早期的遙測技術皆以人工判讀影像，然而此一方式除了耗費大量的人力與工時之外，判讀的結果也存在客觀性的問題。因此近來許多影像辨識與自動化判讀的技術紛紛被提出，其中之一為多層次型態學動態輪廓演算法(MMAC)，此演算法利用由下而上的侵蝕(Bottom-up erosion)找出樹冠做為種子，進一步透過形態學與主動輪廓演算法描繪出樹冠。此一演算法能夠有效地提升山區的樹木偵測率，然而由於其演算法的設計，對於樹木的偵測是利用區域最大值及樹冠具有圓形的特徵，因此容易將樹枝誤判為獨立的樹木，增加樹木數量的誤判，並無任何機制針對所找出的樹冠進行篩檢。另外此演算法也面臨運算量龐大的問題，使得此演算法難以運用於大面積的遥測影像。
本論文將修改多層次形態學動態輪廓演算法，導入梯度向量蛇行演算法，藉以解決上述了兩大問題。論文中保留了MMAC向上侵蝕技術找出樹冠頂端做為種子，利用梯度向量蛇行演算法將種子輪廓拓樸到真實樹冠所在位置，經由本論文實驗結果驗證，將可以有效提升樹冠的偵測率及輪廓描繪的速度。
近年來氣候越趨近極端，大自然的保護更為重要，如何有效的管理森林面積以及利用樹種變遷來追蹤氣候的變化，成為一個非常重要的議題。但因為透過人工方式實地去調查非常費時且耗人力，由於遙測影像具有大範圍與即時監控等特性，因此該技術被廣泛地用於此一應用。
自1980年以來有許多的樹木偵測與輪廓描繪的演算法被提出，最早的演算法是利用樹木於彩色(RGB)空照圖上的特性，將每棵樹的輪廓圈選出來。近十多年來，由於光達影像可以提供物體垂直的結構，因此開始被廣泛地用於此應用。縱然許多的針對多光譜或RBG彩色影像所提出演算法依然適用於光達影像，然而這些演算法均未善加利用光達影像所提供的樹木垂直特性。
本論文利用Pollock所提出的三維樹木模型，此一模型可以用來模擬樹木三維的輪廓，然而此一模型的精確度嚴重的仰賴各項參數。為了解決此一問題，本論文提出一套迭代式演算法，於迭代的過程中找出與樹冠頂端的資料點最接近的Pollock模型，並透過最小平方法求得誤差，利用此一誤差將樹冠區域過濾出來，並將其概略的輪廓描繪出來，所提出的演算法將提供更精確的樹木偵測率與快速的運算，使其更適合運用於樹木的偵測與描繪。
森林被比喻為地球之肺，對於氣候的調節與溫室效應的減緩，均扮演極度重要的角色。台灣本身具有非常豐富的林產資源，藉由每隔一段時間的林業調查，可以掌握重要林業資源的消長。然而透過人工方式實地訪查非常地費時費力，並且受限於某些易於調查的區域，因此遙測影像技術被廣泛地用於此一應用。
早期的遥測技術均以人工判讀影像，然而此一方式除了耗費大量的人力與工時之外，判讀的結果也存在客觀性的問題。因此近來許多影像辨識與自動化判讀的技術紛紛被提出，其中之一為多層次型態學動態輪廓演算法(MMAC)。此一演算法能夠有效地提升山區的樹木偵測率，然而由於其演算法的設計，對於樹木的偵測是利用區域最大值及樹冠具有圓形的特徵，因此容易將樹枝誤判為獨立的樹木，增加樹木數量的誤判。另外此一演算法也面臨運算量龐大的問題，使得此演算法難以運用於大面積的遥測影像。
本論文藉由導入樹冠之模型，藉以解決上述了兩大問題。由於高斯函數的機率密度函數呈鐘型，於樹木的形狀上有某種程度上的吻合，本論文提出將其二維模型視為一新的樹木模型，導入多層次型態學動態輪廓演算法，用以改良其演算法於樹木偵測方面的準確率，並利用其形狀減少於樹冠描繪上執行時間。改良後的演算法將提供更精確的樹木偵測率與快速的運算，使其更適合運用於樹木的偵測與描繪。
台灣的森林由於氣候與海拔的關係，從低海拔的闊葉林到高海拔的針葉林，分佈相當廣泛。台灣的高山地形使得人工管理近乎不可能，因此遙測影像被廣泛的應用來解決此一問題，然而人工影像判讀除了需要大量的人力以外，並嚴重依賴判讀者的經驗。近年來多層次型態學動態輪廓演算法(MMAC)被提出來用以自動偵測樹木與輪廓描繪。
多層次型態學動態輪廓演算法(MMAC)雖然可以有效的解決高山地區的樹木輪廓辨識率，然而此一演算法的原先設計，是針對光達影像所提供的高度資訊來偵測樹木與樹冠描繪。若影像資料為傳統的RBG影像與多光譜影像的型態，因為難以直接對應到光達影像所呈現的高度時，此一演算法的偵測效能就會大幅下降。
本論文將光譜資訊加入多層次型態學動態輪廓演算法，用以改良其原本只能使用於光達影像上的缺點，藉由加入頻譜資訊的概念，利用頻譜分析與分類器，進一步提升偵測率並拓展此一演算法到多光譜影像。本論文以光譜分析的角度改進原演算法的限制性，並進一步提升樹木偵測與樹冠描繪的效能，並期望未來能夠應用於大面積的遙測影像上。