หลักการจำแนกข้อมูลภาพเชิงวัตถุ (object base image analysis)

การประมวลผลและจำแนกข้อมูลภาพโดยหลักแล้ว แบ่งเป็น 2 วิธีด้วยกันคือ 1) image-centered approach ซึ่งเป็นวิธีการในการเอาข้อมูลมาสร้างแบบจำลองแล้วใช้แบบจำลองที่สร้างขึ้นประมาณการณ์ปรากฏการณ์หรือสิ่งที่สนใจ และ 2) data-centered approach ซึ่งเป็นวิธีการในการเอาข้อมูลมาแบ่งกลุ่มและจำแนกชั้นข้อมูล เช่น แบบ supervised, unsupervised, hybrid classification เพื่อจำแนกสิ่งปกคลุมดินและการใช้ที่ดิน ทั้งนี้ในด้านรีโมทเซนซิ่งการประมวลผลและจำแนกข้อมูลภาพดังกล่าวจะมีความสัมพันธ์กับจุดภาพ (pixel) ที่ปรากฏบนภาพดาวเทียม โดยมีลักษณะสำคัญที่เกี่ยวข้องกับการนำจุดภาพไปใช้วิเคราะห์สามประการ คือ ขนาด ตำแหน่ง และค่าประจำของแต่ละจุดภาพ โดยจุดภาพจะถูกเปลี่ยนเป็นภาพเชิงวัตถุ (object image) ซึ่งเป็นกลุ่มของจุดภาพที่มีความหมายเพื่อแปลตีความและอธิบายลักษณะที่ปรากฏในโลกจริง (real world) ต่อไป

ความสามารถในการให้รายละเอียดเชิงพื้นที่ (high resolution) ของดาวเทียมรายละเอียดสูงและสูงมากหลายดวงในปัจจุบัน เช่น GeoEye-1 (PAN=0.41, MS=1.65), WorldView-2 (PAN=0.46, MS=1.8), QuickBird (PAN=0.61, MS=2.44), IKONOS (PAN=1, MS=4), Orbview3 (PAN=1, MS=4), FORMOSAT-2 (PAN=2, MS=8), ALOS (PAN=2.5, MS=10), SPOT-5 (PAN=5, MS=10) ทำให้เกิดความต้องการในรูปแบบวิธีการใหม่ๆ เข้ามาช่วยสนับสนุนในการวิเคราะห์ภาพ การจำแนกข้อมูลภาพหรือการแบ่งส่วนภาพ (image segmentation) เป็นรูปแบบวิธีการหนึ่งที่ถูกนำมาใช้มากกับข้อมูลรายละเอียดสูงในการจำแนกข้อมูลภาพเชิงวัตถุ (object base image analysis) เพื่อแปลตีความข้อมูลจากจุดภาพและสกัดข้อมูลที่มีลักษณะเป็น mixed pixel จากดาวเทียมที่มีรายละเอียดเชิงพื้นที่ที่แตกต่างกัน ทั้งนี้คำนิยามของคำว่ารายละเอียดเชิงพื้นที่สูงหรือต่ำ นอกจากจะนิยามตรงตัวจากความละเอียดของพื้นที่ตาม IFOV ที่ตัวบันทึกสามารถตรวจจับ หรือขนาดจุดภาพ (pixel size) ในภาพดาวเทียมแล้ว ขนาดของวัตถุที่ตรวจวัดก็เป็นส่วนหนึ่งที่ถูกนำมาวิเคราะห์ โดยถ้าหากวัตถุสังเกตมีขนาดที่ตัวบันทึกสามารถบันทึกได้ตามวัตถุประสงค์การตรวจวัดให้ถือว่ามีความละเอียดสูง เช่น ตึกมีขนาด 10X10 เมตร ดาวเทียม Landsat มีรายละเอียด 30 เมตร ไม่สามารถตรวจจับได้ แต่ดาวเทียม IKONOS สามารถตรวจจับได้ แสดงว่าดาวเทียม IKONOS เป็นดาวเทียมรายละเอียดสูง ส่วนดาวเทียม Landsat ไม่ใช่ดาวเทียมรายละเอียดสูง เป็นต้น

