航測及遙測學刊 第十一卷 第三期 第 297-310 頁 民國 95 年 9 月 297 Journal of Photogrammetry and Remote Sensing Volume 11, No.3, September 2006, pp. 297-310

運用 QuickBird 衛星影像於水稻田坵塊萃取之研究

雷祖強 1 周天穎 2 鄭丁元 3

摘要

政府每年利用航照及人工判圖來調查水稻田的種植面積與產量，作為國家糧食政策制訂與農民休耕

時之補償依據，然而人工判圖時程緩慢以及耗費極高人力物力。有鑑於此，本研究利用 QuickBird 高解析

度衛星影像進行地物覆蓋判釋之研究，希望評估出高解析度衛星影像在水稻田坵塊萃取上之應用價值。

首先本研究利用影像邊緣模型萃取出水稻田田埂，其次再利用半變異元紋理(Semivarogram)提升水稻

田類別間的判釋精度，透過邊線連結以及坵塊補遺的方式改進水稻田坵塊萃取模型(Rice Pattern Extraction

Model, RPEM)的正確性。研究成果顯示加入紋理資訊後，分類整體正確性(Overall Accuracy)可從原始多光

譜的 88.20%提升至 92.61%，顯示紋理資訊確實能有效提升水稻田分類判釋正確率，其後透過補遺程序後

分類整體正確性又可從 92.61%再提升至 95.69%，在高分類正確性的結果下，使得利用高解析度衛星影像

萃取水稻田耕地坵塊成為一種可行的方法。

關鍵詞：水稻田坵塊萃取、半變異元紋理、邊緣萃取、影像補遺

1. 前言 水稻為台灣地區的主要糧食作物，而水稻種植

面積、產量預估調查不但可作為國家糧食政策重要

之參考資料，並可做為災後補助農民之依據。目前

傳統調查工作多是委託林務局農林航空測量所進

行航空攝影，以人工判圖方式判斷作物是否為水

稻，進而再數化完成水稻田耕地坵塊圖資訊。

上述分析方式受限於航照拍攝問題與判釋作

業的緩慢，在成效上往往大打折扣。因此就有學者

利用衛星影像特性來進行水稻田判釋工作:陳哲俊

(1989)以 SPOT 多光譜資料評估台灣地區水稻種植

面積估測之可行性，並利用多時段(Multi-Temporal)

資料將不因時間而改變的地物先行去除，進而獲得

較高的分類精度。此外有學者利用既有耕地坵塊向

量資料並結合水稻的生長知識、時間與空間等領域

資訊，以水稻田區塊的概念來進行判釋，如鄧敏松

(1997)即採用多時段影像，使用 NDVI 差分技術凸

顯水稻田與非水稻田間的差異性。而陳益凰(1997)

