ขบวนการทำ Pan-sharpened

หลักการของขบวนการทำ Pan-sharpened ในแต่ละวิธี

Principle Component
เป็นวิธีการวิเคราะห์การองค์ประกอบหลักของข้อมูล (Principle Component Analysis; PCA)ของข้อมูล Multispectral โดยค่าองค์ประกอบหลักที่ 1 (PC-1) ที่วิเคราะห์ได้จะถูกแทนที่ด้วยข้อมูลภาพ Panchromatic โดยวิธีการ PCA นี้เป็นวิธีการที่ให้ผลดีในการนำไปใช้เพื่อต้องการผลของข้อมูลภาพออกมาให้มีค่าคุณลักษณะเชิงคลื่นใกล้เคียงกับข้อมูลภาพ Multispectral

Multiplicative
เป็นวิธีการที่ใช้หลักการในการเน้นคมชัดของข้อมูลภาพด้วยการคำนวณทางคณิตศาสตร์อย่างง่ายโดยการนำค่าการสะท้อนแสงของภาพ Multispectral คูณด้วยค่าการสะท้อนแสงของข้อมูลภาพ Panchromatic การทำ Pan-sharpened ด้วยวิธีMultiplicative นี้เป็นวิธีที่รวดเร็ว และใช้ทรัพยากรน้อยกว่าวิธีอื่นๆ โดยภาพรวมแล้วผลที่ได้จากการใช้วิธีนี้คือ วัตถุที่อยู่ในภาพจะสว่างขึ้น
โดยเฉพาะในบริเวณที่เป็นแหล่งชุมชนจะเห็นขอบเขตชัดขึ้น ในการคำนวณด้วยวิธีดังกล่าวจะใช้สูตร
ดังต่อไปนี้

DNmultispectral ×DNpanchromatic = DNNew

Brovey Transform
เป็นวิธีการที่ใช้หลักการในการหาอัตราส่วนของข้อมูลภาพทั้งสอง โดยวิธี Brovey Transformนี้จะพัฒนาเพื่อการเพิ่มความแตกต่างในการมองวัตถุภาพในบริเวณที่มีค่า Histogram ที่สูงและต่ำ (ในบริเวณที่มีค่า Histogram มีค่าต่ำ เช่น บริเวณที่มีเงา แหล่งน้ำ สำหรับในบริเวณที่มีค่า Histogram มีค่าสูง เช่น บริเวณที่เป็นแหล่งชุมชน) สำหรับวิธี Brovey Transform นี้ไม่ควรใช้หากต้องการให้ผล
ของข้อมูลภาพที่ออกมามีค่าคุณลักษณะเชิงคลื่น ใกล้เคียงกับข้อมูลภาพ Multispectral ในการคำนวณด้วยวิธีดังกล่าวจะใช้สูตรดังต่อไปนี้



High Pass Filtering (HPF) Technique
เป็นวิธีการหนึ่งที่ปรับปรุงวิธีโดยใช้หลักการของ Wavelet-base method ด้วยการใช้ HighPass Filter (HPF) ช่วยในการทำขบวนการ Fusion ของข้อมูล โดยขบวนการคำนวณของวิธีนี้จะประหยัดเวลาและเนื้อที่ของผลลัพธ์ของข้อมูล โดยขบวนการดังกล่าวเริ่มต้นจาก

-คำนวณอัตราส่วนของขนาด Pixel ของภาพ Panchromatic และข้อมูล Multispectral
-นำภาพ Panchromatic คำนวณด้วย High Pass Filtering ซึ่งขึ้นอยู่กับอัตราส่วนระหว่างขนาดภาพ
-ทำการสุ่มซ้ำข้อมูล (Resample) ข้อมูล Multispectral ให้มีขนาดเท่ากับภาพที่ผ่านขบวนการทำ High Pass filtering จากภาพ Panchromatic
-นำภาพที่ผ่านขบวนการทำ HPF Merge เข้ากับทุกแบนด์ของภาพ Multispectral โดยพิจารณาจากค่า Global Standard Deviation ของข้อมูลภาพ Multispectral ในแต่ละแบนด์
-ทำการ Stretching ข้อมูลใหม่ให้มีค่า Mean และค่า Standard Deviation ของภาพMultispectral

Gram-Schmidt Spectral Sharpening
เป็นวิธีการการสร้างข้อมูลภาพใหม่โดยการใช้ Algorithm Gram-Schmidt ให้กับข้อมูลภาพ Multispectral และข้อมูลภาพ Panchromatic จากนั้นนำข้อมูลภาพ Panchromatic ที่สร้างขึ้นใหม่ด้วย Algorithm Gram-Schmidt แทนที่ให้กับข้อมูลภาพ Multispectral ในแบนด์ที่ 1

IHS
ใช้หลักการดังนี้ เป็นการนำข้อมูลภาพ Multispectral ที่อยู่ในรูปแบบของระบบสี RGB (Red Green Blue) โดยนำภาพMultispectral ที่อยู่ในระบบสี RGB ทำการแปลงค่าให้อยู่ในระบบสี IHS(Intensity Hue Saturation) จากนั้นนำข้อมูลภาพ Panchromatic มาทำ Histogram Matching กับข้อมูลภาพ Multispectral ที่แปลงให้อยู่ในรูปแบบ IHS โดยใช้ค่า Intensity เป็นค่าอ้างอิง จากนั้นนำภาพ Panchromatic ไปแทนค่า Intensity ของภาพ Multispectral เมื่อแทนค่าแล้วจากนั้นจึงแปลงค่า IHS เป็น ค่า RGB

Map Jack

Map Jack เป็นเว็บไซต์ที่แสดงแผนที่ยุคใหม่ โดยนำเสนอภาพพาโนรามารอบทิศทาง โดยผู้ที่เข้าชมทางเว็บไซต์นั้นจะรู้สึกเหมือนอยู่ ณ สถานที่นั้นจริงๆ และสามารถคลิกเลื่อนชมภาพได้รอบตัวรอบทิศทาง 360 องศา เป็นการนำเสนอแผนที่แนวใหม่ที่ไม่เหมือนใคร