การจำแนกข้อมูลภาพเชิงวัตถุเป็นหลักการของการจำแนกข้อมูลภาพเพื่อตีความหรืออธิบายปรากฏการณ์หรือสิ่งที่ปรากฏบนโลกจริง โดยมีวิธีการที่สำคัญคือการทำ segmentation ทั้งนี้ segmentation คือการแบ่งส่วนภาพ (image) ออกเป็นหลายพื้นที่ (region) หรือวัตถุ (object) หลายชนิด ตามลักษณะของการเป็นเนื้อเดียวกันหรือมีความสัมพันธ์กัน (homogenous areas, relatively homogeneous areas) เพื่อพยายามสร้างวัตถุและใช้วัตถุที่สร้างขึ้นมาอธิบายชั้นข้อมูล (class) แบ่งออกเป็น 3 ประเภท คือ pixel-based segmentation method, edge based segmentation method และ region based segmentation method โดยที่

1) pixel-based segmentation method เป็นการแบ่งส่วนภาพโดยใช้ค่า threshold เช่น คุณสมบัติของความเข้มแสงหรือ histogram มาเป็นตัวตัดสินเพื่อกำหนดกลุ่มของข้อมูลในการแบ่ง class

2) edge based segmentation method เป็นการแบ่งส่วนภาพโดยใช้ความไม่ต่อเนื่องของภาพบริเวณขอบของวัตถุต่างชนิดกันมาเป็นตัวแบ่ง มี 3 ขั้นตอน คือ (1) ทำ filtering เพื่อกรองข้อมูลและขจัดจุดภาพรบกวน (2) ทำ enhancement เพื่อปรับปรุงคุณภาพข้อมูลและเน้นส่วนที่เป็นขอบเขตวัตถุบนภาพ และ (3) การ detection เป็นการตรวจจับและสร้างขอบเขตวัตถุและให้คำอธิบายข้อมูล

3) region based segmentation method แบ่งออกเป็น 3 แบบ คือ (1) region growing technique ซึ่งเป็นกระบวนการขยายกลุ่มของจุดภาพหรือ sub-region ให้มีขนาดที่ใหญ่ขึ้นตามเกณฑ์ที่กำหนด โดยการขยายกลุ่มอาจจะเริ่มจากกลุ่มของ pixel ที่เรียกว่า seed pixels และขยายพื้นที่ไปยัง neighboring pixel ที่มีคุณสมบัติคล้ายกัน (เช่น กำหนดช่วงของ gray level หรือสี) โดยการเลือก seed pixels มักจะขึ้นอยู่กับลักษณะของ image (2) region merging and splitting technique เป็นเทคนิคในการรวมหรือแยกจุดภาพเพื่อให้เกิด object โดยเทคนิค merging จะเริ่มจาก initial region ซึ่งอาจเป็นจุดภาพเพียงหนึ่งจุดภาพแล้วทำการรวมจุดภาพที่เหมือนกันเข้าด้วยกันจนได้ object ส่วนเทคนิค splitting จะเริ่มจาก large segments แล้วแบ่งส่วนย่อยให้มีขนาดเล็กลงจนกว่าจะได้ object ที่ไม่เป็น homogeneous และ (3) combination techniques เป็นวิธีการแบ่งส่วนภาพที่มีการผสมแบบ region growing และ region merging and splitting techniques เข้าด้วยกัน

 