針對 NDVI 差分影像、時間剖面匹配法與波峰偵測

法，進行分類成果比較，以評估各種方法的優劣。

前述關於水稻田的研究均是針對總面積進行

判釋，然而對於資源管理者而言，除了總面積之

外，還需要水稻田坵塊資訊，方能進行作物管理與

補償依據（也就是所謂的田埂資訊），然而過去多

受限於衛星影像的空間解析度限制而無法達成此

一目的。目前商用高解析度衛星（如 IKONOS、

QuickBird）已逐步打破上述問題的限制，而逐漸朝

向航照空間解析度之精度邁進。而分析高解析度特

性之後，得到欲應用高解析度衛星進行水稻田坵塊

資訊之萃取問題，應當從兩個方向上來著手，首先

是面積萃取的改進，其次是邊線資訊的獲得。

在面積萃取的部分，首先克服的問題就是，影

像解析度提高的情形之下，是不是就會獲得較高分

1逢甲大學環境資訊科技研究所助理教授 2逢甲大學地理資訊系統研究中心主任及土地管理學系教授 3逢甲大學環境資訊科技研究所碩士

收到日期:民國 94 年 10 月 21 日

修改日期:民國 95 年 08 月 25 日

接受日期:民國 95 年 08 月 30 日

航測及遙測學刊 第十一卷 第三期 民國 95 年 9月

298

類精度之結果？而文獻中指出這個答案並不是直

接 而 肯 定 的 （ Chica-Olmo and Abarca-Hernandez,

2000），反倒是在空間解析度提高的情形之下，影

像中紋理資訊(Texture Information)的價值，又被學

者重新的討論與運用，所以輔助資訊的應用，才是

這個問題良好的解決辦法。Franklin 等人(2000)利用

IKONOS 全色態影像計算變異數(Variance)與均值

度(Homogeneity)，對影像中林木的年齡進行分離度

的檢驗。而在 Wang 等人(2004)的研究中，利用

IKONOS 與 QuickBird 影像分別萃取影像變異數與

熵值(Entropy)，並探討紋理種類與其視窗大小對於

紅樹林樹種分類的幫助。陳彥宏(2004)以 QuickBird

衛 星 影 像 輔 以 灰 階 共 發 生 矩 陣 (Gray Level

Co-Occurrence Matrix, GLCM)紋理，進行都市區水稻

面積偵測，討論 GLCM 紋理資訊於高解析度衛星

影像上之實用性。而 Puissant 等人(2005)使用四種

二階統計量紋理計算方式對 IKONOS、QuickBird、

SPOT5 與 Orbview 影像進行不同視窗大小的紋理分

析，以輔助影像分類，提高分類精準度。另外亦有

研究以半變異元(Semivarogram)模型建立影像紋理

以輔助 QuickBird 影像光譜影像判釋(雷祖強、等，

2006)，其研究成果顯示，加入半變異元紋理資訊

能提升高解析度衛星影像於水稻田判釋精準度。

另一方面在邊線萃取之部分，大部分的研究多

集中在影像中道路、橋樑或線性特徵萃取的可能

性。如 Trinder 與 Wang(1998)使用航空照片進行道

路線性特徵之萃取，利用三種層級進行道路邊線的

萃取與連結，並進行道路定義與辨認，以完成自動

化萃取道路的程序。在 Zhang(2000)研究中，成功

使用 TM 影像進行都市區河流的萃取，利用分類出

河流的片段資訊進行連結與雜訊去除，最後得到完

整的河流資訊。然而亦有學者捨棄一般邊線萃取的

方法，先透過分類程序分類出道路像元，再將分類

後的道路像元進行聚類，並萃取出道路線(Doucette

et al., 2001)。而吳皓、等 (2003)利用 TM 影像進行

河流中橋樑的識別，先取出影像中河流區域後，再

利用形態學、鍊碼與影像後處理的技術，成功進行

目標物的萃取。而直接利用衛星影像於水稻田坵塊

方面的研究僅有 Ishida 等人(Ishida et al., 2004)，其

研究使用了 SPOT 影像近紅外光波段進行稻作區塊

的萃取，文中比較多解析度小波轉換與差分高斯濾

波器邊緣萃取的成果，進而得到影像邊緣資訊，由

於影像中種植的作物多為水稻，所以萃取得到的邊

緣即為水稻田的邊緣，而這些水稻田邊緣即可運用

於水稻田 GIS 底圖的製作。

回顧前人的研究可得知，目前並沒有利用

QuickBird 衛星影像進行水稻田耕地坵塊萃取之相

關研究，另一方面台灣地區多屬小農耕作，水稻田

面積不大且多與他類作物混合種植，為提高水稻田

分類正確性與萃取水稻田田埂資訊，因此本研究將

利用 QuickBird 高解析度衛星影像作為資料來源，

透過多光譜影像(Multi-Spectral)並輔以紋理資訊提

升 水 稻 田 判 釋 精 準 度 ； 再 利 用 全 色 態 影 像

(Panchromatic)進行影像邊線萃取，最後合併兩者資

訊以完成水稻田坵塊圖製作之目的。

2. 研究材料 

2.1 QuickBird衛星影像 圖 1 為本研究實驗區之 QuickBird 衛星多光譜

影像與全色態影像，拍攝日期為 2003 年 10 月 25

日，影像地點位於台中地區，影像中水稻田時值最

高分蘗期或黃熟期間。其中多光譜影像空間解析度

為 2.8m（圖 1-a），全色態影像空間解析度為 0.7m

（圖 1-b）。全色態影像像幅為 1024×1024 像元，換

算實地面積約為 51.4 公頃。

2.2 彩色正射航照 

本研究所使用 1/1000 比例之彩色正射航照資

料進行衛星影像幾何校正，其影像解析度為 30 公

分。過程則是針對全色態與多光譜兩張影像共同進

行幾何校正，選取相同的 30 個地面控制點，選用

二階多項式建立模式，以最近鄰域法進行像元重

選，校正後影像之均方根誤差(Root Mean Square

雷祖強、周天穎、鄭丁元：運用 QuickBird 衛星影像於水稻田坵塊萃取之研究

299

Error, RMSE)為 0.548 公尺，本研究接受此一結果，

並將成果用於後續研究之使用。

2.3 水稻生長知識 

