の分類をお

物の影であるか、植物の陰であるかを調べる必要がある。そのために、植生と建

用いて、建物の影か植物の影かを調べる必要がある。その影を用いて都市密

。都市密度は、トレーニングデータを用いておこなう。高知市の建築物ポリゴン

50m メッシュデータを組み合わせたものを使用しておこなう。

図図図図 3.13.13.13.1 研究フローチャート研究フローチャート研究フローチャート研究フローチャート

トレーニングデータの構築

near mixture modelによる計算

分類結果の検証

分類結果を用いた都市分類

イメージマッチング

４４４４使用データ使用データ使用データ使用データ前処理前処理前処理前処理

４－１４－１４－１４－１アフィン変換アフィン変換アフィン変換アフィン変換

アフィン変換は、ユークリッド幾何学における線形変換であり、画像に含まれる平行移

動、回転、拡大・縮尺、スキュー歪の幾何学的な変換を行う場合に使用される。その中で

も二次元(x,y)での変換を二次元アフィン変換と言う。以下に二次元アフィン変換で補正可

能な幾何学的歪みを載せる。

衛星画像の幾何補正とは、幾何学的歪みがある衛星画像からその歪みを除去するととも

に、違った場所から撮られた複数の衛星画像の座標を合わせるものである。画像に含まれ

ている幾何歪の性質や補正のために利用出来るデータを考慮して変換式（座標変換式）を

決定する必要がある。今回は、データの範囲が広くないために、二次元アフィン変換を使

用することとする。二次元アフィン変換の変換パラメータ(未知数)は、衛星画像座標とそ

れに対応する別の衛星画像座標を用いて、最小二乗法により求める。

幾何学的な歪みが十分に補正されたかどうかを確認するには、変換式の妥当性の検討を

行う。最小二乗法を用いて決定されたパラメータにより、変換後の座標を求める。そして

その座標の誤差を算出し、変換式の妥当性を検討する。変換式が妥当ではないと判断され

た場合は、新たな変換式について見当を行い、補正に利用した画像座標や地上基準点のデ

ータの見直しを行う。

補正後の画像を出力するために再配列と内挿を行う。変換式を用いて入力画像の画像デ

ータを並べ直す。これを再配列と言う。再配列にあたって計算される座標は必ずしも整数

値とはならないため、周囲の画素値から内挿により新しい画素の値を求める。今回は、最

近隣内挿法 (nearest neighbor)を使用する。これは、再配列後の画像データを際近隣の画

像データで置き換える。位置誤差は最大 0.5 画素であるが、現画像データを隣の画素で置

き換えるために画素の値がそのまま反映される、処理速度が速いという利点がある。

今回の研究における幾何補正はすべて、上記の二次元アフィン変換を使用することとし

た。

図図図図４．１４．１４．１４．１アフィン歪みアフィン歪みアフィン歪みアフィン歪み

二次元アフィン変換は、以下の式で表される。

u,v : 画像座標

x,y : 地上座標

a 1～a 3，b 1～b 3 : 未知係数

画像座標を地上座標に合致させる変換式である。

未知係数は、最小二乗法を用いて求める。

左辺の u,v を右辺に移項し、二つの式、それぞれを二乗する。

各係数 a1, a2, a3, b1, b2, b3によって偏微分をし、それが０になる係数を求めた。

ここでφuの行列式において以下のよ

321

321

bybxbvayaxau

++=++=

2321

2321

)(

)(

vbybxbuayaxa

v

u

−++=

−++=

φφ

uφ

zφ

1

2

2

yxyyxyxxyx

3

2

1

aaa

xu

1

2

2

yxyyxyxxyx

3

2

1

bbb

（式 4.1）

（式 4.2）

,1

2

2

=yx

yyxyxxyx

A

=X

=

u

yu

xv

（式 4.3）

うに設定する。

=

v

yv（

,

3

2

1

aaa

=

uyuxu

b

式 4.4）

正方行列式 Aが正則とすると、逆行列が存在するので、

が成り立つ。そのため未知係数 a1，a2，a3は Aの逆行列を求めることによって導く

来る。同様にφvにおいても未知係数 b1，b2，b3を求める。そしてこれらの求めた

いて、幾何補正したい画像に二次元アフィン変換を施した。

４－２４－２４－２４－２ IKONOSIKONOSIKONOSIKONOS画像の幾何補正画像の幾何補正画像の幾何補正画像の幾何補正

IKONOS 画像よりトレーニングデータを取得するために、ASTER 画像と IKONOS 画

補正をおこなう。対応点は、イメージマッチングで取得した。また ASTER 画像は

によって変換させると画像が壊れてしまう可能性があるため、イコノス画像を変換

画像と合致させた。対象領域がそれほど広くないために、二次元アフィン変換に

補正をおこなった。

ASATER 画像は、IKONOS 画像とイメージマッチングをおこなうために 15m の分解

を１ｍグリットに変換をおこなった。イメージマッチングの手法について説明する

あらかじめ場所を決めて ASTER 画像のほうを IKONOS 画像よりも大きく切り取る

ASTER 画像の左上端から IKONOS 画像を 1画素ずつずらしていきながら IKONOS 画像

画像の重なったところの相関を求める。そして求められた相関が一番大きい時の

心を基準点とした。図 4.2 はイメージマッチングのテンプレートの例を示したもの

この基準点を使用し二次元アフィン変換を用いて幾何補正をおこなった。

IKONOS画像

(1mグリッド） ASTER画像

(1mグリッド）

1−A

bAX 1−=

図図図図４．４．４．４．２２２２テンプレートの例テンプレートの例テンプレートの例テンプレートの例

ことが出

係数を用

像の幾何

、再配列

し ASTER

より幾何

能の画像

。まず、

。そして

と ASTER

画像の中

である。

（式 4.5）

表4

のRMS

たもの

はいえ

もミク

ポイント X 方向誤差 Y 方向誤差面積相関

No. 1 -2.165 m 2.992 m 0.5282

No. 2 -4.417 m 4.793 m 0.6141

No. 3 1.459 m 2.422 m 0.4797

No. 4 0.398 m -1.067 m 0.4577

No. 5 -5.363 m -5.875 m 0.6409

No. 6 3.203 m -4.602 m 0.4303

No. 7 6.885 m 1.337 m 0.5681

.1は、イメー

エラーを表し

である。X-Y

ない。しかし

セル解析にお

表表表表４．１４．１４．１４．１テンプレートマッチングの画像相関と各テンプレートマッチングの画像相関と各テンプレートマッチングの画像相関と各テンプレートマッチングの画像相関と各点点点点のののの RMSRMSRMSRMS エラーエラーエラーエラー

ジマッチングの時の画像相関と、幾何補正において発生した各ポイント

ている。また表4.2は、幾何補正をおこなった時の平均RMSエラーを示し

方向とも平均4m程度でありASTER画像15ｍに対して十分な精度であると

分解能15mと1mとのイメージマッチングの限界と思われた。この状態で

いてある程度の傾向が見出せると判断した。

Direction RMS エラー

x 4.02m

y 3.71m

表表表表４．２４．２４．２４．２ IKONOSIKONOSIKONOSIKONOS 画像の画像の画像の画像の幾何補正の平均幾何補正の平均幾何補正の平均幾何補正の平均 RMSRMSRMSRMS エラーエラーエラーエラー

４－３４－３４－３４－３ DSMDSMDSMDSM画像（ポイント→グリッド）の作成、幾何補正画像（ポイント→グリッド）の作成、幾何補正画像（ポイント→グリッド）の作成、幾何補正画像（ポイント→グリッド）の作成、幾何補正今回、影のトレーニングデータを取得するために、IKONOS画像とDSM画像の幾何補正をお

こなう。しかしDSMは、ポイントデータである。そのためにまずグリッド型の画像データに変換をおこなう必要がある。

図4.3は、ポイントデータをグリッド化したときの概念図であるは、X、Y、Zの3つで1つの座標を表している。まずポイント座標のを求める。その最小値、最大値にあわせて１ｍグリットの配列をポ

範囲で用意する。そして1つのグリッドの中に入るポイントデータして画像化した。

平

図図図図４．４．４．４．３３３３ DSMDSMDSMDSMのポイント→グリッドの変換の概のポイント→グリッドの変換の概のポイント→グリッドの変換の概のポイント→グリッドの変換の概

図図図図４．４．４．４．４４４４ DSMDSMDSMDSM画像（画像（画像（画像（1m1m1m1mグリッド）グリッド）グリッド）グリッド）

均

。DSMのポイントデータX、Yの最大値、最小値イントデータのX－YののZの値の平均を高さと

略図略図略図略図

図4.4はグリッド化し画像化したDSMである。しかしDSMのポイントデータが重ならなかったグリッドには値が入っていない。よって5×5のメディアンフィルターを用いて補間をおこなった。画素の輝度値がそのまま高さ情報になっている。そのため画像の白いとこ

ろほど標高が高いところになっている。このポイントデータをグリッドデータに変換した DSM 画像を用いて IKONOS 画像と幾何補

正をおこなった。DSM 画像の高さ情報と、IKONOS 画像のカラー情報のイメージマッチング

は、困難である。そのために目視により対応点の抽出をおこなった。

ポイント

No .1

No .2

No .3

No .4

No .5

No .6

No .7

No .8

表 4.3 は、幾何補

を表したものである

表 4.3 の GCP を用

画像の幾何補正の平

精度を得ることがで

表表表表

X 方向誤差 Y 方向誤差 RMS エラー

0.104m 0.258m 0.278m

-0.292m 0.272m 0.398m

0.044m -0.048m 0.065m

0.178m -0.054m 0.185m

-0.390m -0.234m 0.454m

-0.119m -0.106m 0.159m

0.208m 0.134m 0.247m

0.266m -0.222m 0.346m

正に使用した GCP のポイントの XY 方向の距離誤差と各点の RMS エラー

。各点とも 0.5ｍ以下の精度で GCP を抽出することができた。

いて二次元アフィン変換により幾何補正をおこなった。表 4.4 は、DSM

均 RMS エラーを示している。平均 RMS エラーは、1m 未満となり十分な

きた。

表表表表４．４．４．４．３３３３ DSMDSMDSMDSM 画像の幾何補正の各点画像の幾何補正の各点画像の幾何補正の各点画像の幾何補正の各点のののの RMSRMSRMSRMS エラーエラーエラーエラー

Direction RMS エラー

X方向誤差 0.20m

Y方向誤差 0.17m

４．４．４．４．４４４４ DSMDSMDSMDSM 画像の画像の画像の画像の幾何補正の平均幾何補正の平均幾何補正の平均幾何補正の平均 RMSRMSRMSRMS エラーエラーエラーエラー

これにより、ASTER 画像、IKONOS 画像、DSM 画像の 3つが、図 4.5 のように対応されたこ

とになる。これにより、ミクセル解析をおこなうことができる。

ＩＫＯＮＯＳ画像

ＤＳＭ画像

ＡＳＴＥＲ画像

図図図図

４．４．４．４．５５５５幾何補正後の画像概念図幾何補正後の画像概念図幾何補正後の画像概念図幾何補正後の画像概念図

５５５５ ASTERASTERASTERASTER 画像のみによる分類画像のみによる分類画像のみによる分類画像のみによる分類

５－１５－１５－１５－１ Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model による分類法による分類法による分類法による分類法

５－１－１５－１－１５－１－１５－１－１ Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model とはとはとはとは

ミクセルとは、1 つの画素の中に複数のカテゴリーが混在している画素のことである。

分類をおこなう際、このような画素を 1つのカテゴリーに無理やり属させるべきではない。

このような画素を 1 つのカテゴリーで代表させると、その 1 画素に含まれる小面積のカテ

ゴリーが無視されて、画像処理から消去されてしまう。そこで本研究では、Linear Mixture

Model(式 5.1)を使用する。分類項目は、水域、植生、建物(土)、影の 4分類とした。式 5.2

は Linear mixture model の条件式である。

Linear Mixture Model は、ASTER 画像に IKONOS 画像にどれだけの割合があるのかにより、

ASTER 画像の画素の値を予測する関係式を作成する。

DNDNDNDNiiii=(C=(C=(C=(Cwiwiwiwi*R*R*R*Rwwww+C+C+C+Cvivivivi*R*R*R*Rvvvv+C+C+C+Cbibibibi*R*R*R*Rbbbbiiii+C+C+C+Csisisisi*R*R*R*Riiii)))) RRRRwiwiwiwi+R+R+R+Rvivivivi+R+R+R+Rbibibibi+R+R+R+Rsisisisi=1=1=1=1

I:I:I:I:Band Band Band Band 1111～～～～10101010

R:R:R:R:分類項目の面積割合分類項目の面積割合分類項目の面積割合分類項目の面積割合 RRRRwwww ( ( ( (水域水域水域水域), ), ), ), RRRRvvvv ( ( ( (植生植生植生植生), ), ), ), RRRRbbbb ( ( ( (建物建物建物建物((((土土土土))))

C:C:C:C:変換パラメータ変換パラメータ変換パラメータ変換パラメータ CCCCwwww ( ( ( (水域水域水域水域),),),), CCCCvvvv ( ( ( (植生植生植生植生)))), C, C, C, Cbbbb ( ( ( (建物建物建物建物((((土土土土))))

この Linear Mixture Model は、ASTER 画像のバンド値（DNi）と変換パ

Cb、Cs）がわかっていれば、植生、水域、建物(土)、影の面積割合（Rw、Rv、きるものである。変換パラメータは、ASTER 画像の対応した IKONOS 画像か