ภาพที่ 1: ภาพจาก Map Jack บริเวณตลาดวโรรส อ.เมือง จ.เชียงใหม่

โดยในช่วงแรกนั้นได้ให้บริการข้อมูลของต่างประเทศ เช่น สหรัฐอเมริกา (ในรัฐต่างๆ) รวมถึงในประเทศไทยนั้นก็มีเพียงจังหวัดเชียงใหม่ และพัทยาเท่านั้น แต่ปัจจุบันนี้ทางเว็บไซต์ได้ทำการปรับปรุงโดยได้เพิ่มจังหวัดต่างที่เข้ามาให้บริการข้อมูล เช่น จังหวัดพระนครศรีอยุธยา ปาย ภูเก็ต กระบี่ หัวหิน แม่ฮ่องสอน เป็นต้น ซึ่งท่านสามารถเข้าเยี่ยมชมและทดลองใช้ด้วยตัวเองที่ http://www.mapjack.com/

นอกจากนั้นประโยชน์ของ Map Jack ที่มีนอกเหนือจากเว็บไซต์ที่แสดงแผนที่อื่นๆ คือเพื่อให้ผู้ใช้นั้น สามารถมองเห็นภาพข้างๆ ถนนที่เราดูแผนที่อยู่นั้น มีตึกรางบ้านช่องตามข้างทางมีสภาพเป็นอย่างไร ซึ่งนอกจากจะช่วยให้ผู้ใช้วางแผนการเดินทาง มีจุดสังเกตเพิ่มขึ้นแล้ว ยังทำให้คนที่ไม่เคยไปยัง สถานที่ หรือ ถนนสายนั้น ได้เห็นสภาพแวดล้อมโดยชัดเจนอีกด้วย อีกทั้งยังสามารถใช้เป็นเครื่องมือในการอธิบายเส้นทางให้แก่ผู้ที่ต้องการไปยังสถานที่นั้นๆ ผ่านทางลิงค์ที่ทางเว็บไซต์จัดทำได้อีกด้วย




ภาพที่ 2: การทำ link เพื่อใช้ในการอธิบายเส้นทาง

หลายท่านอาจอยากทราบว่าเว็บไซต์นี้ต้องอาศัยเทคโนโลยีใด ซึ่งเบื้องหลังเทคโนโลยีนี้ก็คือ mobile mapping โดยอาศัยรถยนต์กล้อง panorama 360° ร่วมกับ GPS/IMU เพื่อใช้ในการอ้างอิงตำแหน่งพิกัดบนพื้นโลก โดยนำอุปกรณ์ต่างๆ เหล่านี้มาใช้ในการจัดเก็บข้อมูลเพื่อให้ได้มาซึ่งข้อมูลทางแผนที่ที่มีประโยชน์ให้พวกเราสามารถนำไปประยุกต์ใช้ให้เกิดประโยชน์ในด้านต่างๆ ต่อไป



ซึ่งจะเห็นได้ว่าสิ่งหนึ่งที่กำลังจะตามมาน่าจะเป็นเรื่องของเทคโนโลยีการสำรวจแบบใหม่ซึ่งถามว่าเรียนอะไรถึงจะทำอย่าง Map Jack ได้ ก็คือหลักสูตรใหม่ที่กำลังจะรองรับ ก็ คือ เทคโนโลยีภูมิสารสนเทศ (geo-informatics) ซึ่งถือเป็นวิทยาศาสตร์และเทคโนโลยีสมัยใหม่ในการได้มาของข้อมูล การรวบรวมข้อมูล การบูรณาการข้อมูล การวิเคราะห์ การแปลตีความหมาย การจัดการ การเผยแพร่และการใช้ข้อมูลข่าวสารเชิงพื้นที่ของโลก จึงมีความเกี่ยวข้องกับเทคโนโลยีที่สามารถรวบรวม จัดเก็บ จัดการ วิเคราะห์ และตีความข้อมูลข่าวสารเชิงพื้นที่ นั่นคือ ระบบสารสนเทศภูมิศาสตร์ (Geographic Information Systems : GIS) ระบบการกำหนดตำแหน่งบนพื้นโลกด้วยดาวเทียม (Global Positioning Systems : GPS) และ การสำรวจระยะไกลด้วยดาวเทียม (Remote Sensing : RS) การสำรวจด้วยภาพถ่าย (Photogrammetry) และ เทคโนโลยีการทำแผนที่ (Mapping Technologies)

ดังนั้นซึ่งหากได้มีการนำเอาเทคโนโลยีภูมิสารสนเทศมาผนวกใช้กับภาคธุรกิจต่างๆ เช่น การท่องเที่ยว อุตสาหกรรมต่างๆ ก็จะช่วยส่งเสริมต่อภาคธุรกิจการนั้นเป็นที่รู้จักและเป็นที่นิยมต่อไปในอนาคต

การปรับภาพเชิงช่วงคลื่น

การปรับภาพเชิงช่วงคลื่น
ความละเอียดเชิงช่วงคลื่นเป็นการวัดจำนวนและขนาดของคลื่นแม่เหล็กไฟฟ้า ที่สามารถบันทึกได้ด้วยเครื่องจับภาพ วัตถุประสงค์ของเทคนิคการปรับภาพเชิงช่วงคลื่น เป็นการใช้ข้อมูลในหลายๆ ช่วงคลื่น แล้วแปลงเป็นแบนด์ใหม่เพื่อจะเน้นลักษณะที่เราสนใจ หรืออาจจะลดขนาดของข้อมูลหรือความซ้ำซากของข้อมูล ถ้าการแปลงนั้นเป็นการจัดข้อมูลใหม่ จำนวนของแบนด์ที่ได้ใหม่ก็จะเท่ากับจำนวนแบนด์ของภาพเดิม แต่ถ้าเป็นการสังเคราะห์ใหม(synthetic) ก็อาจจะได้แบนด์ใหม่เพียงแบนด์เดียว ตัวอย่างของการสังเคราะห์ได้แก่ การใช้ดัชนีต่างๆ (indices) ในขณะที่การวิเคราะห์
องค์ประกอบหลัก และTasseled Cap เป็นการจัดข้อมูลใหม่ แบนด์ใหม่ที่เกิดขึ้นอาจจะแสดงเป็นภาพเดียว แบบขาว-ดำ หรืออาจจะใช้ร่วมกับแบนด์อื่นเพื่อปรับให้ภาพดีขึ้น หรือเพื่อใช้เป็นข้อมูลเพิ่มเติมใน