水稻田雖然為一種單純的土地利用（Land

Use）類型，但其外觀會隨著種植時間而有所變化，

在整個稻作生長期間會經過整地育苗、插秧、生

長、分蘗、黃熟與收割等時期（鄧敏松，1997）。

因此相對於遙測影像而言，不同時期影像中水稻田

之土地覆蓋（Land Cover）類型將會呈現不同的面

貌（如表 1）。

研究地區為台中市之水稻田，該區水稻一年可

種植兩次，第一期稻作約在 2 月中旬到 3 月下旬間

開始插秧，第二期稻作則介於 7 月下旬到 8 月上旬

之間開始插秧。本研究影像拍攝時期約在第二期稻

作處於分蘗期至黃熟期左右，其中有少部分水稻田

是處於休耕情況，有些則已提早收割，但大部分之

水稻光譜特徵顯著，如此將會有助於影像判釋之

用。

2.4 耕地坵塊圖 

耕地坵塊圖是使用 2003 年第二期稻作之耕地

坵塊向量檔，提供單位為行政院農業委員會農糧

署，儲存方式是以 1/5000 圖幅範圍所分割之 GIS

數值檔。由於在研究過程中發現耕地坵塊資料與影

像有明顯的差異(如圖 2)，圖 2 中白色實線為耕地

坵塊圖框，而底圖為衛星影像，兩者明顯有幾何對

位上的差異，為避免在影像檢核時產生太大的誤

差，本研究配合航空相片圖、QuickBird 衛星影像

與實地調查資料，重新修正原始耕地坵塊圖，並將

田埂與稻田內部區分出來(如圖 3 所示)，修正後之

耕地坵塊圖面積約有 20.8 公頃，本研究將使用此

圖作為坵塊圖萃取成果檢核之後續資料來源。

2.5 軟硬體設備 

在軟硬體設備方面，本研究使用 Microsoft

Windows XP 系統平台之個人電腦。遙測軟體使用

ERDAS IMAGINE 8.6 進行影像分析；利用 Arc View

3.3 作為圖形資料轉換之用；以及利用 C 語言開發

半變異元紋理計算模式及補遺程序；並使用 Matlab

軟體發展 Sobel 與 Canny 邊緣萃取之演算法。

3. 研究方法 水稻田坵塊萃取模型經本研究歸納後可分成

「水稻田邊線萃取」、「水稻田內部萃取」以及「其

他類別誤判為水稻田」等三種方向(如圖 4)。首先

在水稻田邊線萃取方面，本研究使用 Sobel 與 Canny

這兩種方法共同進行邊線萃取，然而其所引發問題

則是邊線萃取會有不完整之結果，解決方法乃是透

過邊線補遺來連結斷落線段。其次是水稻田內部面

積判釋問題：這是由於影像分類是使用逐像元法，

所以水稻田內部會因光譜上的差異而產生漏判像

元，而紋理分析法雖對於水稻田分類有所貢獻(雷

祖強、等，2005)，但卻會因為紋理計算而造成類

別交界處水稻田的漏判（因為所採用的是視窗模型

法），解決方法則是透過坵塊補遺，針對漏判像元

進行問題補遺，以產生完整的水稻田坵塊。最後則

是水稻田與其他類別的誤判，透過半變異元紋理模

型的計算，可減少類別間誤判的部分，而此部分大

多是零碎的誤判，可以視為雜訊，以去除雜點的方

式去除大部分剩餘之誤判像元。

表 1 水稻不同生長期與光譜反射之特徵

近紅外光波段 生長期別 土地覆蓋情形

亮度 灰階值

整地育苗期 水體+土壤 暗 低

插秧期 ~有效分蘗期 水體+植被 微亮 中

最高分蘗期 ~ 黃熟期 植被 亮 高

收穫期 乾燥裸露土壤 暗 低

資料來源：鄧敏松，1997；陳益凰 1998

航測及遙測學刊 第十一卷 第三期 民國 95 年 9月

300

(a). 多光譜影像 (b). 全色態影像

圖 1. 實驗區 QuickBird 衛星影像

圖 2. 影像套疊耕地坵塊圖 圖 3. 修正後之耕地坵塊圖

水稻田坵塊萃取模型

坵塊結構

半變異元紋理分析水稻田與其他類別造成誤判

演算法則 引發問題 解決方法

去除外部小面積誤判水稻田

其他類別誤判為水稻田

坵塊補遺

水稻田邊線萃取

邊線萃取不完整邊線萃取

(Sobel+Canny) 邊線補遺

水稻田內部萃取

半變異元紋理分析(Semivarogram)

以視窗紋理法為基礎的演算法

造成水稻田漏判

圖 4. 水稻田分類問題

雷祖強、周天穎、鄭丁元：運用 QuickBird 衛星影像於水稻田坵塊萃取之研究

301

3.1 水稻田邊線萃取 

3.1.1 邊線萃取 

王鄭耀(2003)的研究指出，常見的邊緣有三種

(如圖 5)。第一種為階梯型邊緣，即從一個灰度層

級跳到比它高上許多的另一個灰度(圖 5-a)。第二種

是屋頂型邊緣，它的灰度是慢慢增加到一定程度然

後再慢慢減小(圖 5-b)。還有一種是線性邊緣，它

的灰度從一灰度層級猛然的跳到另一個灰度層級

之後，再回到原始層級(圖 5-c)。而本研究主要萃取

的對像為稻田田埂，其在影像中多呈現線性邊緣。

在前人的研究中(Heath et al., 1998)指出， Sobel

邊緣偵測法(Sobel, 1970)一直以來均被當作邊緣萃

取的一個標準方法，而 Canny 邊緣偵測法(Canny,

1986)則是近代的另一個標準，兩種方法各有優缺

點，本研究分析數據後，決定結合使用 Sobel 與

Canny 這兩種邊線萃取方法的成果，作為水稻田邊

線的來源。而 Sobel 與 Canny 方法分述如下：

Sobel 是一種梯度最大值檢測法，由於邊緣銳

利程度是由影像灰度梯度值來決定，因此最簡單邊

緣檢測運算元是用影像的垂直和水平差分來逼近

梯度運算元，其遮罩模型表示如(1)式，其中第一個

遮罩 SH 用於水平方向邊緣偵測。第二個遮罩 SV

用於垂直方向邊緣偵測，而使用權重 2 的背後義

意，是為了給予靠近中心點之值有更大的重要性，

進而來達成某種平滑性(Gonzalez & Woods, 2002)。

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

−−−

=⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡ −−−=

101202101

121000121

VH SS

(1)