レーニングデータによって求められる。

５－１－２５－１－２５－１－２５－１－２ Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model の係数の求め方の係数の求め方の係数の求め方の係数の求め方

この Linear Mixture Model を使用するために、ASTER 画像、IKONOS 画

構築したトレーニングデータより、最小 2 乗法を用いて、an、bn、cn、d

タを求める。

Linear Mixture Model の左辺の Dni を右辺に移項してその差をΦとした

を二乗し、各変換パラメータ（Cw、Cv、Cb、Cs）で偏微分をしたものを 0とす

∂ΣΦ２／∂ Cw＝Σ2Rw{(Cw･Rw)＋(Cv･Rv)＋(Cb･Rb)+(Cs･Rs)-D

∂ΣΦ２／∂ Cv＝Σ2Rv{(Cw･Rw)＋(Cv･Rv)＋(Cb･Rb)+(Cs･Rs)-D

∂ΣΦ２／∂ Cb＝Σ2Rw{(Cw･Rw)＋(Cv･Rv)＋(Cb･Rb)+(Cs･Rs)-D

∂ΣΦ２／∂ Cs＝Σ2Rw{(Cw･Rw)＋(Cv･Rv)＋(Cb･Rb)+(Cs･Rs)-D

（式 5.1）

), ), ), ), RRRRssss ( ( ( (影影影影))))

),),),), CCCCssss ( ( ( (影影影影))))

ラメータ（Cw、Cv、 Rb、Rs）を逆算で

ら構築されたト

像、DSM 画像より

n の変換パラメー

とき、それぞれ

る。

ni}=0

ni}=0

ni}=0

ni}=0

（式 5.2）

（式 5.3）

式 5.3 を変換し行列で表すと、

∑（Rw･Rw） ∑（Rw･Rv） ∑（Rw･Rb） ∑（Rw･Rs） Cw

∑Dni×Rw

∑（Rv･Rw） ∑（Rv･Rv） ∑（Rv･Rb） ∑（Rv･Rs） Cv

∑Dni×Rv

∑（Rb･Rw） ∑（Rb･Rv） ∑（Rb･Rb） ∑（Rb･Rs） Cb

∑Dni×Rb

∑（Rs･Rw） ∑（Rs･Rv） ∑（Rs･Rb） ∑（Rs･Rs） Cs

∑Dni×Rs

と表すことができる。

ここで行列式において以下のように設定する。

∑（Rw･Rw） ∑（Rw･Rv） ∑（Rw･Rb） ∑（Rw･Rs）

∑（Rv･Rw） ∑（Rv･Rv） ∑（Rv･Rb） ∑（Rv･Rs）

∑（Rb･Rw） ∑（Rb･Rv） ∑（Rb･Rb） ∑（Rb･Rs）

∑（Rs･Rw） ∑（Rs･Rv） ∑（Rs･Rb） ∑（Rs･Rs）

∑Dni×Rw

∑Dni×Rv

∑Dni×Rb

∑Dni×Rs

正方行列式 Aが正則とすると、逆行列が存在するので、

が成り立つ。そのため変換パラメータ（Cw、Cv、Cb、Cs）は A の逆行列を求めることによ

導くことが出来る。また i を 1～10 までの各バンドで同じようにして変換パラメータ

める。そしてこれらの求めた係数を用いて、Linear Mixture Model を施す。

Cw

Cv

Cb

Cs

1−A

bAX 1−=

＝

＝ A

X ＝ｂ＝

（

（式 5.5）

（式 5.6

式 5.4）

って

を求

）

５－１－３５－１－３５－１－３５－１－３ Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model によるミクセル分解の最適化手法によるミクセル分解の最適化手法によるミクセル分解の最適化手法によるミクセル分解の最適化手法

Linear Mixture Model は、ASTER 画像のバンド値（DNi）と変換パラメータ（Cw、Cv、Cb、Cs）

がわかっていれば、植生、水域、建物(土)、影の面積割合（Rw、Rv、Rb、Rs）を逆算できるも

のである。4次の連立方程式を解くには、逆行列を使った方法が一般的にはよく使われてい

る。しかし行列を使う解法では、V、W、B、Sに非負の条件をつけることが出来ないために、

負の解がでてしまう。

また ASTER 画像の 1 画素の中の各バンド間の相関は、輝度に依存している。そのために

各バンドの相関が高いバンドが存在することになる。連立方程式を単純に解く方法では、

バンド間相関が高いため解が不安定となる。

0000＜＜＜＜RRRRwwww＜＜＜＜1111，，，， 0000＜＜＜＜RRRRvvvv＜＜＜＜1111，，，， 0000＜＜＜＜RRRRbbbb＜＜＜＜1111，，，， 0000＜＜＜＜RRRRssss＜＜＜＜1111，，，，

RRRRwwww＋＋＋＋RRRRvvvv＋＋＋＋RRRRbbbb＋＋＋＋RRRRssss＝１＝１＝１＝１

という条件式を加え、Rw Rv Rb Rs の値を変化させていき、逐次計算をおこない

AAAASTERSTERSTERSTER 画像バンド値画像バンド値画像バンド値画像バンド値－－－－DniDniDniDni＝＝＝＝MinMinMinMin

となる時の、Rw Rv Rb Rs を求める。各面積割合は、約 2％ずつ変化さていった

（式 5.7）

（式 5.8）

。

（式 5.9）

５－２５－２５－２５－２トレーニングデータの構築トレーニングデータの構築トレーニングデータの構築トレーニングデータの構築

５－２－１５－２－１５－２－１５－２－１トレーニングデータの取得方法についてトレーニングデータの取得方法についてトレーニングデータの取得方法についてトレーニングデータの取得方法について

トレーニングデータとは、Linear mixture model の係数を求めるのに必要である。トレ

ーニングデータは、図 5.1 のように ASTER 画像よりバンド値を取得し、IKONOS 画像は、影

画像と重ね、影ではない部分を、目視により植生、建物(土)、水域と分類した。影は、影

画像より取得した。影は、ASTER 画像と IKONOS 画像の撮影時期が違うために IKONOS 画像か

ら取得することは困難である。よって DSM より ASTER 画像撮影時の太陽の高度・方位で影

をシミュレーションする必要がある。

５－２－２５－２－２５－２－２５－２－２ DSMDSMDSMDSM からの影のシからの影のシからの影のシからの影のシミュレーションミュレーションミュレーションミュレーション

トレーニングデータの影を取得するために、DSM 画像より影画像を作成する。影は、地表

面の高低差と太陽の高度、方位によって形状を決定する。本研究では、ASTER 画像のミクセ

ル解析をおこなうので、ASTER 画像撮影時の太陽の高度、方位によって影のシミュレーショ

ンをおこなった。太陽からの光は、平行投影されているものとした。

図 5.2 は、DSMより影をシミュレーションした概念図である。影は、太陽からの光がグリット型の DSM の 1画素にあたったと

きに、その直線上に存在する DSM の高

さが、直線の高さよりも低いときに影

となるとして、シミュレーションをお

こなった。またカメラの角度も考慮し

なければならない。ASTER 画像の場合、

センサは直下視であるためにセンサ角

は、90°とした。

太陽の高度 40.55° (地表から)

太陽の方位 163.21°（北 0°）

ASTER画像 (分解能15ｍ)

1ピクセル

IKONOS画像 (分解能1ｍ)

225ピクセル

影画像 (分解能1ｍ)

225ピクセル

影影影影

図図図図

図図図図５５５５．．．．１１１１トレーニングデータの取得方法トレーニングデータの取得方法トレーニングデータの取得方法トレーニングデータの取得方法

５５５５．．．．２２２２ DSMDSMDSMDSMよりよりよりより

影をシミュレーションする概念図影をシミュレーションする概念図影をシミュレーションする概念図影をシミュレーションする概念図

図 5.3 は、DSM 画像よりシミュレーションした影画像である。DSM の空間分解能は、1～

2m である。ASTER 画像の 15m という分解能に比べれば十分な精度があり使用できると考え

た。この影画像よりトレーニングデータの影カテゴリーの構築をおこなった。

５－２－３５－２－３５－２－３５－２－３トレーニングデータの内容トレーニングデータの内容トレーニングデータの内容トレーニングデータの内容

５－２－１で示したトレーニングデータの取得方法を用いて、トレーニングデータの構

築をおこなった。トレーニングデータの内容は、表 5.1 のようになった。影を抽出するこ

とが、本研究の大きな目的である。そのために、影のピュアピクセルのデータを多く取得

した。トレーニングデータの内容は、論文の最後(付録１)に掲載した。このトレーニング

データを用いて Linear Mixture Model の係数を求め、ミクセル解析をおこなった。場所に

よって Linear Mixture Model の係数を変化させるべきであるが、トレーニングデータを取

得した幅が 20km 程度であるので、大きな影響はないと考え無視した。

トレーニングデータ

影なしミクセル

影ありミクセル

影ピュアピクセル

海ピュアピクセル

川ピュアピクセル

植生ピュアピクセル

建物(土)ピュアピクセル

図図図図５５５５．．．．３３３３ DSMDSMDSMDSMよりシミュレーションした影画像よりシミュレーションした影画像よりシミュレーションした影画像よりシミュレーションした影画像

表表表表５５５５．．．．１１１１各分類項目のトレーニングデータの数各分類項目のトレーニングデータの数各分類項目のトレーニングデータの数各分類項目のトレーニングデータの数

12

20

25

20

20

20

20

データ数

５－３５－３５－３５－３ Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model による分類結果による分類結果による分類結果による分類結果

５－３－１５－３－１５－３－１５－３－１ Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model の係数の係数の係数の係数

トレーニングデータと ASTER の各バンドの相関は、表 5.2 になった。バンド 11～15 は、

相関が低く、熱赤外域のバンド、また分解能も 90m のために Linear mixture model でのバ

ンド 11～15 の計算は難しいと考えた。バンド 5～10 は、分解能は 30m であるが計算に影響

が少ないと考え無視した。相関の高かったバンド 1，2，3，10 を使って Linear mixture model

で分類をおこなう。

ASTER バンド

Band1

Band2

Band3

Band5

Band6

Band7

Band8

トレーニン

になった。

Ban

Ban

Ban

Ban

Ban

Ban

Ban

Ban

Ban

表表表表５．５．５．５．

相関 ASTER バンド相関

0.913 Band9 0.889

0.923 Band10 0.911

0.912 Band11 0.320

0.895 Band12 0.413

0.865 Band13 0.363

0.869 Band14 0.438

0.884 Band15 0.363

グデータを用いて Linear mixture model の係数を求めた結果、表 5.3 のよう

表表表表５５５５．．．．２２２２トレーニングデータとトレーニングデータとトレーニングデータとトレーニングデータと ASTERASTERASTERASTERのバンド値との重相関のバンド値との重相関のバンド値との重相関のバンド値との重相関

水域植生建築(土) 影

d1 0.2285 0.2323 0.3837 0.2032

d2 0.1040 0.1252 0.2812 0.1106

d3 0.0636 0.3388 0.1936 0.0955

d5 0.0455 0.1611 0.1729 0.0965

d6 0.0473 0.0998 0.1528 0.0923

d7 0.0430 0.1074 0.1563 0.0954

d8 0.0477 0.0906 0.1447 0.0848

d9 0.0394 0.0770 0.1358 0.0755

d10 0.0566 0.0775 0.1348 0.0787

３３３３トレーニングデータより求めたトレーニングデータより求めたトレーニングデータより求めたトレーニングデータより求めた Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model の係数の係数の係数の係数

５－３－２５－３－２５－３－２５－３－２ Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture model によるミクセルの分類結果によるミクセルの分類結果によるミクセルの分類結果によるミクセルの分類結果

図 5.4、図 5.5、図 5.6、図 5.7 は、Linear mixture model で分類した ASTER 画像である。

白いところほど、各分類項目の割合が多くなっている。影画像は、わかりやすくするため

に白黒を反転させてある。黒いところが影になっている。画像 5.8 は赤に建物(土)、緑に

植生、青に水域の面積割合を当てはめ画像化したものである。

図図図図５５５５．．．．４４４４植生の分類結果植生の分類結果植生の分類結果植生の分類結果

図図図図５５５５．．．．６６６６建物建物建物建物((((土土土土))))の分類結果の分類結果の分類結果の分類結果

図図図図５５５５．．．．８８８８植生・水域・建物・土の分類結果の植生・水域・建物・土の分類結果の植生・水域・建物・土の分類結果の植生・水域・建物・土の分類結果の

図図図図５５５５．．．．５５５５水域の分類結果水域の分類結果水域の分類結果水域の分類結果

合成合成合成合成

図図図図５５５５．．．．７７７７影の分類結果影の分類結果影の分類結果影の分類結果

５－３－３５－３－３５－３－３５－３－３影の分類の検証影の分類の検証影の分類の検証影の分類の検証

影のミクセル解析の結果の検証をおこなった。Linear mixture model により ASTER 画像

より抽出された影画像と DSM よりシミュレーションした影画像を比較した。DSM よりシミュ

レーションした影画像は、1m グリッドであるために 15m グリッドに変換し比較をおこなっ

た。式 5.10 は検証に使用した式である。

|(ASTER|(ASTER|(ASTER|(ASTER 画像より抽出した影画像より抽出した影画像より抽出した影画像より抽出した影))))----(DSM(DSM(DSM(DSM よりシよりシよりシよりシミュレーションした影ミュレーションした影ミュレーションした影ミュレーションした影)|/)|/)|/)|/面積＝分類誤差面積＝分類誤差面積＝分類誤差面積＝分類誤差

それぞれの影画像の 1 画素ずつに対して影の値の差の絶対値を求め、面積で割ったもの

を分類誤差とし、対象範囲のすべての画素においておこなった。面積は、ASTER 画像が 15

ｍグリッドであるために 15×15 で 225 平方メートルである。それを％換算した結果 20.8%

の分類誤差があった。ASTER 画像と IKONOS 画像の幾何補正の精度を考えるとまずまずの精

度があると考えられる。

しかし小さな川が影として分類されていたり、都市部の影が水と分類されている所など

があった。これは、水と影の反射の特性が似ているからであると考えられる。ASTER 画像の

バンドの組み合わせや、すべてバンドを使った計算を試みたが、バンド 1，2，3，10 の組

み合わせよりよい結果を得ることはできなかった。また ASTER センサの量子化ビットが 8

ビットであることの限界なのかもしれない。

５－３－４５－３－４５－３－４５－３－４その他の分類の検証その他の分類の検証その他の分類の検証その他の分類の検証

水域、植物、建物（土）、影の検証もおこなった。検証は、Linear mixture model での分

類結果とトレーニングデータを比較しておこなった。

ミ

ピュア

表 5.4 は、L

とし、トレーニン

であった。しか

セルの主分類結

ミクセルの分

画像の撮影の時

築することがで

アピクセルの正

(式 5.10）

データ数分類カテゴリーの正解数正解率

クセル 32 14 43.7%

ピクセル 105 102 97.5%

inear mixture model での分類結果で一番面積割合が多かったものを主分

グデータの主分類と比較し正解率を求めた。ミクセルの正解率は、43.

