Professional Documents
Culture Documents
เอกสารภาษาไทย Image Processing 6
เอกสารภาษาไทย Image Processing 6
Interpretation
1. กลาวนํา
2. การจําแนกรายละเอียด (Classification)
Discrimination Function
64
ของสองสิง่ หรือมากกวา โดยทั่วไปเราเรียกตัวที่ใชแยกหรือจําแนกวา
Discriminator หรือ Classifier ซึ่งสามารถอธิบายดวยสมการดังตอไปนี้
65
2.2 Supervised Classification
66
รูปที่ 3 Maximal Likelihood Classification (ตอ)
1 ⎧ 1 t⎫
Lx ( X ) = 1/ 2
exp⎨− ( X − μ k ) ⎬
( 2Π ) n
∑ k
⎩ 2 ⎭
(3)
โดยที่ตัวอยางของการจําแนกรายละเอียดวัตถุตางๆในภาพถายดาวเทียม
Aster ในชวงคลื่น visible (400-700μm) ดวยวิธี Maximum Likelihood
Classification จะไดอธิบายกระบวนการทํางานและผลลัพธในรูปที่ 4, 5, 6
และ 7 ตามลําดับ
67
รูปที่ 4 Procedure of Maximum Likelihood Classification สําหรับการ
จําแนกรายละเอียดภาพดาวเทียม
68
รูปที่ 6 การเลือก Training Data Set
69
2.3 Unsupervised Classification
70
Selection of parameters
Relocation of members
No
Convergence
Yes
No
71
รูปที่ 9 Original Image
นอกจากการจําแนกรายละเอียด(Classification) ของวัตถุชนิดตางๆในภาพ
ดาวเทียม (Satellite Image) ที่ไดกลาวมาแลวยังมีอีกเรื่องที่นาสนใจและ
เปนงานวิจัยอยางแพรหลายสําหรับการนําหลักการ Image Processing มา
ประยุกตก็คือ Man-made Object Extraction หรือ การระบุชนิดของวัตถุ
72
หรือสิ่งที่มนุษยสรางขึ้นจากภาพ ในที่นี้จะขอยกตัวอยาง การระบุชนิดปาย
ควบคุมการจราจรจากภาพถายบนพื้นดิน (Traffic Sign Recognition from
Terrestrial Imagery) และ การคนหารถจากรูปถายทางอากาศ (Vehicle
Detection from Aerial Image) ซึ่งจะไดแสดงรายละเอียดดังตอไปนี้
(4)
โดยที่ g1 (r,c) = Master, g2 (r,c) =Template , p = Correlation
Coefficient หรือ CC และ (r,c) = ตําแหนงของ Pixel ใน Image
73
จากสมการดังกลาวสามารถวัดความเหมือนวัตถุที่เราทราบในภาพดวยคา
Correlation Coefficient สูงสุดดังที่จะแสดงใหเห็นในรูปที่ ซึ่งโดยปกติการ
ทํางานของการคํานวณหา Correlation Coefficient ของ Template
Matching ที่สมบูรณจะมีรูป parabolic หรือระฆังคว่ํา
74
มากที่สุด และ ในทายสุด Template จะแสดงเปนผลลัพธ โดยที่กระบวน
ทั้งหมดและตังอยางของผลลัพธแสดงในรูปที 13, 14 และ 15 ตามลําดับ
Recognition Procedure
Image Matching
algorithm
Template
Matching
Techniques
75
The Sign No.2 Recognition Result
0.003
0.002
0.001
0
10
13
16
19
22
25
28
31
34
37
40
43
46
1
4
7
The Number of Sign in Sing Library
76
รูปที่ 16 ระบบการทํางานของ Three Line Scanner
77
4. การบันทึกภาพจาก Sensor ที่ติดตั้งบน Helicopter ทําใหสามารถทํา
การบินบันทึกถายรูปดวยความเร็วและความสูงบินที่ต่ํากวาเครื่องบิน ซึ่งที่
กอใหเกิดประโยชน และสามารถผลิตภาพที่มีลักษณะ Seamless
ประโยชนตางที่ไดอธิบายมาแลวในขั้นตน สามารถสรุปและแสดงในรูปที่
17
จากประโยชนดังกลาวจะเกิดคําถามวา ทําไมภาพชนิดนี้จึงเหมาะสมกับการ
คนหารถ ดังนั้นจะขออธิบายถึงความเหมาะสมดังกลาวโดยพิจารณาจาก
คุณสมบัติตางๆ ของ TLS ดังตอไปนี้
78
เปนระยะทางยาว (Linear Ground Object) เชน ถนนหรือแนวคลอง
ชลประทาน เปนตน
3. เมื่อพิจารณา ภาพTLSนั้นเปนภาพที่มีสวนซอนทับจากการถายตางมุมใน