然而在實際上，對於影像進行一階離散差分會

使影像對雜訊比更加敏感，雖然可以先對影像做平

滑化以改善結果，但是田埂在影像中屬於線性邊

緣，特徵通常並不明顯，如果對影像進行平滑化，

將會使得原有的田埂資訊消失。

另一方面 Canny 則設計了一個邊緣檢測演算

法，以達到最優檢測結果、最優定位與低重覆響應

的目的：(Canny, 1986)

(1)首先用 2D 高斯濾波器進行雜訊的消除。

(2)再利用導數運算元找到影像灰度沿著兩個

方向的偏導數 Gx、Gy，並求出梯度的大小。

(3)計算梯度的方向。

(4)把邊緣的梯度方向分為四種(水平，垂直，

45 度方向，135 度方向)。

(5)非極值抑制：若某個像元的灰度值與其梯度

方向上前後兩個像元的灰度值相比不是最大的，那

麼這個像元值設定為非邊緣。

(6)累計直方圖雙閥值計算：凡是大於高閥值的

一定是邊緣；凡是小於低閥值的一定不是邊緣；如

果檢測結果大於低閥值但又小於高閥值，那就要看

這個像元的鄰接像元中有沒有超過高閥值的邊緣

像元，如果有的話，就設定此像元為邊緣，否則就

設定為非邊緣。

圖 6-b 與圖 6-c 為 QuickBird 全色態影像經過

Sobel 與 Canny 計算後所得的邊緣影像，在 Sobel

影像中，明顯萃取了較多的邊緣像元，但也有許多

不連續的邊界；在 Canny 影像中，邊線的連續性比

較佳，但在邊界交界處容易發生不連續的情況（圖

6-c 箭頭1）。另外因為其滿足最低響應次數的需

求，所以在圖像 6-c 右下角有些許林地的地方，只

出現了少數的邊緣像元（圖 6-c 箭頭2）。這些問題

都有可能在後續應用上造成困擾，故本研究將結合

Sobel 與 Canny 邊線萃取的成果，當成坵塊邊界的

參考依據。

3.1.2 邊線連結 

由於前述邊線萃取時，有部分邊緣會因梯度較

低而無法通過門檻，產生邊線不連續之情況（圖 7

中箭頭1），同時也有部分非邊緣的訊號會因梯度

值通過門檻而造成雜訊的問題（圖 7 中箭頭2），

為了萃取出連續而較為乾淨的邊緣，所以就必需考

慮「邊線連結」與「去除雜訊」的問題。

研究中首先對 Sobel 與 Canny 影像進行雜訊濾

除的動作，方法是對 Sobel 邊緣與 Canny 邊緣分別

設定一個群聚門檻，假如邊緣像元的群聚小於這個

門檻值的話，則就將此群聚去除，但由於 Sobel 所

航測及遙測學刊 第十一卷 第三期 民國 95 年 9月

302

取出的邊緣連續性比較不佳，故在進行雜訊濾除時

亦會濾去許多邊緣像元，所以本研究先對 Sobel 邊

緣進行邊線補遺，補遺完成後再將成果與 Canny 邊

緣相加。

在邊線補遺程序中，端點連線的方法設定如

下：

(1)去除雜訊：在進行第一次遞迴時，先去除孤

立之雜訊(如點集群在兩個像元以下的集群)，在第

二次遞迴以後，則依需求去除大小不等之雜訊。

(2)判斷端點位置： 本研究判斷端點位置使用

3×3 移動視窗作為偵測像元之標準樣版，其中程式

碼為 If (count

雷祖強、周天穎、鄭丁元：運用 QuickBird 衛星影像於水稻田坵塊萃取之研究

303

(a). 全色態影像 (b). Sobel 計算成果 (c). Canny 計算成果

圖 6. 邊緣萃取成果

■ 非邊線像元 □ 邊線像元 標準模版

圖 7. 邊線不連續與雜訊 圖 8. 端點之判斷程序

(a). 方位角之定義 ■ 非邊線像元 □ 邊線像元

(b). 端點方位角之決定

圖 9. 邊線延伸方向決定法則

1 1

2 2

2

1

航測及遙測學刊 第十一卷 第三期 民國 95 年 9月

304

圖 10. 找尋可配對之端點 圖 11. 方向約制 圖 12. 連結成對邊線

3.2水稻田內部萃取 

3.2.1 半變異元分析法計算

水稻田紋理 

一般在紋理分析時，大多數學者選用 GLCM

進行植生或林相分離之分析(如: Franklin et al., 2000;