し、分類のカテゴリーは、トレーニングデータとあっていた。ピュアピ

果は、97.5%ととてもいい結果を得ることができた。

類結果の正解率が低かった理由として考えられるのは、ASTER 画像と IO

期が違うからだと考えられる。もっと精度のよいトレーニングデータを

きればもっと Linear mixture model の精度は向上すると考えられる。ピ

解率は、97.5％となり、とてもいい結果が得られた。

表表表表５．５．５．５．４４４４分類結果とトレーニングデータとの比較分類結果とトレーニングデータとの比較分類結果とトレーニングデータとの比較分類結果とトレーニングデータとの比較

類

7％

ク

NOS

構

ュ

６６６６ ASTERASTERASTERASTER画像と河川データを用いた分類法画像と河川データを用いた分類法画像と河川データを用いた分類法画像と河川データを用いた分類法６－１６－１６－１６－１河川データを使った影と水域の分類河川データを使った影と水域の分類河川データを使った影と水域の分類河川データを使った影と水域の分類６－１－１６－１－１６－１－１６－１－１河川データについて河川データについて河川データについて河川データについて

ASTER画像のみの分類では、小さな川や都市部において影を水域と誤分類している所が、画像のあちこちで見受けられた。これは、水域と影の反射の特性が似ているからであると

考えられる。また ASTER センサの 8ビットの量子化ビットを考えると、ASTER 画像だけでの

影と水域の分離は、難しいと考えた。

そこで、河川の GIS データと組み合わせて ASTER 画像からの影と水域の分類を試みる。

図 6.1 は、高知市の河川データである。出典は、高知県の防災情報のポリゴンデータであ

る。このデータは、1/2500 の地図をデジタル化したものであり、家屋、通路、河川等の情

報が含まれている。

６－１－２６－１－２６－１－２６－１－２河川データの河川データの河川データの河川データの

河川データから水域の情

川データは、ポリゴンデー

応させたIKONOS画像を使用

ポイント

No .1

No .2

No .3

No .4

No .5

No .6

No .7

表表表表６６６６．．．．１１１１

幾何補正について幾何補正について幾何補正について幾何補正について報を取得するので、ASTER画像に対応させなければならない。河

タであるので、まず1mグリッドの画像に変換し、ASTER画像に対

して幾何補正をおこなった。

図図図図６６６６．．．．１１１１河川データ河川データ河川データ河川データ


1.369m 0.567m 1.481m

0.828m 0.678m 1.069m

1.173m 0.205m 1.191m

0.321m 2.831m 2.849m

1.058m 0.559m 1.196m

0.61m 1.206m 1.351m

1.589m 2.439m 2.911m

河川データの幾何補正の河川データの幾何補正の河川データの幾何補正の河川データの幾何補正の GCPGCPGCPGCPとととと RMSRMSRMSRMSエラーエラーエラーエラー

表 6.1 は、幾何補正に使用した GCP のポイントの XY 方向の距離誤差と各点の RMS エラー

を表したものである。各点とも１ｍ以上の誤差があった。これは、河川データのみの幾何

補正であるために河川のみしか GCP を取得できなかったためであると考えられる。

河川データは、河川のデータしかないので、IKONOS 画像のカラー情報とのイメージマッ

チングは困難である。そのために目視による対応点の抽出をおこなった。アフィン変換に

より幾何補正をおこなった。表 6.2 は、河川データの幾何補正時の平均 RMS エラーを表し

ている。平均 RMS エラーは、1m 程度となり十分な精度を得ることができた。

６－２６－２６－２６－２河川デ河川デ河川デ河川デ

６－２－１６－２－１６－２－１６－２－１河河河河

影が水域に誤

る。そのために

で Linear mixtu

データを用いて

IIII :::: Band Band Band Band 1111

RRRR :::: 分類項分類項分類項分類項

CCCC :::: 変換パ変換パ変換パ変換パ

この改良され

パラメータ（Cw、Rb）を逆算できる

構築されたトレ

ータを用いたータを用いたータを用いたータを用いた Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture modelの改良の改良の改良の改良川データを用いた川データを用いた川データを用いた川データを用いた Linear mixture modelLinear mixture modelLinear mixture modelLinear mixture modelの分類手法の分類手法の分類手法の分類手法分類されたのは、水域と影の反射の特性が似ているからであると考えられ

、影と水域をひとつのカテゴリーとして植生、建物(土）、水域･影の 3分類

re model を改良し分類をおこなう。そして、水域･影の分類結果より河川

、水域と影の分離をおこなった。

DNDNDNDNiiii=(C=(C=(C=(Cwsiwsiwsiwsi*R*R*R*Rwwww+C+C+C+Cvivivivi*R*R*R*Rvvvv+C+C+C+Cbibibibi*R*R*R*Rbibibibi)))) RRRRwsiwsiwsiwsi+R+R+R+Rvivivivi+R+R+R+Rbibibibi=1=1=1=1

～～～～10101010

目の面積割合目の面積割合目の面積割合目の面積割合 RRRRwswswsws ( ( ( (水域・影水域・影水域・影水域・影), ), ), ), RRRRvvvv ( ( ( (植物植物植物植物), ), ), ), RRRRbbbb ( ( ( (建建建建

ラメータラメータラメータラメータ CCCCwswswsws ( ( ( (水域・影水域・影水域・影水域・影),),),), CCCCvvvv ( ( ( (植物植物植物植物)))), C, C, C, Cbbbb ( ( ( (建建建建

た Linear Mixture Model(式 6.1)は、ASTER 画像のバンド

Cv、Cb）がわかっていれば、水域・影、植物、建物(土)の面

ものである。変換パラメータは、ASTER 画像の対応した

ーニングデータによって求められる。

方向 RMS エラー

x 0.99m

y 1.21m

表表表表６６６６．．．．２２２２河川データの幾何補正の平均河川データの幾何補正の平均河川データの幾何補正の平均河川データの幾何補正の平均 RMSRMSRMSRMSエラーエラーエラーエラー

（式 6.1）

物物物物((((土土土土))))))))

物物物物((((土土土土))))))))

値（DNi）と変換

積割合（Rws、Rv、

IKONOS 画像から

（式 6.2）

６－２－２６－２－２６－２－２６－２－２河川データを用いた場合のトレーニングデータ河川データを用いた場合のトレーニングデータ河川データを用いた場合のトレーニングデータ河川データを用いた場合のトレーニングデータ河川データを用いた場合の Linear mixture modelのトレーニングデータは、河川データなしで分類した時の物そのまま使用した。河川データを使用する場合、水域・影、植物、

建物(土)の 3分類であるために、IKONOS 画像の分類結果の水域と影をひとつにまとめて使

用した。トレーニングデータは、河川データなしの場合のものを用いたので、数は変わら

ないために、全部で 137 個である。表 6.3 は、その内訳になっている。

６－３６－３６－３６－３河川データを用いた場合の分類の検証河川データを用いた場合の分類の検証河川データを用いた場合の分類の検証河川データを用いた場合の分類の検証６－３－１６－３－１６－３－１６－３－１河川データを用いた場合の河川データを用いた場合の河川データを用いた場合の河川データを用いた場合の Linear mixture Linear mixture Linear mixture Linear mixture 分類にしようする ASTER画像のバンドは、相関の高か河川データを用いた場合の Linear mixture modelの変換2乗法によって求めた。基本的な係数の求め方は、先ほどのの係数の求め方」で求めた方法と同じである。表 6.4 は、

各バンドの係数である。

影・水域植生

バンド１ 0.2178 0.2315

バンド２ 0.1068 0.1254

バンド３ 0.0771 0.3399

バンド５ 0.0671 0.1629

バンド６ 0.0663 0.1014

バンド７ 0.0652 0.1093

バンド８ 0.0634 0.0919

バンド９ 0.0547 0.0783

バンド１０ 0.0660 0.0783

トレーニングデータ

ミクセル

影・水域ピュアピクセル

植物ピュアピクセル

建物(土)ピュアピクセル

表表表表６．３６．３６．３６．３河川データを用いた場合の河川データを用いた場合の河川データを用いた場合の河川データを用いた場合の各分類項目のトレーニングデータの数各分類項目のトレーニングデータの数各分類項目のトレーニングデータの数各分類項目のトレーニングデータの数

表表表表６．４６．４６．４６．４河川データを用いた場合の河川データを用いた場合の河川データを用いた場合の河川データを用いた場合の LinearLinearLinearLinear

modelmodelmodelmodelの係数の係数の係数の係数った 1，2，3バンドを使用する。パラメータ（Cw、Cv、Cb）は、最小

5－2－1「Linear mixture modelトレーニングデータより求めた

32

65

20

20

データ数

建物(土)

0.3839

0.2811

0.1933

0.1725

0.1525

0.1559

0.1444

0.1356

0.1347

mixture model mixture model mixture model mixture model の係数の係数の係数の係数

６－３－２６－３－２６－３－２６－３－２河川データを用いた場合の分類結果河川データを用いた場合の分類結果河川データを用いた場合の分類結果河川データを用いた場合の分類結果図 6.2、図 6.3 図 6.4 は、Linear mixture model で分類した ASTER 画像である。水域・

影、植物、建物(土)の 3分類で分類をおこなった分類結果である。白いところほど、各分

類項目の割合が多くなっている。影画像は、わかりやすくするために白黒を反転させてあ

る。黒いところが影になっている。水域・影は、河川が黒くなっていることが確認できる。

図図図図

図図図図

図図図図６６６６．．．．２２２２建物建物建物建物((((土土土土))))の分類結果の分類結果の分類結果の分類結果

６６６６．．．．３３３３植生の分類結果植生の分類結果植生の分類結果植生の分類結果

６６６６．．．．４４４４水域・影の分類結果水域・影の分類結果水域・影の分類結果水域・影の分類結果

６－３－３６－３－３６－３－３６－３－３水域・影画像の河川データを使った水域と影の分離水域・影画像の河川データを使った水域と影の分離水域・影画像の河川データを使った水域と影の分離水域・影画像の河川データを使った水域と影の分離水域・影画像より河川データ画像を引くことによって、影を抽出する。ASTER画像の分類結果は、15mグリッドであるために、河川データは、1mグリッドから 15mグリッドの画像に変換した。そして、対応する水域・影の１画素より河川データの 1画素を引くことによって水域より影画像の抽出をおこなった。値がマイナスになるところは、0とした。

図 6.5 は、水域・影画像よ

ように、色の階調を反転して

図 6.6 は、各分類項目を各色

青に水域の面積割合を当ては

図図図図６．６．６．６．

り河川データを用いて抽出した影画像である。わかりやすい

ある。画像の黒い部分が影である。

図図図図６６６６．．．．５５５５水域を分離した影画像水域を分離した影画像水域を分離した影画像水域を分離した影画像

に分けて画像化したものである。赤に建物(土)、緑に植生、

めた。河川と影が分離されているのが確認できる。

６６６６植生・水域・建物植生・水域・建物植生・水域・建物植生・水域・建物((((土土土土))))の分類結果の合成の分類結果の合成の分類結果の合成の分類結果の合成

６－３－４６－３－４６－３－４６－３－４河川データを用いた場合の影の分類の検証河川データを用いた場合の影の分類の検証河川データを用いた場合の影の分類の検証河川データを用いた場合の影の分類の検証河川データを用いた場合の影の分類結果の検証をおこなった。Linear mixture model