เวลาเดียวกัน เราทําการรังวัดความสูงของวัตถุที่อยูนิ่ง (Static Object)
เชน รถหยุด (Stopping Vehicle) โดยเทคนิคการสราง 3 มิติจากภาพคู
ซอน (Stereoscopic Measurement)
79
วัตถุที่มีการเคลื่อนที่ (Dynamics Objects) เชน รถที่กําลังเคลื่อนที่
(Moving Objects) ในขณะที่เราทําการบันทึกภาพ
3.2.2 สมมุติฐานของรถ
80
สําหรับรถในการศึกษานี้ เราไดตั้งสมมุติฐานของรถชนิดตางๆดังตอไปนี้
1. รถในการศึกษาของเราคือ รถที่อยูบนถนน และ ทิศทางของรถขนานกับ
ถนน
2. รถหยุดคือรถที่ปรากฏอยูในรูปทั้ง 3 ทิศทาง: ทิศหนา, ทิศทางดิ่งตรง
และ ทิศทางหลังในภาพชุดเดียวกัน ในขณะที่รถที่มีการเคลื่อนที่จะปรากฏ
เพียงรูปใดรูปหนึ่งของภาพชุดเดียวกัน
3. รถหยุดจะประกอบดวยรถที่จอดเปนเวลานานและรถที่หยุดชั่งคราวเพื่อ
ธุระหรือหยุดเพื่อรอสัญณาณไฟเขียว
1. Preprocessing เปนขั้นของการเตรียมขอมูลดังตอไปนี้
81
Road Boundary Road Direction
รูปที่ 23 พื้นที่ของถนนและทิศทางของถนนในภาพ
Raw TLS
image
Undersegmentation
Segmented Region Growing
image Segmentation
Noise
Noise and
Under- Erosion Operation
segmented Nearest Interpolation
image
Cleaned
Image
82
จากการนําหลักการดพื้นฐานตางๆของ Image Processing มารวมกัน
(Integration) เชน Radon Transformation, Scanning เปนตน ในที่สุด
เราสามารถวัดพารามิเตอรหลายตัว เชน ความกวาง, ความยาว หรือ การ
หมุนของ Region ตางๆ
เมื่อใชพารามิเตอรเหลานั้นเปรียบเทียบกับขนาดรถยนตจากฐานขอมูลจาก
Internet ดังนั้น เราจึงสามารถแยก Region ที่ไมใชรถและมีขนาดใหญกวา
ขนาดรถยนตจากฐานขอมูล ซึ่งเปนขั้นสุดทายของ Pre-processing โดยจะ
ไดผลลัพธดังตอไปนี้คือ Region ตางๆที่คาดวาจะรถและสวนประกอบของ
มันและเครื่องหมายบนผิวถนน
83
รูปที่ 26 ผลลัพธของการ Mask บนพื้นที่ไมใชรถ
รูปที่ 27 เงื่อนไขในการแยกรถเคลื่อนที่และรถหยุด
84
รูปที่ 28 Stereo Matching for Height Calculation
85
3. Refinement of Stopping Vehicle
86
Detected Stopping Vehicle
( As Stopping Vehicle Candidate
Agrees with stopping vehicle model)
ดวยการใชผลลัพธของรถหยุด ในขั้นนี้เราสามารถแยกประเภทของรถหยุด
เปน 2 ประเภทคือ รถที่จอดเปนเวลาและรถที่หยุดเพื่อรอ โดยที่ไดใชเงื่อน-
ไขที่ไดรับการพัฒนาจากขอมูลที่เราจากการสังเกตุพฤติกรรมของการจอด
รถ ณ. ที่ชองจอดรถบนถนนและ การจอดเพื่อรอสัญณาณไฟเขียว ซึ่งเรา
พบวา “จากการสังเกตุบนถนนสายหลักในกรุงโตเกียว ประเทศญี่ปุน การ
จอดรถเปนเวลานานในที่จอดรถ ผูขับรถนั้นจะจอดรถชิดขอบถนน ในขณะที่
การจอดรถที่รอสัญณาณไฟเขียว” ดังนั้นถาเรากําหนดระยะคงที่เปนคาคา
หนึ่งเพื่อใชในการแยกชนิดของรถหยุด โดยถาเราทําการวัดระยะที่ตั้งฉาก
จากขอบถนนไปยังpolygonของรถหยุดใดๆ แลวเปรียบเทียบระยะที่ตั้ง-
ฉากกับระยะคงที่ ในกรณีที่ระยะที่ตั้งฉากมีนอยกวาหรือเทากับระยะคงที่
เราสามารถนิยามรถหยุดคันดังกลาวเปนรถที่จอดเปนระยะเวลานานในภาพ
TLS ชุดกลาว นอกจากนั้นแลวเราจะใหรถหยุดที่มีระยะตั้งฉากที่มีคา
มากกวาระยะคงที่ เราจะจัดรถหยุดคันดังกลาวอยูในชั้นรถที่หยุดเพื่อรอ
สัญณาณไฟเขียว โดยที่เงื่อนไขและตัวอยางของการแยกประเภทของรถ
หยุดจะไดอธิบายในรูปที่ 32 และ 33 ตามลําดับ
87
Dt =30 pixel
P1
o n ic le
l yg eh
.