แนวคิดหลักของการทำ segmentation คือการจัดส่วนของข้อมูลหรือภาพที่มีลักษณะ homogeneous เข้าด้วยกัน โดยอาศัยกระบวนการวิเคราะห์ทางสถิติของค่าข้อมูล มีหลายวิธีและใช้อัลกอริทึมที่ต่างกันไป เช่น unsupervised texture recognition by extracting local histograms, Gabor wavelet scale-space representation with frequency, Markov Random Fields (MRF), Maximum a posteriori (MAP) probability, watershed transformation, multi-fractal image analysis ซึ่งวิธีการเหล่านี้สามารถใช้ช่วยในการจำแนกสิ่งปกคลุมดินและสิ่งปกคลุมดินได้ ดังเช่น การวิเคราะห์แบบ Per-field classification approaches ที่มีพื้นฐานมาจากวิธีการ multi-fractal image analysis สามารถใช้จำแนกพื้นที่เกษตรได้ดีกว่าการวิเคราะห์แบบ per-pixel classification เนื่องจากสามารถให้ข้อมูล field หรือ parcel ที่แสดงขอบเขตของวัตถุ เช่น พื้นที่เกษตรแต่ละแปลง สวน เมือง หรือถนน เป็นต้น ทั้งนี้เราสามารถขยายขอบเขตในการแบ่งส่วนภาพโดยใช้เทคนิค artificial neural network classifiers (ANN) หรือ Multi-resolution image segmentation Approach เข้ามาช่วย โดยวิธีการทั้งหมดที่กล่าวมาสามารถวิเคราะห์ด้วยโปรแกรมประมวลผลภาพที่สำคัญ เช่น ENVI Feature Extraction Module 4.4, BerkleyImgseg 0.54, EDISON, EWS 1.0, Definiens Developer 7, Definiens Professional 5, eCognition และ InfoPack 2.0

 

ทั้งนี้ในการวิเคราะห์การแบ่งส่วนภาพโดยโปรแกรมจะมีรายละเอียดที่แตกต่างกัน แต่จะมีขั้นตอนหลักที่ใกล้เคียงกัน ยกตัวอย่างเช่น การแบ่งส่วนข้อมูลภาพโดยใช้โปรแกรม Definiens Professional 5 มีขั้นตอนหลัก 6 ขั้นตอน ประกอบด้วย 1) load data and create project 2) create image objects 3) create image objects heirarchy 4) get information on image objects 5) classification และ 6) validate and export results โดยที่

1) load data and create project เป็นขั้นตอนของการนำเข้าข้อมูลที่ต้องการจำแนกข้อมูลภาพเชิงวัตถุตามวัตถุประสงค์ และสร้าง project ในโปรแกรม โดยข้อมูลแผนที่เฉพาะเรื่องที่นำเข้าอาจอยู่ในรูป ASCII raster, shapefile หรือ vector file ก็ได้

2) create image objects เป็นขั้นตอนของการสร้างภาพวัตถุ ซึ่งขึ้นอยู่กับวัตถุประสงค์การใช้งาน ทำได้หลายวิธี เช่น multiresolution, quadtree, chessboard ดังภาพ 4 ทั้งนี้การสร้างภาพวัตถุแบ่งออกเป็น 2 แบบ คือ top-down strategy เป็นการตัดสิ่งที่มีขนาดใหญ่ให้เล็กลง และ bottom-up strategy เป็นการรวมกลุ่มชิ้นส่วนเล็กๆ ให้มีขนาดใหญ่ขึ้น โดยตั้งอยู่บนฐานของการเป็น homogeneous

3) create image objects hierarchy เป็นขั้นตอนของการสร้างภาพวัตถุตามลำดับขั้นจากวัตถุที่มีสเกลที่แตกต่างกันพร้อมเชื่อมโยงความสัมพันธ์ของวัตถุที่เป็นสิ่งเดียวกันเข้าด้วยกัน

4) get information on image objects เป็นขั้นตอนของการสร้างข้อมูลหรือสารสนเทศให้กับข้อมูลภาพ

5) classification เป็นขั้นตอนในการจำแนกข้อมูลภาพและจัดชั้นข้อมูลเพื่อตีความ แปลความหมาย และอธิบายปรากฏการณ์หรือวัตถุที่สังเกต

6) validate and export results เป็นขั้นตอนในการตรวจสอบความถูกต้อง เช่น อาจตรวจสอบความถูกต้องของการจำแนกข้อมูลภาพเชิงวัตถุที่ได้ด้วยการตรวจสอบค่าทางสถิติ, ข้อมูลการสำรวจภาคสนาม, ชั้นข้อมูลสิ่งปกคลุมดินและการใช้ประโยชน์ที่ดินในรูปแบบของข้อมูล shapefile เป็นต้น