により ASTER 画像より抽出された影・水域画像より河川データによって抽出された影画像

と DSM よりシミュレーションした影画像を比較した。DSM よりシミュレーションした影画像

は、1m グリッドであるために 15m グリッドに変換し比較をおこなった。検証に使用した式

は、式(5-10)と同じである。

検証をおこなった結果、17.8%の分類誤差があった。ASTER 画像のみの場合、20.8％だっ

たので 3%、精度が向上したといえる。残りの誤差は、画像の撮影時期が違っていることや、

ASTER センサの量子化ビットが 8 ビットであること、ASTER 画像と IKONOS 画像の幾何補正

の精度によるものだと考えられる。本研究で使用したデータでは、この分類が精度の限界

であると考えた。

７７７７都市密度の分類都市密度の分類都市密度の分類都市密度の分類７－１７－１７－１７－１都市密度の分類手法都市密度の分類手法都市密度の分類手法都市密度の分類手法７－１－１７－１－１７－１－１７－１－１本研究での都市密度本研究での都市密度本研究での都市密度本研究での都市密度本研究では、ASTER画像より分類された分類結果を用いて都市分類をおこなう。まず本研究での都市分類について定義付けをおこなった。本研究での都市密度とは、あるエリア

において、高層建築が多いか、低層建築が多いかということと、高層建築が密集している

単一高層か、複数高層群かということとする。この定義をもとに都市分類をおこなった。７－１－２７－１－２７－１－２７－１－２都市密度の分類手法都市密度の分類手法都市密度の分類手法都市密度の分類手法都市密度を調べるために、ASTER画像より分類された影画像を使用する。ある一定の範囲を選定して、影の面積割合がどのようになっているかをヒストグラムで表すことで傾向

がどうなっているのかを調べた。都市の建物の状態が高層建築が多いか、低層建築が多いのか傾向を知るために影の分類

結果を使用する。大きな影が多いエリアでは、高層な建物があるということで、小さな影

が多いエリアでは、低層な建物があるということである。図 7.1 は、DSM よりシミュレーシ

ョンした高層と低層の都市の影画像である。

都市の高層建

べるために、影

がいいと考えら

リーとしたため

数建築群である

・大きな影があったら高層な建物がある

・小さな影があったら低層な建物がある

都市部住宅地

築の建物の状態が単一高層であるか複数建築群であるか、ということを調

画像を使用する。これを調べるためには、建物(土)の分類結果を使用するのれるが、今回の分類では、建築物、道路、土すべてを含めて 1つのカテゴに、建物(土)の分類結果により高層建築の建物の状態が単一高層であるか複かを知ることは、困難と考えた。あるエリア内で影画像である値以上の面

図図図図７７７７．．．．１１１１ DSMDSMDSMDSMからの低層・高層部の影のシミュレーションからの低層・高層部の影のシミュレーションからの低層・高層部の影のシミュレーションからの低層・高層部の影のシミュレーション

積割合を持つ画素を用いて、画像に写るすべての影の画素の 2つの画素間の距離をヒストグラムに表す。そのヒストグラムで高層建築群が、単一高層建築であるか複数高層建築群

かの傾向を調べる。ある値は、都市の状態が高層か低層かの傾向をみて判断する。また水

域、植生、都市をうまくエリアで分離するために影が何によって発生したのかを調べる。

今回の ASTER画像の影は、ほぼ南から 40度という角度で太陽が当たることによって発生している。この場合、南から北に建物、植物によって影が発生していることになる。そこ

で、ASTER画像 1画素の影が何でできているのかを 1つ南の画素の植物、建物(土)の面積割合で大きかったほうの影であるとすることとした。植物の面積割合が多かった場合、植

物影、建物の面積割合が多かった場合、建物影とするようにした。

図 7.2 は、本研究

の水域がエリアの半

エリアの分類 Start

水域水が半分以下

植生・植生影が半分以下

植生

Yes

Yes

建物影の面積割合が一定以上

低層住宅 No

影が単一である複数高層建築群 No

単一高層 Yes

Yes

No

No

における都市密度の分類の手順を示したものである。まずあるエリア

分以上を占めていたら水域とする。そして次に植生の面積割合と植物

図図図図７７７７．．．．２２２２都市密度分類のフローチャート都市密度分類のフローチャート都市密度分類のフローチャート都市密度分類のフローチャート

影がエリアの半分以上を占めていたら植生域とする。そして建物影の面積割合の大小で、

そのエリアに高層建築があるかないかを調べる。そして高層建築があった場合、エリア内の影の 2つの距離を求めることにより、その高層建築が単一高層建築であるか複数建築高層群であるかを決定する。この手順によって都

市密度の検証をおこなう。

選定したエリアは、都市の高層建築が多いエリアと、住

種類である。図 7.3 は、テストエリアとした場所を示して

像を目視で確認し高層のビルが多い都市部を高層建築エリ

築が多いエリアを低層建築のエリアとした。高層建築エリア１と低層建築エリア１は、ほぼ同じ面積

築エリア２と低層建築エリア２は、それぞれ面積を変えて

べた。この範囲で影画像を抜き出し、影の面積割合と平均

とで、影と都市が低層か高層かであるかということの関係

また単一高層建築であるか複数高層建築群かは、ASTER用いて、高層建築が 1つあるエリアを単一高層建築エリアあり離れているエリアを複数高層建築群エリア１、２とし

テストエリアとした。テストエリアは、ほぼ同じ面積で取

高層建築エリア高層建築エリア高層建築エリア高層建築エリア 1111

高層建築エリア２高層建築エリア２高層建築エリア２高層建築エリア２低層建築エリア２低層建築エリア２低層建築エリア２低層建築エリア２

単一高層建築エリア１単一高層建築エリア１単一高層建築エリア１単一高層建築エリア１

単一高層建築エリア２単一高層建築エリア２単一高層建築エリア２単一高層建築エリア２

複数高層建築群エリア２複数高層建築群エリア２複数高層建築群エリア２複数高層建築群エリア２

図図図図７７７７．．．．３３３３都市密度分類のエリ都市密度分類のエリア都市密度分類のエリ都市密度分類のエリア

低層建築エリア１低層建築エリア１低層建築エリア１低層建築エリア１

複数高層建築群エリア２複数高層建築群エリア２複数高層建築群エリア２複数高層建築群エリア２

宅などの低層建築が多くある 2いる。IKONOS画像と DSM画アとした。また住宅や低層の建

をテストエリアとした。高層建

どのような変化があるのかを調

高度のヒストグラムを調べるこ

を明らかにした。画像より分類された影の画像を

1、２とし、高層建築が２つ以上た。図 7.3に示されている場所を得した。

ア区域区域ア区域区域

７－２７－２７－２７－２都市密度の検証都市密度の検証都市密度の検証都市密度の検証７－２－１７－２－１７－２－１７－２－１都市密度分類の検証手法都市密度分類の検証手法都市密度分類の検証手法都市密度分類の検証手法都市密度の分類の検証には、建築物のポリゴンデータと DSMと四国の 50ｍメッシュのDEMを組み合わせたものを使用する。高知市の建築物 GIS データと DSMと四国の 50ｍメッシュの DEMを組みあわせて、建築物の高さのみにした画像を作成し、それにより検証をおこなう。高層建築か低層建築かは、指定したエリアの建築物の平均の高さを調べるこ

とで検証をおこなう。都市が疎か密かということは、建築物の建築面積と植物の面積を比

べることで検証をおこなう。７－２－２７－２－２７－２－２７－２－２四国四国四国四国 DEMDEMDEMDEM、建物ポリゴンの説明、幾何補正、建物ポリゴンの説明、幾何補正、建物ポリゴンの説明、幾何補正、建物ポリゴンの説明、幾何補正

図 7.4 は、国土地理

り、建物や木などは含

て DSM より地面の高さ

する。

図 7.5 は、高知市の

ので、IKONOS 画像と比

があるところが黒く表

建物のみの高さが入っ

ポリゴンデータと高さ

る対応点の抽出をおこ

院発行の四国 50m メッシュの DEM 画像である。DEM は、DSM とは異な

めずに地面の高さのみの高さデータである。この DEM データを用い

を引くことにより、DSM を建築物だけの高さ情報が入ったものを作成

建築物ポリゴンデータである。データは、2001 年に作成されていた

較して、建物の有無を目視により確認し、補正をおこなった。建物

されている。このポリゴンデータを DSM と組み合わせることにより、

た建物画像情報を作成する。ポリゴンデータと DSM の幾何補正は、

情報のためイメージマッチングでは困難であることから、目視によ

なった。

図図図図７７７７．．．．４４４４四国の四国の四国の四国の DEMDEMDEMDEM画像画像画像画像

ポイント

No .1

No .2

No .3

No .4

No .5

No .6

No .7

No .8

No .9

No .10

表 7.1 は GCP 各点の RM

エラーは 1m 以下になり十

分類の検証をおこなう。

表表表表７７７７．．．．１１１１建建建建

表表表表７７７７．．．．２２２２

図図図図７７７７．．．．５５５５高知市の建物ポリゴンデータ高知市の建物ポリゴンデータ高知市の建物ポリゴンデータ高知市の建物ポリゴンデータ


-0.918m -0.099m 0.278m

0.538m 0.678m 0.398m

-0.765m 0.122m 0.065m

0.864m 0.994m 0.185m

1.210m 0.564m 0.454m

-1.107m 0.826m 0.159m

0.221m -1.535m 0.247m

-0.935m 0.726m 0.346m

0.476m -0.262m 1.346m

0.416m -2.014m 2.346m

物ポリゴンデータの幾何補正の各点の物ポリゴンデータの幾何補正の各点の物ポリゴンデータの幾何補正の各点の物ポリゴンデータの幾何補正の各点の RMSRMSRMSRMSエラーエラーエラーエラー

方向 RMS エラー

X方向誤差 0.75m

Y方向誤差 0.99m

S エラーを示している。表 7.2 は、平均の RMS エラーである。RMS

分な精度を得ることができました。このデータを用いて都市密度

建物ポリゴンデータの幾建物ポリゴンデータの幾建物ポリゴンデータの幾建物ポリゴンデータの幾何補正の平均の何補正の平均の何補正の平均の何補正の平均の RMSRMSRMSRMSエラーエラーエラーエラー

７－２－３７－２－３７－２－３７－２－３建物高さ情報の作成建物高さ情報の作成建物高さ情報の作成建物高さ情報の作成高知市の建築物ポリゴンデータと DSMを組み合わせて、四国の 50ｍメッシュの DEMで地表の高さ引いて、高さ情報だけの建物データを作成した。幾何補正された 1mグリッドの高知市の建築物ポリゴンデータと DSMを重ねて、建築物のポリゴンデータが存在するグリッドに DSMより高さ情報を抜き出すようにした。四国の 50mメッシュの DEMを 1ｍグリッドに変換したものを高さ情報だけの建物データに重ね、重なったグリッドの高さを

差し引いて、建物のみの高さ情報が入った画像を作成した。

図 7.6 は、建物のみ

白いところほど高い建

れ、建物だけの建物に

証をおこなう。

の高さ情報が入った画像である。白黒の濃淡は、高さを表しており、

築物になっている。標高が高いところにあった建物も高さが補正さ

なっていることが確認できた。この画像を用いて都市密度分類の検

図図図図７７７７．．．．６６６６建物のみの高さ画像建物のみの高さ画像建物のみの高さ画像建物のみの高さ画像

７－２－４７－２－４７－２－４７－２－４都市密度分類のテストエリアの影の傾向都市密度分類のテストエリアの影の傾向都市密度分類のテストエリアの影の傾向都市密度分類のテストエリアの影の傾向

まず、影を植物影と建物影に分類した。図 7.7 は、植物影と植生影の分類方法を示した

ものである。ある画素において一つ南の画素の植物、建物(土)の面積の比率によって、あ

る画素の影の面積割合を求めた。

図 7.8、図 7.9 は、植

る。わかりやすいように

ている。目視により、I

いるようであった。

植物 70㎡建物(土 30㎡

影 50㎡

一つ南画素の面積

ある画素の影の面積

植物影、35㎡建物影、15㎡

ある画素の影の分類結果

物と都市(土)の面積比率により求めた、植物影と建物影の画像であ

、白黒を反転しており、画像の黒くなっているところが影になっ

KONOS 画像と見比べたところ、植物影と、建物影を分類は成功して

図図図図７７７７．．．．７７７７植物影と植生影の分類方法植物影と植生影の分類方法植物影と植生影の分類方法植物影と植生影の分類方法

図図図図７７７７．．．．８８８８植物影画像植物影画像植物影画像植物影画像

図図図図７７７７．．．．９９９９建物影画像建物影画像建物影画像建物影画像

都市の状態が高層建築が多いか、低層建築が多いかということを調べるためにテストエ

リアを用いて陰の傾向がどうなっているのかを調べた。図 7.10、図 7.11 は、低層建築エリ

アの影画像である。影画像は、白いところほど影の面積割合が多くなっている。図 7.12、

図 7.13 は、低層建築エリアの建物のみ高さ情報である。表 7.3 は、低層エリアのエリア面

積を示している。

低層エリア１低層エリア２

影画像影画像

図図図図

建築物のみ高さ画像

エリア

低層建築エリア１ 1

低層建築エリア２

図図図図７．７．７．７．１０１０１０１０低層低層低層低層エリア１影画像エリア１影画像エリア１影画像エリア１影画像

７．７．７．７．１２１２１２１２低層エリア１の建築物のみ高さ画像低層エリア１の建築物のみ高さ画像低層エリア１の建築物のみ高さ画像低層エリア１の建築物のみ高さ画像

図図図図７．７．７．７．１１１１

表表表表７７７７．．．．３３３３各低層テスト各低層テスト各低層テスト各低層テスト


図図図図７．７．７．７．１１１１１１１１低層エリア低層エリア低層エリア低層エリア２２２２影画像影画像影画像影画像

３３３３低層エリア低層エリア低層エリア低層エリア２２２２の建築物のみ高さ画像の建築物のみ高さ画像の建築物のみ高さ画像の建築物のみ高さ画像

面積(㎡)