Wang et al., 2004; Puissant et al., 2005)，但在雷祖強、

等(2006)的研究中指出，方向半變異元紋理(Director

Semivarogram)應用在高解析度衛星影像上，於水稻

田、草地與林地等地物類別的區分上能獲得不錯效

果。這樣的結果顯示半變異元模型在高解析度遙測

影像判釋中，能提供良好的紋理資訊，以利影像判

釋之進行，故本研究亦利用半變異元模型進行紋理

資訊之萃取。

為充分表達衛星影像的紋理特性，本研究選

用全色態影像(Panchromatic)進行紋理的萃取，以其

較高的空間解析力取得較佳的紋理特徵，而研究中

使用方向半變異元進行影像紋理萃取，其公式如下

(Chica-Olmo and Abarca-Hernández, 2000)：

[ ]∑=

+−=)(

1

2)()()(2

1)(hn

iikikk hxDNxDNhn

hγ (2)

式中 DNk(x)、DNk(x+h)表示影像中兩個位置中

的影像灰階值，而這兩個位置上的灰階值構成了一

組配對(Pair)；n(h)表配對數目；h 表示兩像元的相

對距離，k 表示所使用的影像波段。

在利用半變異元模型萃取影像紋理資訊時，

需考慮到下列幾個紋理參數：(1)移動視窗大小；(2)

波段組合；(3)像元取樣距離；(4)像元計算方向等

四種。而 Marceau 等人(1990)針對紋理參數(在此所

指的是 GLCM 法，但其觀念也可一併用至半變異

元紋理)對影像分類之影響進行探討，歸納出在紋

理參數中，取樣視窗尺寸影響性最大，約佔 90%；

紋理特徵選取居次，約 7%；而灰階編碼參數約佔

3%的影響量。因此本研究將依序討論紋理參數的

決定步驟：

(1)移動視窗的大小：其意涵則是描述某一類別物體

之最適尺度，也就是在計算每個像元紋理值時，同

時考慮到該像元與周圍多大空間之關連性（與類別

空間特性有關）。實際進行分析時，若移動視窗大

小比要分析的紋理取樣影像還小時，則視窗中所包

含的資訊將不足以代表此一取樣影像；反之，若是

視窗過大，則可能會造成其他取樣資訊進來。本研

究使用地理統計學(Geostestic)中的之半異元值，來

定義空間資料尺度(Scale)的大小（Tso and Mather,

2001）。而資料尺度大小的決定，本文是參考相關

研究之結果（雷祖強、等 2005）決定以 5×5 視窗作

為本實驗區紋理計算之移動視窗大小的來源依據。

(2)影像波段組合：由於本研究紋理計算來源

使用的是全色態影像為一單波段影像，所以無波段

組合問題。

(3)像元取樣間距問題：在 Weszka 等人(1976)