Po d V
pe
op
P2
St
Dr
รูปที่ 32 เงือนไขของการแยกประเภทของรถหยุด
88
5. Refinement of Moving Vehicle
สําหรับกระบวนสุดทายในงานวิจัยนี้ก็คือ การสรางตัวรถที่เคลื่อนที่จาก
Region ที่คาดวาจะเปนสวนประกอบของรถที่เคลื่อนที่ในชุดภาพ TLS ใดๆ
สําหรับการทํางานของกระบวนนี้จะเริ่มจาก ในแรกตอนแรก การนํา Region
ที่คาดวาจะเปนชิ้นประกอบของรถที่เคลื่อนแตอยางก็ตาม Region ดังกลาว
ยังประกอบดวย Regionที่เปนสวนเล็กๆของเครื่องหมายบนผิวถนน ซึ่งเรา
สามารถทําการแยก Regionที่เปนสวนเล็กๆของเครื่องหมายบนผิวถนน ได
โดยการใช Thresholding ซึ่งพัฒนาจากคาความสูงและCorrection
coefficient (CC) หรือ สัมประสิทธิ์ความสัมพันธรวมโดยปกติ Region
ดังกลาวจะมีการความสูงที่ต่ํากวารถแตให CC สูงเนื่องจากเครื่องหมาย
ตางๆบนผิวถนน เปนวัตถุนิ่ง (Static Object) เมื่อเราแยก Region ที่เปน
เครื่องหมายตางๆบนผิวถนนออกแลว Regionที่เหลือเพียงเปนชิ้นประกอบ
ของรถที่เคลื่อน เราจะใช Region เหลานี้เปน Seeding Point หรือ จุด
กําหนดในการสรางหรือการประกอบตัวรถที่เคลื่อนที สําหรับในขั้นตอนที่
สอง เราเรียกวา Expansion โดยเริ่มจากใช Seeding Point ขยายและรวม
กับ Regionของรถเคลื่อนที่อยูติดกับ Seeding Point นั้นโดยใชเงื่อนไข
ของการขยายและรวมนั้นจะตองไปตามทิศทางของถนน เมื่อ Seeding
Point และ Region รวมกันแลวจะเรียกวา Moving Vehicle Candidate ใน
ตอนสุดทาย Moving Vehicle Candidate จะถูกทดสอบกับ Moving
Vehicle Model ถา Moving Vehicle Candidate ยอบรับกับ Moving
Vehicle Model เราก็นิยาม Moving Vehicle Candidate เปนรถที่เคลื่อนที่
และทําการขยาย Seeding point จาก Region ที่เหลือจน Region ไมเหลือ
โดยที่กระบวนการ Refinement of Moving Vehicle และผลลัพธจะแสดง
ในรูปที 34 และ 35 ตามลําดับ
89
รูปที่ 35 ผลลัพธ Moving Vehicle Detection ตามลําดับ
สรุป
อางอิง
Discrimination Function
http://www.biorecipes.com/Classific/code.html
Unsupervised Classification
http://deathstar.rutgers.edu/courses/remsens/rem_cpe_1/remsens
ing6/sld015.htm
90
Sompoch Puntavungkour, Master Thesis: Asian Institute of
Technology, August 2000
91