13452

44491

のエリアの面積のエリアの面積のエリアの面積のエリアの面積

図 7.14、図 7.15 は、高層建築エリアの影画像である。影画像は、白いところほど影の面積

割合が多くなっている。図 7.16、図 7.17 は、高層建築エリアの建物物のみ高さ情報である。

表 7.4 は、高層エリアのエリア面積を示している。

高層エリア１高層エリア２

影画像影画像

図図図図


エ

高層建築エリア 1

高層建築エリア 2

図図図図７．７．７．７．１４１４１４１４高層高層高層高層エリア１影画像エリア１影画像エリア１影画像エリア１影画像

７．７．７．７．１６１６１６１６高層高層高層高層エリア１の建築物のみ高さ画像エリア１の建築物のみ高さ画像エリア１の建築物のみ高さ画像エリア１の建築物のみ高さ画像図図図図７．７．７．７．１７１７１７１７

表表表表７７７７．．．．４４４４各高層テストのエ各高層テストのエ各高層テストのエ各高層テストのエ


図図図図７．７．７．７．１５１５１５１５高層高層高層高層エリアエリアエリアエリア２２２２影画像影画像影画像影画像

高層高層高層高層エリアエリアエリアエリア２２２２の建築物のみ高さ画像の建築物のみ高さ画像の建築物のみ高さ画像の建築物のみ高さ画像

リア面積(㎡)

113525

69517

リアの面積リアの面積リアの面積リアの面積

図 7.18、図 7.19 は、高層建築エリア１、高層建築エリア２、低層建築エリア１、低層建

築エリア２をそれぞれのエリア内の影画像のヒストグラムを表したものである。横軸は、1

画素中に占める影の面積を表している。縦軸は、エリア中の画素の割合を示している。

0

2

4

6

8

10

12

14

0

10

20

30

エリア中の

画素

の割

合(%

)

低層建築

低層建築

0

2

4

6

8

10

12

14

0 10 20 30

エリア中

の画

素の

割合

(%)

高層建築エ

高層建築エ

表表表表７７７７

図図図図

表表表表７７７７．．．．６６６６

40

50

60

70

80

90

100

110

120

130

140

150

160

170

180

190

200

210

220

1画素の中の影の面積(㎡）

ASTER画像から抽出された影

DSMからの影


DSMからの影

図図図図７．７．７．７．１８１８１８１８低層建築と影の面積の関係低層建築と影の面積の関係低層建築と影の面積の関係低層建築と影の面積の関係

低層エリア 1

低層エリア２

しきい値

建築物の平均高さ(m) 建物面積(㎡)

エリア１ 3.95 65215

エリア２ 4.24 25596

．．．．５５５５各低層エリアの建物の平均高さと建物面積各低層エリアの建物の平均高さと建物面積各低層エリアの建物の平均高さと建物面積各低層エリアの建物の平均高さと建物面積

40 50 60 70 80 90

100

110

120

130

140

150

160

170

180

190

200

210

220

1画素の影の面積(㎡)


DSMからの影

ASTERから抽出された影

DSMからの影

７．７．７．７．１９１９１９１９高層建築と影の面積の関係高層建築と影の面積の関係高層建築と影の面積の関係高層建築と影の面積の関係

高層エリア 1

高層エリア２

しきい値

建築物の平均高さ(m) 建物面積(㎡)

リア 1 14.18 60552

リア 2 9.41 39706

各高層エリアの建物の平均高各高層エリアの建物の平均高各高層エリアの建物の平均高各高層エリアの建物の平均高さと建物面積さと建物面積さと建物面積さと建物面積

表 7.5、表 7.6 は、対象エリアの高層低層の建築物の平均高さと建築面積を表しており、

建築物のみの高さ情報より求めたものである。

高層建築物のエリアの影の面積割合のヒストグラム（図 7.19）のほうが、低層建築物のグラフ（図 7.18）に比べて平坦で、大きな影か少なからずあることがわかる。また高層建築物エリア 1，2 と低層建築エリア 1，2 それぞれのエリアの影のヒストグラムは、似たような傾向を示していることがわかる。この傾向を見ると、今回使用した ASTER画像の撮影された条件では、高層建築物があるエリアと低層建築物があるエリアの大きな違いは、1画素の面積割合が 180 ㎡を超える影があるかないかということであると見て取れる。よって180㎡以上の画素が存在する場合、高層建築があるということとする。この結果は、太陽の方位、高度によって変わってくると考えられる。したがって影の面積が 180 ㎡以上という結果は、今回のみの条件である。この結果を用いて、単一高層建築であるか複数高層建築

群であるかを調べる。図 7.20、図 7.21、図 7.22、図 7.23 は、単一高層建築と複数高層建築群のテストエリアにおける影の分類画像であり、影の面積が 180 ㎡以上あるところを白く表した。この画像を用いて影の 2 画素間の距離を調べることにより、影と影の間の距離がどのようになっているのか傾向を調べる。テストエリアの面積は、すべて 22500㎡である。

図図図図

のののの

図図図図

のののの

７．７．７．７．２０２０２０２０単一高層建築エリア１単一高層建築エリア１単一高層建築エリア１単一高層建築エリア１

面積面積面積面積 180180180180㎡以上の影画像㎡以上の影画像㎡以上の影画像㎡以上の影画像のののの

面積面積面積面積 180180180180㎡以上の影画像㎡以上の影画像㎡以上の影画像㎡以上の影画像のののの

７．７．７．７．２１２１２１２１単一高層建築エリア単一高層建築エリア単一高層建築エリア単一高層建築エリア２２２２

面積面積面積面積 180180180180㎡以上の影画像㎡以上の影画像㎡以上の影画像㎡以上の影画像

図図図図７．７．７．７．２２２２２２２２複数複数複数複数高層建築エリア１高層建築エリア１高層建築エリア１高層建築エリア１
図図図図７．７．７．７．２３２３２３２３複数複数複数複数高層建築エリア高層建築エリア高層建築エリア高層建築エリア２２２２
面積面積面積面積 180180180180㎡以上の影画像㎡以上の影画像㎡以上の影画像㎡以上の影画像

図 7.24、図 7.25は、単一高層建築エリア１、単一高層建築エリア２、複数高層建築群エリア１、複数高層建築群エリア２を、それぞれのエリア内の 2 つの影の距離をヒストグラムで表したものである。横軸は、影と影の間の距離を表している。縦軸は、影と影の距離

の全体の占める割合を示している。

0

10

20

30

40

50

60

距離

の割合

(%)

0

10

20

30

40

50

60

距離

の割

合(%

)

図 7.25を見きくなる傾向

のグラフ(図 7割合が多くな

図図図図

0 15 30 45 60 75 90 105 120 135 150 165 180 195 210

影と影の距離（m）

単一高層建築エリア1

単一高層建築エリア2

図図図図７．７．７．７．２４２４２４２４単一高層エリアの影と影の間の距離のグラフ単一高層エリアの影と影の間の距離のグラフ単一高層エリアの影と影の間の距離のグラフ単一高層エリアの影と影の間の距離のグラフ

0 15 30 45 60 75 90 105 120 135 150 165 180 195 210

影と影の距離(m)

複数高層建築群エリア1

複数高層建築群エリア２

てわかるように、高層建築物が 2つ以上あるエリアでは、影と影の距離が大がり、グラフに 2 つのピークがあることがわかる。また単一高層建築エリア.24)では、影と影の距離が短くなるために 2つの影の間の距離が短いところでっている。

７．７．７．７．２５２５２５２５複数高層エリアの影と影の間の距離のグラフ複数高層エリアの影と影の間の距離のグラフ複数高層エリアの影と影の間の距離のグラフ複数高層エリアの影と影の間の距離のグラフ

７－２－５７－２－５７－２－５７－２－５グリッド区切りによる都市密度分類グリッド区切りによる都市密度分類グリッド区切りによる都市密度分類グリッド区切りによる都市密度分類図 7.26は、画像を 150mグリッドで区切った ASTER画像の分類結果の画像である。

1グリッドを 1エリアとし、そのエリアの中の影の面積割合の値を調べることによりグリッドで都市密の分類がうまくいっているのかを検証する。ASTER画像は、15ｍのグリッドの画像であるために 150ｍのグリッドなら 100の画素を持つことになる。150ｍのグリッドであるためにそれぞれ 100 程度の画素で、その選択したエリアの傾向を捉えることができると考えたからである。

エ

植

建物影

1

リアの分類 Start

水域エリア水が半分以下

生・植生影が半分以下植生エリア

Yes

Yes

の面積が 180㎡のものがる低層住宅エリア No

80㎡以上影の間の距離がすべて 75ｍ以内

複数高層建築

群エリア

No

単一高層エリア Yes

Yes

No

No

図図図図７．７．７．７．２６２６２６２６グリッドで区切った影画像グリッドで区切った影画像グリッドで区切った影画像グリッドで区切った影画像

図図図図７．７．７．７．２７２７２７２７都市密度分類のフローチャート都市密度分類のフローチャート都市密度分類のフローチャート都市密度分類のフローチャート

図 7.27のフローチャートは、グリットで区切られたエリアを分類するときの手順を示したものである。まず１エリア内の水域がエリアの半分以上を占めていたら水域エリアと

する。そして次に植生と植物影の面積割合が１エリア内の半分以上を占めていたら植生エ

リアとする。そして今回の影画像では、建物影の面積割合が 180㎡以上あるところを高層建築エリアとして分類する。よって、建物影面積が 180㎡以上ないエリアを低層建築物エリアとした。また建物影面積が 180㎡を超えるところの中で、180㎡以上の面積を越える建物影と建物影の間の距離が、すべて 75m以下なら単一高層建築エリアとし、それ以外を複数高層建築群エリアとした。グリッドに区切ったエリアは、全部で 18（横）×12（縦）の 216エリアある。図 7.27のフローチャートをもちいて分類をおこなった結果、図 7.28のような結果となった。緑は植生エリア、青は水域エリア、茶色は低層建築エリア、灰色は単一高層建築エリ

ア、白色は複数高層建築群エリアを示している。

植生エリア

水域エリア

低層建築エリア

単一高層建築エリア

複数高層建築エリア

図図図図７．７．７．７．２８２８２８２８都市密度分類の結果都市密度分類の結果都市密度分類の結果都市密度分類の結果

７－２－６７－２－６７－２－６７－２－６都市密度分類の検証都市密度分類の検証都市密度分類の検証都市密度分類の検証都市密度分類の検証をおこなった。検証には、IKONOS画像と DSMを用いた。グリットで区切り分類されたカテゴリーを IKONOS画像、DSM画像を用いて目視で確認をおこなった。図 7.29と図 7.30は、グリッドで区切った IKONOS画像と DSM画像である。この画像を用いて目視判読で分類結果の検証をおこなった。

図図図図

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

1 2

図図図図７．７．７．７．２９２９２９２９都市密度分類検証用の都市密度分類検証用の都市密度分類検証用の都市密度分類検証用の IKONOSIKONOSIKONOSIKONOS画像画像画像画像

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

1

2

3

4

5

6

7

8

9

10

11

12

７．７．７．７．３０３０３０３０都市都市都市都市密度分類検証用の建物密度分類検証用の建物密度分類検証用の建物密度分類検証用の建物 DSMDSMDSMDSM画像画像画像画像

1

2

3

4

5

6

7

8

9

10

11

12

図 7.31は、目視判読により分類結果を検証した結果を表したものである。上と左にある数字は、グリッドの番地を行列で示すのに利用する。青で示されたグリッドは、IKONOS画像、DSM画像と分類項目を比較して、分類項目が正しいと判断したところである。そして今回は、高層建築エリアかどうかは、DSM画像を用いて 1エリア内に 20m以上

の建築物がある場合と判断した。今回使用した ASTER画像の分解能は、15mである。そして太陽の高度 40°方位 163°を考えると、一画素中に 180㎡という影ができるのは、1画素(15ｍ)いっぱいに建物があったとして、最低約１０ｍ程度の高さは必要である。図 7.16を見たところ、単一高層建築エリアも複数高層建築群エリアも最低 10ｍ以上の高さであるといえる。そのため、10mの倍の 20m以上の建築物があった場合高層建築エリアとした。よって 5～6階(20m)を高層建築と考え、DSM画像により 20m以上の建築物を高層建築とし分類の検証をおこなった。また赤で示されたグリッドは、IKONOS画像と DSM画像との目視判読の結果、分類項

目が間違っていると判断したグリッドである。IKONOS画像により、間違っていると判断したグリッドの原因を調べた。

1111 2222 3333 4444 5555 6666 7777 8888 9999 10101010 11111111 12121212 13131313 14141414 15151515 16161616 17171717 18181818

1111 正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正不不不不正正正正不不不不正正正正正正正正正正正正正正正正

2222 正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正不不不不不不不不不不不不正正正正正正正正正正正正不不不不正正正正正正正正正正正正