與 Conners 與 Harlow(1980)的研究提出取樣間距為 1

或 2 的組合較能提升分類成果，故本研究採用取樣

間距為 1 作為像元取樣間距的選擇。

P2

P1

方向 2

方向 6方向 7

方向 3

雷祖強、周天穎、鄭丁元：運用 QuickBird 衛星影像於水稻田坵塊萃取之研究

305

(4)像元計算方向：由於方向半變異元模型(公

式 2)可以考慮不同之計算方向，可分成東-西向(0

°)、南-北向(90°)、東北-西南向(45°)、西北-東南向(135

°)四個方向，當空間方向性不明顯時，可將四個方

向的半變異元值加總取其平均，即成為所謂的等向

性(Isotropy)半變異元。由於影像中各類別的排列並

非均一，且本研究曾嘗試從影像中抽取不同排列方

向之特徵進行半變異元分析計算，實驗成果顯示並

無何種方向會對影像的紋理計算有效佳的成果，故

本研究採取等向性作為方向性上考慮之結果。

3.2.2 影像分類 

由於半變異元法本身具有方差的特性，因此

透過半變異元法所獲得之紋理影像，已轉換成以距

離遠近與方差結果來表達各類別特性之意涵，此時

的紋理影像已和光譜灰階影像的內容有所不同，若

在分類時使用訓練樣本母體為常態分佈假設之最

大概似分類法(Maximum Likelihood Classification)，

就會發生不合適之情形（Carr and Miranda, 1998）。

因此本研究採用以距離遠近來表達分類特性的最

短距離法(Minimum Distance Classification)，作為研

究時的分類器。

3.2.3 坵塊補遺 

本研究所提出之面積補遺方法(如圖 13)，方

法中結合「分類後的影像」與「邊線補遺成果」兩

種來源，其程序如下：(1)首先利用邊線補遺成果對

分類後影像進行切割，(2)再從被切割的分類後影像

移除誤判像元，(3)將已移除誤判像元後的分類影

像，疊合邊線補遺成果進行約制，再利用移動視窗

方式，比較中心像元與鄰近像元之關係，只要非稻

田像元四周多數均為稻田像元，即判斷此中心像元

屬於水稻田類別，但如果補遺視窗遇到邊線則不補

遺，整幅影像計算完成後，得到坵塊補遺後的成

果。面積補遺成果如圖 13-b 所示。

(a). 補遺前 (b). 補遺後

圖 13. 面積補遺成果

3.3 其它類別誤判 雖然研究中使用方向半變異元對影像進行紋

理計算，可減少林地、草地與水稻田間的誤判，但

由於仍會有少數林地或草地紋理反應與水稻田相

似，這些無法利用光譜和紋理區分出的誤判部份，

在研究中將利用坵塊面積作為規則，以限制誤判出

現的數量。經統計本實驗區最小坵塊面積與平均坵

塊面積，並考慮了誤判面積的大小，最後決定將

350 個水稻田像元集群以下的面積，均視為非水稻

類別(約 171.5 m2)，利用 IMAGINE 中的 Eliminate 功

能將其去除，以得到較佳的分類成果。

3.4 分類面積檢核 本研究將利用修正後之耕地坵塊圖（圖 3）對

分類後的影像進行逐點的檢核，在此程序中，我們

將數化的耕地坵塊圖作為面積檢核的參考資料，將

分類成果圖與修正後之耕地坵塊圖進行套疊，產生

航測及遙測學刊 第十一卷 第三期 民國 95 年 9月

306

一張疊合圖，藉由套疊圖中的數值，可顯示出(1)