การจำแนกภาพ
ดัชนี โดยส่วนใหญ่ฟังก์ชั่นนี้จะใช้เพียงแค่ 2 แบนด์จากข้มูลภาพดั้งเดิม ฟังก์ชั่นที่ใช้มีตั้งแต่ฟังก์ชั่นคณิตศาสตร์จนถึงสมการพหุนาม
ในการประมวลผลภาพดาวเทียม ดัชนีเหล่านี้จะเกี่ยวกับความส่องสว่างของพื้นดิน เช่น ดัชนีพืช (vegetation index) ดัชนีดิน (soil brightness index) ในตระกูลดัชนีพืชส่วนใหญ่จะแสดงถึงความหนาแน่นของมวลชีวภาพสีเขียว โดยใช้การสะท้อนคลื่นแสงในช่วงอินฟราเรดและในช่วงสีแดง เราจะพบดัชนีพืชตั้งแต่แบบง่ายๆ โดยหาความแตกต่างระหว่างแบนด์อินฟราเรดกับแบนด์สีแดง จนถึงแบบที่
ซับซ้อน เช่น การแปลงแบบ Tasseled Capดัชนีพืช ใช้ในการเน้นการตอบสนองของพืชสีเขียวและการคาดคะเนมวลพืชสีเขียว ทั้งการ
คาดคะเนมวลชีวภาพเหนือพื้นดิน และ ดัชนีพื้นที่ใบการคำนวณดัชนีต่างๆ เหล่านี้ได้มาจากความสัมพันธ์ระหว่างค่าความส่องสว่างที่สะท้อนจาก
พืช หรือ ดินในช่วงคลื่นอินฟราเรดกับในช่วงคลื่นสีแดง ดัชนีพืชบอกเป็นปริมาณ โดยใช้ระยะทางจากเส้นดิน ตรงไปยังจุดที่เป็นพืชสีเขียว ดังแสดงในรูปที่ 8.10 เนื่องจากปริมาณการปกคลุมด้วยพืชสีเขียวเพิ่มขึ้นในจุดภาพที่เริ่มตั้งแต่จากบริเวณที่ไม่มีสิ่งคลุมดิน ดังนั้นการตอบสนองของจุดภาพจะเคลื่อนที่
จากเส้นดินไปยังจุดของพืชสีเขียว ด้วยเหตุนี้ระยะทางจากเส้นดินไปยังกลุ่มของจุดพืชสีเขียวจึงมีความสัมพันธ์กับสีเขียวของทรงพุ่มด้านบนของพืช ตัวอย่างดัชนีพืชที่มักพบในการประมวลผลภาพดาวเทียม ได้แก่ Ratio Vegetation Index , RVI = NIR / Red ถ้าค่านี้เพิ่มขึ้น แสดงถึง การเพิ่มขึ้นของสีเขียวที่ปกคลุมพื้นดิน เช่น จุดภาพที่มีค่าตาม RVI (2) มีค่าสูงกว่าจุดภาพตาม RVI (1) แสดงว่าจุดภาพที่มีค่าเท่ากับ RVI (2)ก็จะมีพืชปกคลุมมากกว่าจุดภาพที่มีค่าเท่ากับ RVI (1) อย่างไรก็ตาม จุดภาพที่มีค่า RVI สูง ไม่ได้หมายความว่าพื้นที่นั้นจะมีพืชปกคลุมเสมอไป
Normalized Difference Vegetation Index, NDVI = (NIR – Red) / (NIR +Red) แสดง
ความสัมพันธ์ระหว่าง การสะท้อนแสงอินฟราเรดและการดูดยึดแสงสีแดงของพืชที่สมบูรณ์ ค่า NDVI สูง แสดงถึงมวลชีวภาพและความสมบูรณ์ของพืชสูงด้วย



ดัชนีดิน มีปัจจัยหลายอย่างที่มีผลต่อการสะท้อนจากดิน ดังที่ได้อธิบายในบทที่ 2 จากรูปที่8.10 แสดงความสัมพันธ์ระหว่างค่าตัวเลขของแบนด์อินฟราเรดและแบนด์สีแดง พบว่าเส้นดินจะอยู่ในแนวเฉียงระหว่างแบนด์ทั้งสอง ดินสีจาง แห้ง และมีผิวเรียบจะมีการสะท้อนแสงสูงกว่าดินสีเข้ม ชื้น
และผิวขรุขระ ดัชนีดินที่ปรากฏในโปรแกรมทั่วไป ได้แก่

Brightness index = (NIR2+R2)1/2
Clay mineral = TM5 / TM7 ของ LANDSAT-TM
Ferrous minerals = TM5 / TM4 ของ LANDSAT-TM
Ferric minerals = TM5/TM7, TM5/TM4, TM3/TM1 ของ LANDSAT-TM