3333 正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正不不不不正正正正正正正正正正正正正正正正正正正正

4444 正正正正正正正正正正正正正正正正不不不不正正正正正正正正正正正正正正正正不不不不正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正

5555 正正正正正正正正不不不不正正正正正正正正正正正正不不不不正正正正正正正正不不不不不不不不不不不不不不不不不不不不正正正正正正正正正正正正正正正正

6666 正正正正正正正正正正正正正正正正正正正正正正正正不不不不不不不不不不不不不不不不正正正正不不不不正正正正正正正正正正正正正正正正正正正正正正正正

7777 正正正正正正正正正正正正正正正正正正正正不不不不正正正正正正正正正正正正不不不不不不不不不不不不不不不不不不不不正正正正不不不不正正正正不不不不

8888 正正正正正正正正正正正正正正正正正正正正正正正正正正正正不不不不不不不不正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正

9999 正正正正正正正正正正正正正正正正正正正正正正正正不不不不正正正正正正正正不不不不正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正

10101010 正正正正正正正正不不不不不不不不正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正

11111111 不不不不不不不不正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正

12121212 正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正

分類の正解率は

された分類項目が

層建築エリアであ

グリッド（6行た。IKONOS画像

、216個中 178個が正解と判断でき、82.4％の正解率であった。赤で示、なぜ誤分類されたのかを確認した。特に市街地の多くのエリアで、高

るのに、低層建築エリアと分類されるところが多くあった。、10列）あたりでは、高層建築エリアが低層建築エリアと分類されていで目視により確認したところ、市街地の商店街などアーケードのように

図図図図７．７．７．７．３１３１３１３１都市密度分類の目視分類結果都市密度分類の目視分類結果都市密度分類の目視分類結果都市密度分類の目視分類結果

建物と建物の間が開いていないエリアは、低層建築物エリアと分類されていることがわか

った。建物と建物の間が開いていないエリアでは、高低差がなくなるので、影のできる面

積が少ないためだと考えられる。また植生により高低差がなくなるところも確認できた。グリッド(5行、7列)では、グリッドで区切ったために、グリッドの端に高い建物が含ま

れているエリアも存在した。またその逆もあり、グリッド（7行、16列）では、影だけが入り込み高層建築エリアに分類されているグリッドも確認した。そのエリアは、グリッド

の端に影だけが含まれており高層建築エリアになっているが、もともとのエリアは、低層

建築エリアのため高さの最大値が低くなっていることが確認できた。また分類が不正解であったグリッドの理由としては、高いビルは存在するが、ビルの面

積が小さいために影の面積が小さくなったことで、低層建築エリアと分類されているグリ

ッドがあったり、建築物の向きによって影が小さくなっているグリッドも確認できた。グリッド（11行、2列）では川の高低差が原因となって影が発生し、高層建築エリアと

分類されていた。植生エリアと水域エリアは、IKONOS画像と目視により比較したところ、うまく分類さ

れていることが確認できた。今回は、影の面積が 180㎡以上あるところを高層建築物エリアとしたが、これが使用で

きるのは、今回の ASTER画像のみである。今後は、ASTER画像の他次期での分類おこなう必要がある。ASTER画像が撮影された時のいろいろな太陽の方位、高度で都市密度を分類することにより影と都市密度の関係を明らかにしていけると考える。

８８８８考察考察考察考察

①Linear mixture modelによるASTER画像からの影の抽出

今回、ASTER画像、IKONOS画像、DSM画像の幾何補正は、イメージマッチングを用いるこ

とによりx方向ｙ方向とも約4mの誤差で幾何補正をおこなうことができた。

ASTER画像のミクセル解析をLinear mixture modelを用いて本研究の中でおこなった。

ASTER画像のみより影を抽出する場合は、DSMとの誤差は、20.8％であった。幾何補正の精

度からすると妥当な精度ではあった。しかし、小さい河川が影と分類されていたり、都市

部の影が水域と分類されていることがあった。その理由として上げられるのは、以下のよ

うなことが考えられる。

・影と水域のセンサに対する電磁波の反射の特性が似ていること

・ASTERセンサの量子化ビットが8ビットであること（実質7ビット程度）

・ASTER画像の水域、影のバンド値が低いこと

・ASTER画像とIKONOS画像の幾何補正の精度の問題

影は太陽光が当たっていない、水域は太陽光を吸収してしまうという性質を持っている。

そのため反射の特性がとても似ていることになる。よって影と水域と分類されたり、水域

を影と分類したりすることがあった。また、ASTERセンサーの量子化ビットが8ビットであ

るのと、影、水域のバンド値が低いことも、分類誤差につながったと考えられる。

そのため、GISの河川データを用い水域と影を分類することを試みたが、DSMとの誤差は、

17.8％であった。河川データを用いても約3％分類精度が上がっただけであり、DSMよりシ

ミュレートした影との誤差は、なかなか縮まらなかった。これは、ASTER画像の幾何補正の

問題であると考えられる。

②Linear mixture modelによるミクセル解析

ASTER画像をLinear mixture modelで分類したときに、ピュアピクセルの主分類結果は、

97.5％とよかったのだが、ミクセルの主分類結果は、43.7％とあまりいいものではなかっ

た。その理由として以下のことが考えられた。

・ASTER画像とIKONOS画像の撮影時期に差があること

・ASTER画像とIKONOS画像の幾何補正の精度の問題

ASTER画像とIKONOS画像の撮影時期が違うために、トレーニングデータに誤差が発生した

と考えられる。Linear mixture modelを使用した分類では、トレーニングデータにより分

類の精度が決まるためにトレーニングデータは、重要であるといえる。そのため、ASTER画

像とIKONOS画像の幾何補正の精度も重要になってくる。本研究では、テンプレートを用い

画像相関によりGCPを取得していったが、ミクセルの分類の結果を考えると、それでも十分

ではなかったのかもしれない。

今後は、Linear mixture modelを用いる場合、より正確なトレーニングデータを構築す

る必要があると考えられる。そのためにASTER画像の幾何補正の精度を高めていく方法を考

えなければならない。また、同一周期ではないが、ほぼ同時期に撮影されたASTER画像と

IKONOS画像を用いることによりミクセル解析の精度を高めることができるはずである。

③影を用いた都市分類について

影を用いた都市分類では、Linear mixture modelで求めた影画像を用いて分類をおこな

った。グリッドに区切り分類をおこなった結果、82.4％の精度で、分類をおこなうことが

できた。しかし高層建築エリアが低層建築エリアと誤分類されているところが市街地にい

くつかあった。原因として考えられるのは、市街地の商店街などアーケードのように建物

と建物の間が開いていないエリアは、高低差がなくなるので、影のできる面積が少ないた

めだと考えられる。しかし建物と建物の間に15ｍ以上の道路があれば、分類可能であると考えられる。またグリッドで区切って都市分類をおこなったために、グリッドの端に高い建物が含ま

れているエリアも存在した。またその逆もあり、低層建築エリアで高い建物の影が含まれ

ており高層建築エリアと誤分類されているエリアもあった。エリアをグリッドでなく町丁

目のように任意の形に区切って、都市分類することも可能であり、大きな問題ではなかっ

た。今回使用した ASTER画像の分解能は、15mである。そして太陽の高度 40°方位 163°

を考えると、一画素中に 180㎡という影ができるのは、1画素(15ｍ)いっぱいに建物があったとして、最低約 10ｍ程度の高さは必要である。単一高層建築エリアも複数高層建築群エリアも最低 10ｍ以上の高さであるといえる。今回 20mという高さで高層建築があるかないかを判断したが、グリッドによる誤差を除けば、高層建築物エリアと分類されたエリアは、

高い建物がありうまく分類されていると考えられる。以上のことを踏まえて、この都市分類法が適応可能であるのは、影が確認できるエリア

であるといえる。今回は、影の面積が 180㎡以上あるところを高層建築物エリアとしたが、これが使用で

きるのは、今回の 1つの季節の ASTER画像のみである。今後は、他時期の ASTER画像の分類をおこなう必要がある。ASTER画像が撮影された時のいろいろな太陽の方位、高度で都市密度を分類することにより影と都市密度の関係を明らかにしていけると考える。

９おわりに（研究のススメ）

この研究を始めたのは、2003年の春からです。しかしこの研究に行き着くには、さまざ

まな紆余曲折がありました。修士論文で自分がリモートセンシングに手を染めてしまうと

は、去年の2002夏の自分は夢にも思わなかったでしょう。まさにリモートセンシングや衛

星などは、途方もない話でした。2度のモンゴル観測を経験し千葉大学の大変さを身にしみ

てわかっている私には、とても敷居の高いもの感じられました。

始めは、ASTER画像やIKONOS画像をいじるのはもとより、見ることでさえとても困難に感

じました。一番苦しめられたのは、プログラミングでした。簡単なプログラミングは経験

したことがありましたが、画像処理のプログラミングは研究を開始するまで書いたことな

ど一度もありませんでした。しかしリモートセンシングの世界に飛び込んでみるもので、

一歩を踏み込んだら違う世界が見えてくるもので、やってみるものだと思いました。分類

がうまくいった(そう思った)時などは、喜びはひとしおでした。

『大学に入ったのだから研究をしないともったいない』とよく言われていますが、まさ

にそのとおりだと今の僕は自身を持って言います。講義で得られないものが、研究にはあ

ると思います。実際に研究をおこなうことで得られる知識は、講義で得られるものよりも

大きいし重要であると思います。とえらそうなこといっている私ですが、まだリモートセ

ンシングの門の入り口をくぐったくらいだと考えています。しかし研究をすることで自身

がつきましたし、多くの知識、技術を得ることができました。研究をしているとつらいこ

ともありますけどやっぱり大学に入ったんだから研究で自分を磨くべきだと思います。こ

の研究を通して感じた『研究のススメ』でした。

１０謝辞

論文の最後で申し訳ないですが、最後にこの論文にかかわっていただいた方に厚くお礼

申し上げます。大学の学生生活6年間からこの論文をまとめるにあたり最後までご指導ご鞭

撻いただいた高木先生には感謝の言葉もありません。いつも研究室を明るくしてくれた研

究室のメンバーには感謝の言葉もありません。特にジョンさん、宮田君には、研究当初か

らかかわっていただきミクセルには共に苦しめられましたし、共に研究の喜びも得られた

と思っています。トレーニングデータの構築、幾何補正など手伝ってもらって本当に助か

りました。

同大学の大内和夫教授には、本論文中の内容に関して、多くの貴重なご意見を賜りまし

た。同学科の大内雅博教授には、多くの貴重なご意見を賜りました。また本論文の研究用のデータを提供していただいた国際航業、スペースイメージング社

の方には、とても感謝しております。

さらに学生生活を通じてお世話になった、友人、クラブの後輩、自分を支えてくれたみ

んなにはとても感謝しています。

この研究でお世話になった方に、ここで謹んで御礼申し上げます。

参考・引用文献参考・引用文献参考・引用文献参考・引用文献 [1] 吉野敦雄：草原において土壌の状態が人工衛星に及ぼす影響，高知工科大学修士論文，研究室資料より，2003年１月 [2]竹内歩：衛星リモートセンシングによる土地被覆特性解析に基づいた湿地域からのメタン発生量の推定，東京大学修士論文，HPより DL，2001/02/14． [3]門田貴江：高分解能衛星画像における地上基準点の取得方法，高知工科大学修士論文，研究室資料より，2003年１月 [4]日本リモートセンシング研究会，リモートセンシングハンドブック，宇宙開発事業団，pp98‐108 [5]村井俊二，空間情報工学(1999)，日本測量協会 [6]Takashi Nakajima, Guo Tao, Yoshifumi Yasuoka，“Simulated recovery of information in shadow area on IKONOS image by combing ALS data”，23NDACRS論文集より，2002年 11月 [7]Annemarie Schneider, Mark A. Friedl, Douglas K.Mclver, Curtis E. Woodcock，“Mapping urban areas by fusing multiple sources of coarse resolution remotely sensed data”，Photogram metric Engineering & Remote Sensing Vol.69 No.12，December 2003，pp.1377-1386 [8]D.Geneletti, B.G.H.Gortr，“A method for object-oriented land cover classification combining Landsat TM data and aerial photographs”， International Journal of Remote Sensing Vol.24 No.6，2003，pp.1273-1286 [9]C.Huang, J.R.G.Townshend ，“ A stepwise regression tree for nonlinear approximation: applications to estimating subpixel land cover”， International Journal of Remote Sensing Vol.24 No.1，2003，pp.75-90 [10]M.A.Theseira, G.Thomas, C.A.D.Sannier，“An evaluation of spectral mixture modeling applied to a semi-arid environment”， International Journal of Remote Sensing Vol.23 No.4，2002，pp.687-700

[11]M.A.Theseira, G.Thomas, J.C.Taylor, J.Varjo，“Sensitivity of mixture modeling to end-member selection”， International Journal of Remote Sensing Vol.23 No.7，2003，pp.1559-1575 [12]G.P.Asne, K.B.Heidebrecht，“Spectral unmixing of vegetation, soil and dry carbon cover in arid regions: comparing multispectral and hyperspectral observations”， International Journal of Remote Sensing Vol.23 No.19，2002，pp.3939-3958 [13]C.Small，“Estimation of urban vegetation abundance by spectral mixture analysis”， International Journal of Remote Sensing Vol.22 No.7，2001，pp.1305-1334 [14]Ryuei Nishii, Saeko Kusanobu, Shojiro Tanaka，“Enhancement of spatial resolution image based on high resolution bands”， The 18th symposium on remote sensing for environmental sciences，1996，pp.43-52