正確判為水稻田；(2)正確判為非水稻田；(3)水稻

田誤判；(4)水稻田漏判的位置與百分比成果，將利

於本研究後續深入分析與討論。

4. 成果與討論 本研究在水稻田坵塊萃取部分，將討論(1)純光

譜影像分類（圖 14-a）、(2)純光譜加上紋理影像分

類（圖 14-b）與(3)純光譜+紋理影像分類+補遺程

序（圖 14-c）三種成果。在判別類別上僅將類別劃

分為水稻田與非水稻田兩類。而檢核部分是以水稻

田與非水稻田之誤授與漏授程度作為評估判釋成

果之依據（表 2)，其結果如下：

圖 14-a 可清楚發現水稻田類別在耕地坵塊範

圍外誤授的情形十分嚴重，其中誤授為水稻田的區

域大多為林地；在耕地坵塊圖內亦有許多的水稻田

漏授像元產生，由此可知，純光譜分類只能分出水

稻田大致的分佈情況，而無法精確獲得水稻田分佈

情況。而在圖 14-b 中，可明顯看出稻田坵塊的形

狀已漸漸形成，誤判與漏判的情況已大為減少，誤

判從 5.70%改正至 1.59%，而漏判從 6.10%改正至

5.80%。其原因為林地灰階值的起伏較大，而成為

紋理值較高的一群，使得紋理值相對較低的水稻田

能透過這種方式與林地分離，故光譜+紋理影像之

分類成果相較於純光譜分類成果，明顯減少了許多

誤判，且水稻田之分佈亦與原始影像相近，分類精

準度也因此獲得提升。

圖 14-c 為圖 14-b 經過了邊緣的補遺與切割、

雜訊的去除與坵塊補遺後所得的成果，從圖中可以

看出影像內容更加乾淨，林地被誤判為水稻田之情

況幾乎已被排除，且影像田埂資訊亦被帶入。補遺

程序對於減少影像漏授像元有較大的貢獻(漏授像

元從 5.80%減低至 2.92%)，這是因為補遺程序修復

了影像中因為移動視窗所造成的漏判，所以影像漏

授的情況因此獲得改善。另外值得注意的是此程序

並沒有減少誤授像元的數目(誤授像元只從 1.59%

修正至 1.39%)，這是因為有幾處草地被誤判成稻

田，而且在移除雜訊時，因其有較大的面積，以至

於在進行坵塊補遺時，這些誤判的草地也被當成水

稻田而擴充了其面積，所以誤授像元的比率並沒有

再次向下修正。無論如何，影像補遺程序對於分類

成果有正面的功用，補遺後的分類正確數佔有整幅

影像的 95.69%，與參考坵塊面積的 20.8 公頃相比

也僅少了 0.8 公頃。故透過本研究之程序可形成良

好的坵塊特徵，如此方能進行稻田坵塊 GIS 圖檔的

萃取。

在圖 15 中，白色框線即為本研究實驗區水稻

坵塊萃取成果，放大檢視如圖 16 所示。由圖中可

見，本研究提出以高解析度衛星影像，配合影像紋

理與影像後處理程序進行水稻田坵塊萃取之結果

良好，本研究成果顯示利用高解析度衛星影像半自

動萃取水稻田坵塊資訊將是一種可行之方式。

5. 結論與建議 本研究利用 QuickBird 衛星的高空間解像力，

融合了紋理、邊緣萃取與影像後處理技術(補遺)，

取得完整且正確的水稻田坵塊面積，並將影像處理

成果轉成向量型式，完成坵塊半自動化萃取之目

的。

本研究之結論如下。

1. 在 Quickbird 影像中，水稻田、草地與林地

等光譜灰階值相近的植生類別，若單純以光譜進行

分類時容易產生混淆。本研究以半變異元紋理資訊

輔助光譜判釋後，可有效地提高影像判釋正確性，

並降低水稻田與林地混淆的機會(誤判像元從

5.70%減少至 1.59%)。以紋理資訊輔助光譜判釋

時，在水稻田分類問題上，其分類成果確實有明顯

提升，整體面積正確性從 88.20%提升至 92.61%，

顯示紋理資訊確實能有效提升稻田分類判釋正確

率。

2. 由於紋理判釋成果中仍有無法解決的混淆

問題，故本研究再運用影像後處理方式，將誤判像

元消除，並將稻田邊界因紋理視窗效應產生的漏判

進行補遺。其結果顯示漏授像元從 5.80%減低至

雷祖強、周天穎、鄭丁元：運用 QuickBird 衛星影像於水稻田坵塊萃取之研究

307

2.92%，這顯示著本研究影像後處理模型，確實能

有效的消除誤判與漏判像元，並且能夠劃分出水稻

田坵塊。這樣的結果不僅使得分類的成果更加完

善，並獲得相當良好之水稻田分類成果，並藉此產

生耕地坵塊圖，這也顯示高解析度衛星影像應用於

水稻田耕地坵塊萃取是一種可行的方法。

本研究之建議如下。

1. 在影像分類實作中，由於有部分作物其光

譜與紋理反應與水稻田特徵過於類似，而被分類成

水稻田，因為其面積與一般稻田相仿，故在進行影

像雜訊去除時並無法將此誤判去除；另外由於有部

份稻田坵塊面積太小，以至在進行雜訊去除時，這

些小面積坵塊也會隨雜訊一並移除，未來如能應用

多時段影像，應能將此類誤判去除，獲得更佳之分

類成果。

2. 由於影像部分田埂資訊不明顯，在經過影

像邊緣萃取與邊線補遺後，其邊線並還是有無法連

結的情況產生，以至在進行坵塊補遺時會將補遺範

圍擴散至稻田坵塊之外。建議後續研究如要精確萃

取出稻田資訊時，可考慮參考前期之耕地坵塊圖當

作輔助資訊再進坵塊補遺，以提高坵塊補遺效率。

3. 在萃取出精準之水稻田耕地坵塊資訊後，

在後續的應用上，應將利用萃取出的水稻田耕地坵

塊資訊結合影像光譜與產量推估模式進行水稻產

量的推估，以快速的評估出水稻產量之有效數據。

(a). 純光譜分類成果 (b). 純光譜+紋理分類成果

(c). 多光譜+紋理影像+補遺後成果

圖 14. 面積檢核成果

■ 正確分類為非水稻像元

□ 正確分類為水稻像元

■ 漏判像元

■ 誤判像元

航測及遙測學刊 第十一卷 第三期 民國 95 年 9月

308

表 2. 面積檢核成果表

純光譜 光譜+紋理 光譜+紋理+補遺

正確分類為非水稻田 53.91% 58.01% 58.21%

誤授 5.70% 1.59% 1.39%

漏授 6.10% 5.80% 2.92%

正確分類為水稻田 34.30% 34.59% 37.47%

正確數總計 88.20% 92.61% 95.69%

錯誤數總計 11.80% 7.39% 4.31%

圖 15. 水稻坵塊萃取成果 圖 16. 水稻坵塊萃取成果放大圖

致謝

本研究承蒙行政院國家科學委員會計畫補助

(93-2116-M-035-001)，行政院農業委員會農糧署提

供資料，始得完成，謹此致謝。

參考文獻

王鄭耀，2003。數字圖像的邊緣檢測，西安交通大

學理學院學士論文。

吳政庭、周天穎、雷祖強，2003。應用碎形維度與

半變異元模式輔助高解析度衛星影像判釋之

研究，第二十二屆測量學術及應用研討會，桃

園，第 171-178 頁。

吳皓、劉政凱、張榮，2003。TM 圖像中橋梁目標

識別方法的研究，遙感學報，第七卷，第六期，

第 478-483 頁。

陳哲俊，1989。研究計畫綜合報告，國立中央大學

太空及遙測研究中心研究計畫報告。

陳益凰，1998。應用多時段衛星影像辨識水稻田之

研究，國立成功大學測量工程研究所碩士論

文。

陳彥宏，2004。運用紋理資訊輔助高解析度衛星影

像於都會區水稻田萃取之研究，逢甲大學土地

雷祖強、周天穎、鄭丁元：運用 QuickBird 衛星影像於水稻田坵塊萃取之研究

309

管理學系碩士論文

雷祖強、周天穎、鄭丁元，2005。應用半變異元模

式於 Quickbird 影像中植生類別分類特性之研

究，航空測量與遙感探測學刊，審稿中。

鄧敏松，1997。結合多時段遙測影像、耕地坵塊與

領域知識之區域式影像辨識法於水稻田耕作

調查之應用，國立成功大學測量工程研究所碩

士論文。

Canny, J., 1986, A Computational approach to edge

detection, IEEE Transactions on Pattern Analysis

and Machine Intelligence, 8 :679-698.