การแปลงแบบเส้นตั้งฉาก (Orthogonal transformation)
ข้อมูลภาพดาวเทียมที่ถ่ายด้วยจำนวน N ช่วงคลื่น ซึ่งหมายถึงจะมีข้อมูลจำนวน N แบนด์ ซึ่งข้อมูลทั้งหมดเหล่านี้สามารถนำมาแปลงใหม่ได้โดยการหมุนรอบแกน (rotation) ค่าที่ได้จากการแปลงมีความสัมพันธ์กับแนวแกนใหม่ ซึ่งมีการพลิกตัวเฉพาะแบบกับแนวแกนดั้งเดิม การแปลงแบบเส้นตั้ง
ฉากที่ใช้มากที่สุด คือ การวิเคราะห์องค์ประกอบหลัก ซึ่งเป็นการแปลงข้อมูลเพื่อสร้างกลุ่มข้อมูลใหม่ที่ไม่มีความสัมพันธ์กันการแปลงแบบองค์ประกอบหลัก (principal component transformation) การแปลงองค์ประกอบหลักของข้อมูล จะใช้การแปลงแบบหมุนแกน เพื่อสร้างข้อมูลใหม่ที่มีแกนหลักอยู่ในทิศทางที่มีข้อมูลกระจายมากที่สุด แกนต่อมาจะตั้งฉากกับแกนแรกในทิศทางที่มีข้อมูลที่เหลือกระจายมากที่สุด แกนถัดไปจะตั้งฉากกับสองแกนแรกในทิศทางที่มีข้อมูลที่เหลือกระจายมากที่สุด จนกระทั่งครอบคลุมทุกมิติของข้อมูลดั้งเดิมถ้าพิจารณาใน รูปที่ 8.11a ซึ่งแสดงการกระจายข้อมูลของ 2 แบนด์ ที่มีลักษณะแบบวงรี และมีระยะทางเท่ากับ 1 ความเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย ถ้าค่า 2 แบนด์นี้ถูกแปลงแบบองค์ประกอบหลัก ข้อมูลที่ถูกแปลงจะตั้งอยู่ในแนวกึ่งแกนหลัก (semi-major) และกึ่งแกนรอง (semi-minor) ของข้อมูล ข้อมูลที่แปลงจะมีจำนวนองค์ประกอบเท่ากับข้อมูลดั้งเดิม โดยช่วงข้อมูลที่กระจายมากที่สุดจะอยู่ในองค์ประกอบแรก (PC1) และมากรองลงมาจะอยู่ในองค์ประกอบที่ 2 (PC2) ตามลำดับ (รูปที่ 8.11b)



รูปที่ 8.11 แสดงการกระจายข้อมูลระหว่าง 2 แบนด์ และการหมุนแกนเป็นองค์ประกอบหลักที่1 ตามความยาวและทิศทางของข้อมูลที่มีความแปรปรวนระหว่างแบนด์มากที่สุด จะเห็นได้ว่าองค์ประกอบหลักที่ 1 มีช่วงกว้างของข้อมูลเพิ่มขึ้นจากข้อมูลดั้งเดิม (เส้นทะแยงมุม) แกนใหม่นี้จะเป็น
แกนหลักในการกำหนดพิกัดเชิงช่วงคลื่นในพื้นที่ระหว่างแบนด์ใหม่ องค์ประกอบหลักที่ 2 จะเป็นแกนที่ตั้งฉากกับองค์ประกอบหลักแรก และในทำนองเดียวกันสำหรับองค์ประกอบในลำดับต่อๆ ไป จนจำนวนขององค์ประกอบเท่ากับจำนวนแบนด์ของภาพดั้งเดิม ถึงแม้ว่าจะมีแบนด์ใหม่เกิดขึ้นจากการ
วิเคราะห์องค์ประกอบหลักเท่ากับจำนวนแบนด์เริ่มต้น แต่โดยทั่วไปเกือบ 100 % ของความแปรปรวนทั้งหมดจะอยู่ในภาพองค์ประกอบหลักต้นเพียงไม่กี่แบนด์ ดังนั้นการกระทำนี้จึงเป็นการบีบอัดข้อมูลหลายๆ แบนด์ให้มารวมอยู่ในแบนด์จำนวนน้อยลง (data compression) ข้อมูลในแต่ละแบนด์ขององค์ประกอบหลักจะเป็นอิสระและไม่มีความสัมพันธ์กันหลักการเดียวกันนี้ใช้กับข้อมูล N มิติของภาพดาวทียม ตัวอย่างภาพในรูปที่ 8.12 ที่แสดง
ภาพข้อมูลแบบองค์ประกอบหลักที่ได้จากการแปลงข้อมูลภาพดาวเทียม LANDSAT-TM_860516
(ภาพจากโปรแกรม ERDAS V. 8.5) จำนวน 7 แบนด์ โดยทั่วไปองค์ประกอบหลักที่ 1 จะแสดงองค์ประกอบของความส่องสว่างของทั้งภาพ (brightness component) ดังรูปที่ 8.12PC1องค์ประกอบหลักที่ 2 ซึ่งประกอบด้วยปริมาณความแปรปรวนสูงอันดับ 2 (รูปที่ 8.12 PC2) บริเวณส่วนใหญ่ที่เห็นสว่างเป็นบริเวณที่เป็นพืชสีเขียวที่มีค่าการสะท้อนแสงสูง ในช่วงคลื่นอินฟราเรดใกล้(แบนด์ 4) บริเวณที่เป็นสีเทาจะมีความชื้นมากและบริเวณสีดำเข้มเป็นบริเวณที่มีดินแห้งมากองค์ประกอบหลักที่ 3 ยังแสดงข้อมูลที่แตกต่างกัน ส่วนองค์ประกอบในอันดับหลังๆ จะแสดงถึงข้อมูลที่ไม่อยู่ในองค์ประกอบหลักต้นๆ หรือ “คลื่นรบกวน” ซึ่งจะเห็นว่ามีข้อมูลปรากฏอยู่น้อย ส่วนใหญ่ของข้อมูลจะอยู่ใน 3 องค์ประกอบหลักแรกเป็นที่สังเกตว่าภาพในองค์ประกอบหลักที่ 2 และองค์ประกอบหลักที่ 3 ในรูปที่ 8.12 แสดงให้เห็นลักษณะบางอย่างที่ถูกบดบังโดยรูปแบบที่โดนเด่นกว่าที่แสดงในองค์ประกอบหลักที่ 1 ดังนั้นในบางครั้งองค์ประกอบหลักลำดับหลังๆ จะสามารถนำไปใช้ในการศึกษาการเปลี่ยนแปลงได(changedetection) เพราะองค์ประกอบหลักลำดับหลังๆ จะแสดงลักษณะที่ซ้อนเร้นเนื่องจากลักษณะนั้นมีการแปรปรวนของข้อมูลระหว่างแบนด์น้อยที่สุด (Fung and Le Drew, 1987)ภาพองค์ประกอบหลักที่ได้จากการจัดข้อมูลใหม่ สามารถนำมาทำเป็นภาพสีผสม โดยนำไป
ผสมกับภาพดั้งเดิมเพื่อให้ภาพเด่นชัดขึ้น ซึ่งจะช่วยในการแปลภาพด้วยสายตา และสามารถนำไปใช้เป็นข้อมูลใหม่ในการจำแนกภาพด้วยการประมวลผล
ความแปรปรวนระหว่างตัวแปรร่วมในข้อมูลภาพ จะเปลี่ยนแปลงไปแต่ละภาพ ส่วนใหญ่ขึ้นอยู่กับสภาพพื้นที่และสภาพบรรยากาศ ดังนั้นแต่ละองค์ประกอบหลักของแต่ละภาพจะแตกต่างกันซึ่งหมายความว่า องค์ประกอบหลักที่ได้จากแต่ละภาพจะหมายถึงสิ่งที่แตกต่างกัน ผู้แปลจะต้องเรียนรู้ใหม่ตลอดเวลาจากแต่ละภาพว่า อะไรคือความสำคัญของแต่ละองค์ประกอบหลักที่สัมพันธ์กับงานที่กำลังทำอยู่ความพยายามอันหนึ่งที่จะแก้ข้อจำ กัดอันเนื่องมาจากความไม่แน่นอนของการแปลความหมายของภาพที่แปลงแบบองค์ประกอบหลัก คือ การแปลงข้อมูลให้เป็นแบบมาตรฐานที่ใกล้เคียงกับการแปลงแบบองค์ประกอบหลัก เพื่อที่จะให้การแปลงแบบนี้สร้างภาพองค์ประกอบหลักที่ไม่เปลี่ยนแปลง ตัวอย่างเวอร์ชั่นหนึ่งของการแปลงแบบคงที่ ได้แก่ Tasseled Cap transformatio