参考参考参考参考 HPHPHPHP ［1］ASTER GOC http://www.gds.aster.ersdac.or.jp/gds_www2002/index_j.html

ERCDAC http://www.easdac.or.jp/

［2］RAMS-e http://www.ramse3d.com/index1.html

付録１トレーニングデータの内容

ASTER バンド値トレーニングデータ

1 2 3 5 6 7 8 9 10 11 12 13 14 15

水

域

植

生

建

物

・土影

影 72 52 38 35 30 33 29 27 28 1130 1200 1261 1547 1635 0 58 167 0

無 54 32 48 41 32 28 30 27 26 1086 1169 1240 1516 1611 67 95 63 0

し 72 49 45 39 28 29 28 24 24 1156 1243 1322 1587 1671 109 95 21 0

ミ 64 42 52 32 25 26 24 20 22 1142 1210 1283 1553 1639 40 43 142 0

ク 70 45 35 28 19 30 22 20 20 1114 1185 1250 1545 1631 139 0 86 0

セ 65 39 25 23 20 19 21 19 22 1158 1229 1299 1582 1665 49 0 176 0

ル 67 44 36 23 24 22 23 19 22 1134 1201 1272 1547 1623 122 0 103 0

73 46 56 34 27 28 25 23 23 1160 1228 1307 1547 1652 0 155 70 0

73 50 53 38 30 33 31 27 27 1206 1286 1359 1647 1726 0 150 75 0

76 51 48 31 29 30 26 26 24 1161 1230 1296 1576 1664 0 121 104 0

65 41 51 22 23 23 22 17 19 1078 1128 1198 1467 1553 68 157 0 0

63 39 46 22 23 23 22 17 19 1078 1128 1198 1468 1553 151 74 0 0

影 72 49 56 32 27 28 26 24 24 1134 1201 1272 1547 1623 0 133 91 1

有 72 44 63 35 26 28 23 21 22 1128 1211 1289 1558 1652 0 137 87 1

ミ 78 52 44 30 28 29 27 24 24 1161 1230 1296 1576 1664 0 110 110 5

ク 64 39 44 31 27 30 26 26 24 1185 1248 1319 1595 1680 28 135 55 7

セ 55 32 42 28 23 25 21 20 20 1195 1263 1344 1606 1691 116 81 0 28

ル 50 32 45 32 28 30 26 23 23 1115 1182 1246 1548 1637 0 153 32 40

72 54 45 47 39 39 41 38 34 1115 1182 1246 1548 1637 0 34 140 50

58 38 42 29 26 29 25 23 22 1161 1230 1296 1576 1664 0 119 47 59

45 23 49 21 16 17 13 12 13 1066 1131 1203 1466 1555 0 161 0 64

66 49 48 42 34 34 37 31 29 1115 1182 1246 1548 1637 0 118 14 93

45 22 42 21 17 18 16 13 13 1102 1163 1240 1500 1590 0 99 0 126

37 17 24 19 16 14 12 11 13 1079 1142 1213 1474 1565 0 96 0 129

45 24 37 23 20 21 17 16 18 1079 1145 1224 1484 1577 0 84 0 141

37 18 23 18 15 14 12 10 13 1071 1133 1209 1468 1555 0 81 0 144

70 54 39 33 32 34 34 30 28 1189 1261 1332 1619 1699 0 0 73 152

45 23 43 23 17 18 15 12 13 1096 1160 1230 1501 1583 0 62 0 163

39 20 23 19 16 15 15 12 13 1065 1137 1204 1469 1563 0 60 0 165

43 22 29 26 19 20 19 15 15 1071 1135 1210 1478 1562 0 30 0 195

39 19 27 19 15 15 14 11 12 1072 1145 1213 1477 1569 0 15 0 210

59 39 28 34 33 35 32 31 28 1189 1261 1332 1619 1699 0 0 9 216

影 52 26 19 21 25 24 20 18 20 1145 1210 1269 1545 1633 0 0 0 225

ピ 42 21 26 21 16 19 14 12 14 1079 1145 1224 1484 1579 0 0 0 225

ュ 45 23 28 23 18 20 18 14 16 1121 1177 1245 1514 1601 0 0 0 225

ア 41 21 20 16 17 18 13 12 13 1071 1135 1210 1478 1562 0 0 0 225

ピ 54 31 24 21 25 24 20 18 20 1145 1210 1269 1545 1633 0 0 0 225

ク 49 31 22 24 24 27 23 20 20 1174 1241 1318 1595 1673 0 0 0 225

セ 49 29 21 27 26 27 25 23 22 1194 1276 1353 1633 1716 0 0 0 225

ル 56 31 24 24 25 26 23 21 22 1156 1224 1298 1579 1665 0 0 0 225

45 24 30 20 18 19 18 15 15 1121 1177 1245 1514 1601 0 0 0 225

48 25 21 25 21 25 19 19 18 1171 1225 1297 1575 1655 0 0 0 225

52 28 20 23 23 24 21 19 20 1138 1202 1272 1541 1631 0 0 0 225

46 27 21 22 23 24 21 19 20 1138 1202 1272 1541 1631 0 0 0 225

50 28 20 23 25 24 21 20 19 1194 1263 1322 1602 1690 0 0 0 225

52 30 23 24 23 24 24 20 21 1165 1237 1298 1582 1663 0 0 0 225

55 33 24 26 25 27 24 22 23 1170 1240 1318 1593 1671 0 0 0 225

51 29 22 26 25 27 23 21 20 1178 1252 1319 1591 1671 0 0 0 225

47 25 20 27 26 29 25 23 20 1213 1305 1381 1652 1735 0 0 0 225

48 19 21 25 24 27 23 21 21 1177 1244 1327 1599 1671 0 0 0 225

48 27 21 23 25 26 23 23 23 1194 1273 1358 1618 1696 0 0 0 225

40 21 22 19 18 17 16 15 17 1082 1156 1231 1485 1578 0 0 0 225

36 16 22 20 14 13 11 9 10 1066 1134 1206 1471 1556 0 0 0 225

40 20 26 18 14 12 13 11 14 1067 1132 1201 1464 1555 0 0 0 225

37 18 23 18 15 14 12 10 13 1071 1133 1209 1468 1555 0 0 0 225

35 17 26 17 14 13 10 8 12 1062 1123 1198 1463 1541 0 0 0 225

38 18 22 17 12 12 13 10 12 1076 1148 1218 1487 1573 0 0 0 225

水 49 22 13 6 6 6 9 7 12 1135 1204 1284 1560 1648 225 0 0 0

域 50 21 12 5 6 5 8 7 12 1129 1200 1286 1557 1649 225 0 0 0

ピ 49 21 12 6 5 6 8 7 12 1102 1166 1244 1519 1602 225 0 0 0

ュ 50 21 12 5 5 4 8 7 11 1108 1170 1245 1516 1598 225 0 0 0

ア 49 21 11 5 5 4 8 7 12 1106 1174 1254 1524 1612 225 0 0 0

ピ 48 20 12 5 5 4 7 6 11 1101 1165 1248 1517 1603 225 0 0 0

ク 46 19 12 5 4 5 8 6 12 1132 1205 1284 1558 1648 225 0 0 0

セ 46 19 13 5 6 5 8 6 11 1145 1215 1302 1569 1656 225 0 0 0

ル 45 19 12 5 5 5 8 6 11 1136 1207 1287 1556 1647 225 0 0 0

(海） 45 19 12 5 4 4 7 6 12 1143 1210 1289 1571 1653 225 0 0 0

43 18 11 4 5 5 7 6 12 1147 1213 1291 1566 1653 225 0 0 0

46 19 12 6 5 4 7 5 11 1142 1212 1287 1568 1654 225 0 0 0

44 18 11 4 5 4 6 6 11 1142 1214 1290 1572 1656 225 0 0 0

46 19 12 4 5 5 7 6 11 1138 1210 1291 1566 1649 225 0 0 0

46 18 12 5 5 4 7 6 10 1094 1162 1241 1509 1599 225 0 0 0

43 18 11 4 6 4 6 6 11 1120 1190 1275 1545 1636 225 0 0 0

47 20 12 5 6 5 7 7 11 1127 1196 1281 1545 1629 225 0 0 0

46 18 12 5 5 4 7 6 11 1137 1206 1288 1561 1645 225 0 0 0

47 18 11 5 5 5 7 6 11 1132 1208 1279 1548 1641 225 0 0 0

44 18 12 6 4 5 7 6 11 1121 1195 1267 1546 1626 225 0 0 0

水 55 25 17 18 15 15 14 10 13 1088 1154 1227 1486 1571 225 0 0 0

域 56 26 16 16 16 16 14 11 13 1072 1141 1220 1489 1575 225 0 0 0

ピ 54 26 16 17 16 13 14 11 12 1060 1119 1195 1460 1554 225 0 0 0

ュ 55 26 16 18 17 15 14 11 13 1059 1140 1217 1488 1575 225 0 0 0

ア 56 25 15 14 14 15 13 9 12 1071 1133 1199 1467 1558 225 0 0 0

ピ 56 27 16 13 16 13 14 9 15 1065 1113 1191 1457 1551 225 0 0 0

ク 56 26 17 12 16 11 11 9 12 1065 1113 1191 1457 1551 225 0 0 0

セ 56 27 16 12 13 11 11 9 13 1079 1158 1236 1500 1600 225 0 0 0

ル 56 26 16 19 20 18 18 15 16 1126 1188 1260 1516 1596 225 0 0 0

(川） 57 26 16 15 15 12 12 9 12 1067 1143 1208 1470 1554 225 0 0 0

56 27 18 16 17 14 16 10 15 1104 1166 1224 1486 1564 225 0 0 0

56 27 17 13 16 13 12 11 13 1096 1157 1233 1501 1596 225 0 0 0

51 26 17 14 14 12 11 9 12 1043 1107 1182 1449 1546 225 0 0 0

55 26 16 11 14 13 10 8 13 1084 1156 1215 1483 1576 225 0 0 0

56 26 16 16 15 16 12 11 13 1062 1113 1192 1460 1558 225 0 0 0

55 27 15 13 17 13 12 13 15 1088 1160 1232 1494 1584 225 0 0 0

54 27 16 18 18 14 13 16 16 1074 1159 1225 1494 1575 225 0 0 0

58 25 15 14 14 15 15 12 15 1087 1150 1219 1502 1584 225 0 0 0

55 26 15 10 10 10 12 9 14 1078 1131 1199 1475 1564 225 0 0 0

57 27 14 15 14 13 15 13 15 1074 1134 1205 1472 1559 225 0 0 0

植 50 26 92 43 23 24 21 18 17 1107 1173 1252 1516 1605 0 225 0 0

生 49 24 82 36 20 22 17 15 15 1125 1197 1266 1532 1622 0 225 0 0

ピ 47 23 85 38 21 22 19 15 16 1114 1181 1259 1523 1617 0 225 0 0

ュ 52 27 86 50 27 30 25 20 19 1118 1191 1267 1539 1628 0 225 0 0

ア 67 44 43 38 33 34 32 30 28 1171 1235 1303 1584 1666 0 225 0 0

ピ 59 34 55 39 31 31 28 27 25 1143 1213 1284 1559 1647 0 225 0 0

ク 46 24 82 35 19 21 15 13 14 1095 1160 1240 1505 1589 0 225 0 0

セ 47 24 76 33 18 19 16 13 15 1100 1163 1234 1504 1588 0 225 0 0

ル 46 24 85 34 19 21 16 13 14 1104 1172 1247 1509 1592 0 225 0 0

48 25 84 35 19 21 17 14 16 1101 1166 1248 1507 1594 0 225 0 0

50 23 85 32 19 20 16 13 15 1114 1176 1259 1522 1608 0 225 0 0

50 26 81 35 20 22 19 15 16 1119 1185 1272 1533 1610 0 225 0 0

46 23 76 38 21 22 18 15 15 1128 1206 1275 1546 1631 0 225 0 0

50 26 78 39 23 26 20 17 17 1128 1206 1275 1546 1631 0 225 0 0

49 24 80 40 23 25 21 16 16 1128 1206 1275 1546 1631 0 225 0 0

54 25 98 39 19 23 18 15 15 1129 1209 1288 1548 1634 0 225 0 0

51 24 88 35 19 21 16 14 15 1130 1197 1279 1546 1634 0 225 0 0

55 27 94 39 21 23 19 15 16 1140 1210 1290 1549 1636 0 225 0 0

50 24 84 36 19 21 17 14 14 1137 1203 1296 1553 1637 0 225 0 0

49 23 83 34 19 21 17 14 14 1128 1193 1267 1531 1620 0 225 0 0

建 83 59 43 33 30 30 25 25 24 1081 1143 1198 1484 1578 0 0 225 0

物 82 60 44 38 33 34 31 27 28 1108 1169 1224 1532 1621 0 0 225 0

・ 81 59 41 36 32 33 30 27 25 1108 1169 1224 1532 1621 0 0 225 0

土 85 62 47 43 35 39 34 33 32 1108 1179 1242 1543 1639 0 0 225 0

ピ 87 59 44 36 32 31 29 28 28 1074 1149 1215 1503 1591 0 0 225 0

ュ 83 61 44 42 36 38 34 33 31 1162 1231 1294 1601 1687 0 0 225 0

ア 83 60 43 43 37 39 33 33 31 1162 1231 1294 1601 1687 0 0 225 0

ピ 88 65 45 36 32 31 30 29 29 1084 1169 1240 1522 1607 0 0 225 0

ク 85 62 47 43 35 39 34 33 32 1108 1179 1242 1543 1639 0 0 225 0

セ 93 69 50 44 38 38 36 34 33 1086 1180 1246 1543 1643 0 0 225 0

ル 92 68 48 44 38 38 36 34 33 1086 1180 1246 1543 1643 0 0 225 0

85 62 51 46 36 38 33 31 28 1124 1198 1261 1547 1628 0 0 225 0

88 66 46 37 34 32 31 27 28 1100 1179 1239 1554 1644 0 0 225 0

88 64 46 40 33 35 31 31 31 1070 1139 1206 1497 1590 0 0 225 0

88 64 45 33 30 28 28 22 26 1089 1172 1241 1534 1631 0 0 225 0

83 61 46 43 38 38 35 33 33 1100 1179 1239 1554 1644 0 0 225 0

89 64 40 30 30 29 28 25 29 1080 1150 1216 1498 1594 0 0 225 0

88 65 44 30 30 29 28 25 29 1080 1150 1216 1498 1594 0 0 225 0

87 61 47 42 35 35 33 32 32 1145 1217 1286 1586 1670 0 0 225 0

84 62 46 44 37 39 36 35 33 1146 1210 1269 1592 1685 0 0 225 0

ABSTRACT

ASTER image has some advantages for classification such as 15 spectral bands and 15m～ 90m spatial resolution. However, in the classification using general remote sensing image, shadow areas are often classified into water area. It is very difficult to divide shadow and water. Because reflectance characteristics of water is similar to characteristics of shadow.