Carr, J. R. and Miranda, F. P., 1998, The semivariogram

in comparison to the co-occurrence matrix for

classification of image texture, IEEE Trans. On

Geo. and Remote Sensing, 36(6): 1945-1952.

Chica-Olmo, M. and Abarca-Hernández, F., 2000,

Computing geostatistical image texture for

remotely sensed data classification, Computers &

Geosciences, 26(4): 373-383

Conners, R. W. and Harlow, C. A., 1980a, Toward a

structural texture analyzer based on statistical

method, Computer Graphic and Image Processing,

12: 224-256.

Conners, R. W. and Harlow, C.A., 1980b, A theoretical

comparison of texture algorithms, IEEE Trans. on

Pattern Analysis and Machine Intelligence, Vol.

PAMI-2, No. 3, pp. 204-222.

Doucette, P., Agouris, P., Stefanidis, A. and Musavi, M.,

2001, Self-organised clustering for road extraction

in classified imagery, Journal of Photogrammetry

& Remote Sensing, 55: 347-358.

Franklin, S. E., Wulder, M. A. and Gerylo, G. R., 2001,

Texture analysis of IKONOS panchromatic data for

douglas-fir forest age class separability in British

Columbia, International Journal of Remote Sensing,

22(13): 2627-2632.

Gonzalez R. C. and Woods, R. E., 2002, Digital image

processing 2nd ed, Pearson Education Inc, Prentice

Hall.

Heath, M., Sarkar, S., Sanocki, T. and Bowyer, K., 1998,

Comparison of edge detectors: A methodology and

initial study, Computer Vision and Inage

Understanding, 69(1): 38-54.

Ishida, T., Itagaki, S., Sasaki, Y. and Ando, H., 2004,

Application of wavelet transform for extracting

edges of paddy fields from remotely sensed images,

International Journal of Remote Sensing, 25(2):

345-357.

Marceau, D. J., Howarth, P. J., Dugois, J. M. and

Gratton, D. J., 1990, Evaluation of the grey-level

co-occurrence matrix method for land-cover

classification using SPOT, IEEE Transaction on

Geosciences and Remote Sensing, imagery, 28:

513-519.

Puissant, A., Hirsch, J. and Weber, C., 2005, The utility

of texture analysis to improve per-pixel

classification for high to very high spatial

resolution imagery, International Journal of Remote

Sensing, 26(4): 733-745.

Trinder, J. C. and Wang, Y.D., 1998, Automatic road

extraction from aerial images, Digital Singal

Processing, 8: 215-224.

Tso, B. and Mather, M. P., 2001, Classification methods

for remotely sensed data, Taylor & Francis Inc,

New York.

Sobel, I., 1970, Camera models and machine perception,

PhD Theses of Stanford University.

Wang, L., Sousa, W. P., Gong, P. and Biging, G. S.,

2004, Comparison of IKONOS and QuickBird

images for mapping mangrove species on the

Caribbean coast of Panama, Remote Sensing of

Environment, 91: 432-440.

Weszka, J. S., Dyer, C. R. and Rosenfeld, A., 1976, A

comparative study of texture measures for terrain

classification, IEEE Trans. on Syst., Man, and

Cybern., Vol. SMC-6, No. 4, pp. 269-285.

Zhang, Y., 2000, A method for continuous extraction of

multispectrally classified urban rivers,

Photogrammetric Engineering and Remote Sensing,

66(8): 991-999.

310 Journal of Photogrammetry and Remote Sensing, Volume 11, No. 3, September 2006

A Study of Extraction Paddy Field from

Quickbird Image

Tsu-Chiang Lei1 Tine-Yin Chou2 Ting-Yuan-Cheng3

ABSTRACT

In Taiwan, the government surveys the rice paddy area from the aerial photography every year. This data will be used in agricultural food policy making and farmer reparation management. However, to make this information (GIS Paddy map) need many manpower and waste many time. Therefore, this research used very high-resolution satellite images (QuickBird) as a source to extract the rice pattern for rice management.

In order to reaching this purpose, this study used the Semivariogram texture method to improve classification accuracy for rice category from Quickbird Pan band. On the other hand, we also get paddy edge line by Sobel and Canny algorithms from Pan data. These edge extraction methods can take complete information for rice pattern map, and we developed the image reparation function for edge line data. After that, we integrated these area and edge line information of re-process data to Rice Pattern Extraction Model (RPEM). Finally, the image data has been independently classified using MSS gray levels, MSS add textural information, and MSS add textural information and combined edge data, which showed significantly improved classification accuracy with the “MSS add textural information and combined edge data”. The result showed using the study process can successfully scheme for rice pattern extraction from very high spatial resolution satellite images.

Key Words: Paddy Area, Satellite Image, Semivariogram, Rice Pattern Extraction Model, Quickbird

1 Assistant Professor, Environmental and spatial information science and technology, Feng Chia University

2 Professor and Director, GIS Research Center, Feng Chia University 3 Graduate Student, Department of Environmental and spatial information science and

technology, Feng Chia University

Received Date: Oct. 21, 2005Revised Date: Aug. 25, 2006Accepted Date: Aug. 30, 2006