Tasseled Cap transformation
เป็นวิธีการที่ใช้ในการนำข้อมูลหลายๆ แบนด์มาจัดข้อมูลใหม่ ซึ่งใช้ในการศึกษาเกี่ยวกับพืช การจัดข้อมูลใหม่ทำให้ได้แกนข้อมูลหลัก 3 แกนที่ให้สารสนเทศเกี่ยวกับองค์ประกอบพืช Crist และ Cicone 1984 ได้ใช้หลักการของ Kauth และ Thomas ศึกษาการสะท้อนและการดูดยึดแสงจากวัตถุต่างๆ จากข้อมูล LANDSAT-TM จำนวน 6 แบนด์ และพบว่ามีข้อมูลใน 3 มิติ ที่แสดงถึงระนาบของ ดิน พืช และโซนเปลี่ยนระหว่างดินและพืชซึ่งแสดงความสัมพันธ์ระหว่างความชื้นของดิน และทรงพุ่มของพืชสัมประสิทธิ์ที่ใช้ในการสมการแปลงแบบ Tasseled Cap สำหรับ LANDSAT-4 เป็นดังนี้
(ERDAS Field Guide, 2003)
Brightness = 0.3037(TM1) + 0.2793(TM2) + 0.4743(TM3) + 0.5585(TM4) + 0.5082(TM5) + 0.1863(TM7)
Greenness = - 0.2848(TM1) - 0.2435(TM2) - 0.5436 (TM3) + 0.7243(TM4) + 0.0840(TM5) - 0.1800(TM7)
Wetness = 0.3037(TM1) + 0.2793(TM2) + 0.4743(TM3) + 0.5585(TM4) + 0.5082(TM5) + 0.1863(TM7)
ความสว่าง (Brightness) ให้น้ำหนักรวมของทุกแบนด์ แสดงทิศทางการแปรปรวนหลักในการสะท้อนจากดินความเขียว (Greenness) ตั้งฉากกับแกนความสว่าง เป็นความแตกต่างระหว่างช่วงคลื่นอินฟราเรดใกล้กับช่วงคลื่นที่ตามองเห็น แกนนี้สัมพันธ์กับปริมาณพืชสีเขียวในภาพความชื้น (Wetness) สัมพันธ์กับทรงพุ่มของพืชและความชื้นของดินการหมุนของแกนใหม่ถูกกำหนดตามข้อมูลภาพ หรือขึ้นอยู่กับเครื่องตรวจจับสัญญาณคลื่น
แต่หลังจากกำหนดเครื่องตรวจจับสัญญาณชนิดใดได้แล้ว สัมประสิทธิ์ในการแปลงค่าจะถูกกำหนดและการหมุนแกนก็จะคงที่ การใช้ Tasseled Capในดาวเทียมแต่ละชนิดจะใช้สมการต่างกันการทำภาพสีผสม (color composition) และการแปลงสี (color transformation)
การทำภาพสีผสมมีความสำคัญต่อการแปลภาพด้วยสายตา เนื่องจากตามนุษย์สามารถแยกภาพสีได้มากกว่าโทนสีเทา การทำภาพสีผสมเป็นพื้นฐานของการผสมแสงของแม่สี 3 สี ดังที่อธิบายการผสมภาพสีอาจจะใช้ภาพดั้งเดิม แล้วผสมเป็นสีต่างๆ หรือใช้แบนด์ที่สร้างขึ้นใหม่มาผสมด้วยการอธิบายคุณสมบัติของสีของวัตถุหนึ่งในภาพ เราอาจใช้สัดส่วนองค์ประกอบ แดง เขียว น้ำเงิน หรือใช้ในรูปของ intensity hue และ saturation(H/I/S) ซึ่งอธิบายถึงความรู้สึกทาง ความสว่าง สีและ ความบริสุทธิ์ของสี ตามลำดับ การแปลงสีอาจช่วยในการควบคุมการปรับปรุงภาพให้ดีขึ้น