Many land cover items are consisted in one pixel which is 15m spatial resolution. Nowadays, very high resolution satellite image (IKONOS, Quick Bird) and Digital Surface Model (DSM) by air borne laser scanner can also be used. In this study, mixed pixel analysis of ASTER image has carried out using IKONOS image and DSM. For mixed pixel analysis, high accurated geometric correction was required. Image matching method was applied for generating GCP datasets. IKONOS image was rectified by affine transform. After that, one pixel in ASTER image should be compared with corresponded 15×15 pixel in IKONOS image. Then, training dataset were generated for mixed pixel analysis using visual interpretation of IKONOS image. Finally, classification will be carried out based on Linear Mixture Model. Shadow extraction might be succeeded by the classification. The extracted shadow area was validated using shadow image which generated from 1m～2m spatial resolution DSM. The result showed 17.2% error was occurred in mixed pixel. It might be limitation of ASTER image for shadow extraction because of 8bit quantization data. KEY WORD: shadow extraction, Linear Mixture Model, mixed pixel analysis ASTER, IKONOS, DSM,

1. INTRODUCTION There are many methods of landcover Classification based on band operation or using statistics. However, it is difficult to classify shadow and water in case of high resolution satellite which spatial resolution ranges from 10m to 30m. Sometime shadow areas are classified into water area. Landcover classification using mixed pixel analysis is one of an ideal methods. Because mixed pixel analysis is based on the model which closed to real world. Nowadays, very high spatial resolution satellite (IKONOS, QuickBird) and DSM by air borne laser scanner became very popular to use. These data can be efficient to generate training dataset. So, mixed pixel analysis can be carried out easily.

When the mixed pixel analysis applied to landcover classification, classification of shadow and water will be succeeded. After that, urban area’s density can be classified by using extracted shadow data. Because urban area has big shadow by tall buildings. 2. OBJECTIVES In this study, mixed pixel analysis will be carried out using ASTER image, IKONOS image and DSM. Linear mixture model is applied as mixed pixel analysis. The linear mixture model is derived using training dataset which generated by visual interpretation of IKONOS image. After that, landcover ratio of each category (water, vegetation, bare soil and shadow) will be estimated. The estimated landcover ratio will validated by the training dataset. Shadow extraction method will be concluded. Figure1 shows flow chart of this study.

付録２

SHADOW EXTRACTION FROM ASTER IMAGE USING MIXED PIXEL ANALYSIS

YUKI KIKUCHI

MIYATA TAKESHI TAKAGI MASATAKA

Department of Infrastructure System Engineering, Kochi University of Technology

185 Miyanokuchi, Tosayamadachou, Kami-gun, Kochi 782-8502, Japan E-mail:[email protected]

Figure4. DSM

4. USED DATASET 3 USED DATA 3-1 ASTER Image

Teat area was selected Kochi city in Japan.

ASTER image was used for mixed pixel analysis, which has 15 spectral bands, 8bit data, 15m～90m spatial resolution and swath width is 60km. This image acquired on 31 October 2001.

3-2 IKONOS Image

IKONOS image has 4 spectral bands, 11bit data and 0.8m spatial resolution. IKONOS image was used for generating training dataset. Swath width of IKONOS image is so narrow that two scenes were prepared in this study. The first scene includes urban area, which acquired on 19 September 2002. The second scene includes farm land and forest, which acquired on15 June 2000.

3-3 DSM

It is difficult to extract shadow from only the IKONOS image, because acquired time is different that shadow condition is different. So digital surface model (DSM) must be prepared for simulating shadow in the ASTER image. DSM was generated by air borne laser scanner. Spatial resolution of the DSM was about 1m as random point data. And random point data were converted to raster data by bi-linear resampling. 4. GEOMETRIC CORRECTION OF

IKONOS IMAGE One pixel in ASTER image should be

compared with corresponded 15×15 pixel in IKONOS image to acquire training data. So, high accurated geometric correction is needed. In this study, image matching method was applied for selecting GCP. And IKONOS image was resampled to overlay with ASTER image by affine transform. Because ASTER image should be used as original data for mixed pixel analysis. Table1 shows root mean square error which occurred in geometric correction. The error showed about 4m in X-Y direction (Table1). But it was limitation of image matching. It was judged that mixed pixel analysis might be carried out in this condition.

Figure2. ASTER image

Figure3. IKONOS image

Figure1. Research flow

ASTER image

Geometric Correction (1m grid)

Image Matching

Training Dataset

Deriving Linear Mixture Model

Estimating Landcover Ratio

For validation

IKONOS image (0.8m grid)

DSM(1m random point)

5. GEOMETRIC CORRECTION OF

DSM DSM should be overlaid with IKONOS image

to simulate shadow condition. Image matching between height data and multi spectral data was so difficult that GCPs were selected by visual interpretation. Geometric correction was used affine transform. Table2 shows root mean square error which occurred in geometric correction. The error shows less than 1m and GCPs could be gotten in enough precision.

6. SHADOW IMAGE GENERATION

FROM DSM Shadow condition of ASTER image and

IKONOS image was difference. Because aquired time was different. Therefore, Shadow image must be generated from DSM on same condition of the ASTER image (figure5). When training data were acquired, this shadow image was compared with IKONOS image. 7. ASTER IMAGE CLASSIFICATIN BY

LINER MIXTURE MODEL 7-1. Linear Mixture Model

Originally, many land cover items consisted in one pixel. Nowadays, some models of mixed pixel analysis were suggested. In this study, linear

mixture model was applied. Digital number of ASTER image is expressed with land cover ratio of each category and the coefficient. Four categories were set in the linear mixture model as follows: DNi=(Cwi*Rw+Cvi*Rv+Cbi*Rbi+Csi*Ri) (1.1) Rwi+Rvi+Rbi+Rsi=1 i : Band 1,2,3,10 R: Landcover ratio in each category

Rw (water), Rv (vegetation), Rb (bare soil), Rs (shadow)

C:

Cw (water), Cv (vegetation), Cb (bare soil), Cs (shadow)

7-2. Training Data Preparation Firstly, one pixel of ASTER image was compared with corresponded 15x15 pixels of IKONOS image. Corresponded 15x15 pixels of IKONOS image was classified into four categories by visual interpretation. As training data, pure pixel and mixed pixel were selected.

Table3 shows number of pixel in the ASTER image for training data. The most mixed pixels were consisted with combination of two categories.

Generally shadow areas are often classified into water area. Therefore, many training data of mixed pixel which included water were selected. Total 137 training data were acquired. In each training data, each landcover ratio was calculated. Training data Number of pixelNo Shadow Mixed Pixel 12Shadow Mixed Pixel 20Shadow Pure Pixel 25Sea Pure Pixel 20River Pure Pixel 20Vegetation Pure Pixel 20Bare Soil Pure Pixel 20

Direction RMS error x 4.02m y 3.71m

Direction RMS error x 0.20m y 0.17m

Figure5. Shadow image

Table2. RMS error

Table1. RMS error

Table3. Number of training dataset

mixture coefficient

Table4. Correlation between digital number andlandcover ratio

7-3.Mixed Pixel Analysis Table4 shows correlation coefficient between

digital number of each band in ASTER image and each land cover ratio. The band 1, 2, 3 and 10 are indicated over 0.9. Then these bands can be used for linear mixture model. Spatial resolution of band 10 is 30m. However influence of the spatial resolution might be slight because landcover ratio will be almost same. In each band, coefficients of linear mixture model were calculated by using least square method using training data. Table5 shows list of the coefficient in each band.

Water (Cw)

Vegetation (Cv)

Baresoil(Cb)

Shadow(Cs)

Band1 0.2285 0.2323 0.3837 0.2032Band2 0.1040 0.1252 0.2812 0.1106Band3 0.0636 0.3388 0.1936 0.0955Band10 0.0566 0.0775 0.1348 0.0787 7-4. Classification By Using Linear

Mixture Model Now, four polynomial equations were setup.

There are four land cover ratio as unknown coefficients. So, when digital number in each band is known, four land cover ratio will be derived by solving the polynomial equations. However, solving the polynomial equations is very difficult. Because solution will be unstable by high correlation of digital number in each band.

In this study, optimum value searching using one by one approximate calculation is applied to derive land cover ratio with following conditions.

0<Rwi<1, 0< Rvi <1, 0<Rbi <1, 0<Rsi<1 (1.2)

Every combination of each land cover ratio is input the polynomial equation to solve the equations. Calculated digital numbers are derived from the input value of land cover ratio. By comparison between the calculated digital number and original digital number, the nearest digital number can be searched. The combination of land cover ratio was changed 0.02 steps width in the iteration. It was enough precision. 8. RESULT

Figure 6～9 shows each land cover ratio by linear mixture model. Brightness in the images according to land cover ratio. In figure9, a brightness was reversed because to understand easily. Figure10 shows color composite using each landcover ratio. Red is bare soil, blue is water, green is vegetation. The composite image shows reliable result.

Band Name

Correlation Coefficient

Band Name

CorrelationCoefficient

Band1 0.913 Band9 0.889 Band2 0.923 Band10 0.911 Band3 0.912 Band11 0.320 Band5 0.895 Band12 0.413 Band6 0.865 Band13 0.363 Band7 0.869 Band14 0.438 Band8 0.884 Band15 0.363

Table5. List of coefficient in linear mixture model

Figure7. Result of vegetation image

Figure6. Result of Water image

9. CONCLUSIONS

Analytical results were evaluated by visual interpretation. It could get good result in bare soil and vegetation. But, there are some miss-classification in water and shadow. And Small river was classified into shadow. It was difficult to judge shadow area or water by visual interpretation in original ASTER image. Quantitative evaluation was done using training dataset. Calculated each land cover ratio was compared with land cover ratio in training dataset. When the category which indicated maximum landcover ratio became same to land cover in training data, the calculation result was defined as correct in this study.

MixedPure

T

clasthanpixepixeof lmigBecdiffe

Tchanare high

TExtrcomavershowmanShashadindi8bitdivi RE[1]T

[2]A

ShatrNo i

T

Figure10. Result of ASTER image classification

Figure9. Result of shadow image

Figure8. Result of bare soil image

able6. Evaluation of classification

Number of Data

Number of Correct answer

Ratio of Correct answer

pixel 32 14 43.7% pixel 105 102 97.5%

able6 shows ratio of correct pixel sification. Ratio of correct pixel showed less 50%. But, category of component of mixed l became same. Category contained in one l could be classified correctly. But, precision and cover ratio became lower. This reason ht come from accuracy of training dataset. ause acquisition data of ASTER image was rent from IKONIOS. herefore, condition of land cover was slightly ged. When higher accurate training dataset prepared, classification result will became er precision. able7 shows evaluation of shadow extraction. acted shadow by linear mixture model was pared with training dataset of shadow, by age of absolute error. No shadow pixel ed better than shadow pixel. But, there were

y pixels which classified into shadow in water. dow extraction in mixed pixel was difficult. In ow area or water area, digital number

cates very low. ASTER image has 8bit data. data might not be enough quantization to de shadow and water.

FERNCES akeuti Wataru, 2001. Estimation of Methane Emission from Wetlands based on Landcover Characterization using Remote Sensing Data, master paper of Tokyo University, Japan, pp.18-41. STERGDS:

http://www.gds.aster.ersdac.or.jp/gds_www2002/index_j.html ERCDAC: http://www.easdac.or.jp/

Number of Data

Average of Absolute Error

dow pixel in aining data

45 17.2%

shadow pixel n training

92 2.9%

Table7. Evaluation of shadow extraction

http://www.easdac.or.jp/

aster画像aster画像からからからの影の影の影 … 年度修士論文...

Documents