เทคนิคการกรองภาพในโปรแกรมประมวลผลภาพ

เทคนิคการกรองภาพในโปรแกรมประมวลผลภาพโดยทั่วไป มีดังนี้

เครื่องกรองผ่านความถี่ต่ำ (low-pass filter)
เป็นเทคนิคการกรองภาพที่ บริเวณที่มีความถี่เชิงพื้นที่ต่ำสามารถผ่านไปได้ ส่วนบริเวณที่มีความถี่สูงกว่าที่กำหนดโดยหน้าต่างเคลื่อนที่จะถูกกรองให้ลดความถี่ลง การกรองเพื่อลดความถี่เชิงพื้นที่นี้ ทำให้ภาพที่มีความถี่เชิงพื้นที่สูง มีความนุ่มนวลขึ้น มักใช้ในการลบหรือลดสัญญาณรบกวนที่เกิดในขณะที่ตรวจจับภาพ หรือในขณะที่บันทึกภาพ โดยทั่วไปการกรองด้วยหน้าต่างเคลื่อนที่ในลักษณะนี้ จะใช้กับข้อมูลที่ได้จากภาพที่ถ่ายด้วยเรดาร์ ตัวอย่างการกรองแบบนี้ ได้แก่ การเฉลี่ยค่าจุดภาพในหน้าต่างเคลื่อนที่ 3 x 3 หรือ 5 x 5แล้วแทนที่จุดภาพตรงกลาง หรือ การใช้ค่าฐานนิยม หรือค่ามัธยมฐาน แทนที่จุดภาพตรงกลางของหน้าต่างเคลื่อนที่ การกรองโดยใช้ค่าฐานนิยมมักจะใช้กับภาพที่มีการจำแนกแล้ว (post classification)เพื่อจะกำจัดจุดภาพเล็กๆ ที่เกิดจากการจำแนกผิด ส่วนการกรองด้วยค่ามัธยมฐาน ใช้กับข้อมูลที่ตัวเลขมีความหมาย หรือมีลำดับ การกรองด้วยค่าเฉลี่ยใช้กับข้อมูลแบบต่อเนื่องเช่นเดียวกับข้อมูลภาพดาวเทียม เพื่อปรับภาพให้ดูนุ่มนวลขึ้น ตัวอย่างภาพที่ได้จากการกรองภาพด้วยวิธีนี้ แสดงในรูปที่ 8.8 ซึ่งภาพผลลัพธ์จะเบลอกว่าภาพเดิมขนาดของหน้าต่างเคลื่อนที่ มีความสำคัญต่อการกรองแบบนี้ ถ้าหน้าต่างเคลื่อนที่มีขนาดใหญ่ขึ้น ภาพจะยิ่งเบลอมากขึ้น เพราะจุดภาพตรงกลางจะถูกคาดคะเนมาจากจุดภาพจำนวนมากขึ้นตามขนาดของหน้าต่างเคลื่อนที่ ตัวอย่างการกรองแบบเครื่องกรองผ่านความถี่ต่ำ ผลรวมของตัวเลขในหน้าต่างเคลื่อนที่จะมีค่าเป็น 1



เครื่องกรองผ่านความถี่สูง (high-pass filter)
การกรองโดยวิธีนี้เป็นวิธีการสกัดเอาองค์ประกอบที่มีความแปรปรวนเชิงพื้นที่สูง องค์ประกอบดังกล่าวแสดงโดยความแปรปรวนอย่าง
ฉับพลันของค่าของกลุ่มจุดภาพที่อยู่ข้างเคียงซึ่งกันและกัน ลักษณะดังกล่าวในภาพดาวเทียม ได้แก่บริเวณที่เป็นรอยต่อของพื้นที่ที่แตกต่างกัน หรือลักษณะที่เป็นเส้น รูปที่ 8.9 แสดงขอบหรือรอยต่อของค่าของจุดภาพที่อยู่ข้างเคียงแบบสมบูรณ์แบบ ซึ่งในข้อมูลดาวเทียมค่าข้อมูลจริงมักจะได้ขอบที่บิด
เบี้ยว และมักจะไม่มีขอบที่สมบูรณ์แบบนี้การประยุกต์ใช้เทคนิคการกรองภาพแบบเครื่องกรองผ่านความถี่สูงในการปรับภาพข้อมูล
ดาวเทียม ได้แก่ การจับขอบ และเน้นขอบ



การจับขอบ (edge detection)
เทคนิคนี้มีวัตถุประสงค์เพื่อแสดงถึงรอยต่อเชิงพื้นที่ของวัตถุ ไม่ว่าจะเป็นจุด เส้น หรือโซนการกรองนี้ใช้กับปรากฏการณ์ที่การกระจายเชิงพื้นที่ไม่ติดต่อกัน วิธีการคำนวณที่ใช้เรียกว่า spatial gradientการคำนวณ spatial gradient สำหรับแต่ละจุดภาพ ใช้การกรองแบบเครื่องกรองผ่านความถี่สูง ลักษณะเฉพาะของเครื่องกรองนี้ คือ ผลบวกของสัมประสิทธ์ในหน้าต่างเคลื่อนที่มีค่าเป็นศูนย์(zero-sum) ดังนั้นผลรวมของค่าในหน้าต่างเคลื่อนที่ไม่ต้องเอาไปหารค่าที่คำนวณได้ เพราะการหารด้วยศูนย์หาค่าไม่ได้ โดยทั่วไปผลลัพธ์ที่ได้จากการใช้หน้าต่างเคลื่อนที่แบบนี้ คือ

• พื้นที่ที่ข้อมูลนำเข้ามีค่าเท่ากัน ผลที่ได้จะมีค่าเป็น ศูนย์
• พื้นที่ที่มีความถี่ต่ำ ผลที่ได้จะมีค่าต่ำ
• พื้นที่ที่มีความถี่สูง คผลที่ได้จะมีค่าสูงมาก

ดังนั้น หน้าต่างเคลื่อนที่ zero-sum จึงทำให้บริเวณที่มีความถี่เชิงพื้นที่ต่ำ มีค่าเป็นศูนย์หรือมีค่าต่ำ ในขณะเดียวกันทำให้บริเวณที่มีความถี่เชิงพื้นที่สูง มีค่าแตกต่างกันอย่างชัดเจน เช่น บริเวณที่เป็นรอยต่อของพื้นที่ ภาพผลลัพธ์ที่ได้ คือ บริเวณที่เป็นขอบจะเห็นชัดเจน ในขณะที่บริเวณกลุ่ม
จุดภาพที่มีความกลมกลืนกัน (homogenous)จะมีค่าเป็นศูนย์ หรือปรากฏเป็นสีดำการจับขอบที่เรียงตัวในทิศทางใดๆ มักใช้เครื่องกรองแบบทิศทางที่กำหนดขึ้น ตัวอย่างหน้าต่างเคลื่อนที่แบบ Zero-Sum ขนาด 3 x 3 จุดภาพ เป็นแบบไม่สมดุล และจับขอบที่มีทิศไปทางใต้จะเป็นดังนี้



การจับขอบแบบนี้จะทำให้จับขอบได้ในทิศทางเดียว ดังนั้น การจับขอบในทุกทิศทาง หรือไม่มีทิศทางจึงกระทำผ่านทางการกรองภาพแบบทิศทางที่ตั้งฉากกัน เช่น ทั้งในแนวตั้งและแนวนอน ตัวอย่างหน้าต่างเคลื่อนที่ Zero-sum ที่ใช้หน้าต่างเคลื่อนที่แบบตั้งฉาก 2 ตัวกระทำกับข้อมูลดั้งเดิมแล้วค่อย
เอามารวมกันแบบเวกเตอร์ ได้แก่ การกรองแบบ Sobel



การเน้นขอบ (edge enhancement)
เป็นการเน้นขอบโดยทำให้จุดภาพตรงรอยต่อระหว่างพื้นที่ที่มีกลุ่มจุดภาพที่มีเนื้อเดียวกัน มีค่าเพิ่มสูงขึ้นหรือลดลง ขึ้นอยู่กับว่ามันอยู่ด้านสว่างหรือด้านมืดของขอบ ถ้าไม่มีการเปลี่ยนแปลงในเครื่องกรอง ภาพก็จะคงสภาพเดิม ภาพที่ได้จากการกรองลักษณะนี้จะดูคมชัดขึ้น ซึ่งต่างจากการจับ
ขอบซึ่งจะเห็นเฉพาะขอบ แต่ส่วนอื่นจะหายไป เทคนิคนี้มีประโยชน์ในการทำภาพพิมพ์ หรือต้องการให้ภาพบนหน้าจอชัดขึ้น และไม่จำเป็นต้องใช้กับข้อมูลที่เป็นแผนที่ ตัวอย่างการใช้เครื่องกรองแบบนี้จะเน้นที่จุดกลางของหน้าต่างเคลื่อนที่





เครื่องกรอง Crisp ที่ใช้ในโปรแกรมของ ERDAS เป็นการเน้นขอบอีกวิธีหนึ่งที่ทำให้ความส่องสว่างทั้งภาพทั้งหมดคมชัดขึ้น การปรับภาพแบบนี้จะใช้ได้ดีกับภาพที่เบลอมากอันเนื่องมาจากหมอกในบรรยากาศ หรือภาพไหว ขั้นตอนสำคัญในการกรองแบบนี้ คือ การแปลงแบบองค์ประกอบหลัก(principal component transformation, ดูหัวข้อถัดไป) จากภาพนำเข้าหลายแบนด์ ต่อจากนั้นจะกรองภาพที่ได้จากองค์ประกอบหลักที่ 1 โดยใช้เครื่องกรองผ่านความถี่สูง หลังจากนั้นจะเปลี่ยนภาพที่กรองแล้วกลับไปเป็นภาพสีตรรกะของวิธีการนี้ มีสมมุติฐานว่า องค์ประกอบหลักที่ 1 ของภาพ ประกอบด้วยความส่องสว่างของภาพทุกแบนด์ ดังนั้นการกรองเพียงองค์ประกอบหลักที่ 1 ของภาพก็น่าจะเพียงพอแล้ว
ตัวอย่างภาพที่ได้จากการกรองแบบ Crisp แสดงในรูปที่ 8.8

การปรับภาพเชิงพื้นที่

การแบ่งแบบ Histogram Equalization วัตถุประสงค์ของการใช้วิธีนี้ เป็นการสร้างภาพที่มี
จำนวนจุดภาพใกล้เคียงกัน หรือ ข้อมูลที่แปลงแล้วจะมีการกระจายอย่างสม่ำเสมอ วิธีการนี้ใช้การ
กำหนดจำนวนจุดภาพที่เหมาะสมให้กับแต่ละค่า
จำนวนจุดภาพที่เหมาะสม = จำนวนจุดภาพทั้งหมด / จำนวนค่าในข้อมูล
การคำนวณจะเริ่มจากค่าที่น้อยที่สุด โดยเริ่มบวกจำนวนจุดภาพเข้าด้วยกัน จนกระทั่งเกินจำนวน
จุดภาพที่เหมาะสมที่คำนวณได้ ก็ให้ค่าจุดภาพเหล่านั้นเป็นค่าค่าแรก และใช้ค่าถัดไปเป็นค่าใหม่ที่สอง
จุดภาพที่มีจำนวนเกินที่คำนวณได้ก็จะคงจำนวนเดิมไว้ แต่ถ้าเกินมากกว่า 1 เท่า ก็ยังคงค่าเดิมไว้ แต่
จำนวนจุดภาพของค่าความเข้มของแสงค่าถัดไปจะไม่มี
ผลกราฟที่ได้หลังจากการขยาย จะคล้ายกราฟแท่งที่แบนราบกว่าเดิม ตามรูปที่ 8.4b จะเห็น
ได้ว่า บริเวณภาพที่มีค่า หรือมีจุดภาพที่มีค่าใกล้เคียงกัน จะถูกขยายออกให้มีความแตกต่างของค่า
เพิ่มขึ้น (บริเวณกราฟที่มีความถี่สูงจะถูกขยายออก) ในขณะที่ส่วนน้อยของภาพที่มีค่าแตกต่างกัน
(ส่วนหางของกราฟ) จะมีการต่างกันของค่าลดลง หรือมีช่วงห่างของความเข้มของแสงลดลง


รูปที่ 8.4 การขยายข้อมูลแบบ Histogram Equalization ซึ่งสร้างจากข้อมูลเดียวกับ รูปที่ 8.3

การปรับภาพเชิงพื้นที่
ในขณะที่การปรับภาพเชิงรังสีเป็นการแปลงค่าจุดภาพเดี่ยว แต่การปรับภาพเชิงพื้นที่เป็นการ
เน้นภาพที่ใช้ ค่าจากจุดภาพที่อยู่รอบๆ จุดภาพนั้นมาคำนวณด้วย การปรับภาพเชิงพื้นที่จะเกี่ยวข้อง
กับ “ความถี่เชิงพื้นที่” ซึ่งหมายถึง ความแตกต่างระหว่างค่าสูงสุดและต่ำสุดของกลุ่มจุดภาพที่อยู่ติดกัน
หรืออยู่ใกล้เคียงกัน หรือจำนวนการเปลี่ยนแปลงค่าความสว่างต่อหน่วยระยะทางในส่วนหนึ่งของภาพ
รูปที่ 8.5 แสดงความถี่เชิงพื้นที่แบบง่ายๆ เช่น
ความถี่เชิงพื้นที่เป็นศูนย์ เป็นภาพเรียบๆ ทุกจุดภาพมีค่าเท่ากัน
ความถี่เชิงพื้นที่ต่ำ เป็นภาพที่ค่อยๆ มีการเปลี่ยนแปลงของค่าหรือโทนสี
ความถี่เชิงพื้นที่สูง เป็นภาพที่มีการตัดกันของโทนสีขาวดำอย่างชัดเจน หรือมีการเปลี่ยนโทน
สีอย่างฉับพลัน



การปรับภาพเชิงพื้นที่มักจะใช้เทคนิคการกรองภาพ (filtering) ซึ่งหมายถึงการแปลงข้อมูลเพื่อลดสัญญาณรบกวน หรือปรับลักษณะบางอย่างของภาพโดยการเน้น หรือลดความถี่ข้อมูลเชิงพื้นที่บางครั้งเป็นการปรับภาพเพื่อการสกัดลักษณะเด่น (feature extraction) ให้เห็นชัดขึ้น ผลจากการใช้เทคนิคนี้ช่วยทำให้การแปลภาพด้วยสายตาดีขึ้น และมักจะเปลี่ยนค่าข้อมูลดั้งเดิมอย่างถาวร ดังนั้นการใช้เทคนิคการกรองภาพจะใช้ในกรณีที่ ข้อมูลดั้งเดิมไม่ใช่สิ่งสำคัญในการเอาไปใช้ต่อในการคำนวณ

Convolution filtering การกรองภาพจะใช้วิธีการทางคณิตศาสตร์ที่เรียกว่า Convolution filtering ซึ่ง
เป็นกระบวนการ การเฉลี่ยค่าของจุดภาพภายในเซทเล็กหนึ่งๆ และกระทำตลอดทั่วทั้งภาพ วิธี
convolution มี 2 องค์ประกอบ คือ (รูปที่ 8.6)
1) หน้าต่างเคลื่อนที่ (moving window) จะทำหน้าที่คล้ายเป็นแม่พิมพ์ (matrix) ซึ่งได้จาก
ค่าสัมประสิทธิ์ (coefficients) หรือปัจจัยน้ำหนัก (weighting factors) ที่ใช้เป็นตัวถ่วง
น้ำหนัก ทำหน้าที่เหมือนตะแกรงที่มีช่องขนาดต่างๆ หน้าต่างเคลื่อนที่นี้ตามภาษา
คณิตศาสตร์ เรียกว่า kernel หน้าต่างเคลื่อนที่จะเป็นตารางสี่เหลี่ยมของจุดภาพจำนวน
คี่ เช่น 3 x 3 หรือ 5 x 5 หรือ 7 x 7 จุดภาพ
2) หน้าต่างเคลื่อนที่จะเคลื่อนที่ผ่านทีละจุดภาพตลอดทั่วทั้งภาพดั้งเดิม และค่าตัวเลขที่อยู่
จุดภาพตรงกลางของหน้าต่างเคลื่อนที่ จะถูกคำนวณเพื่อเอาไปใส่ในภาพใหม่ตรง
ตำแหน่งเดิม โดยวิธีการ คูณสัมประสิทธิ์แต่ละตัวในหน้าต่างเคลื่อนที่ ด้วยค่าตัวเลขของ
ภาพดั้งเดิมที่ทาบโดยหน้าต่างเคลื่อนที่ แล้วเอาผลคูณทั้งหมดมาบวกกัน การคำนวณนี้
จะทำทีละจุดภาพในภาพดั้งเดิม



เพื่อให้เข้าใจว่าจุดภาพหนึ่งจะถูกเปลี่ยนไปโดยการกรองได้อย่างไร รูปที่ 8.7 แสดงการกรอง
ภาพด้วยหน้าต่างเคลื่อนที่แบบสี่เหลี่ยมขนาด 3 x 3 จุดภาพ ซึ่งมีน้ำหนักของตัวเลขตรงกลางมาก
ที่สุด เพื่อใช้กับจุดภาพในแถวที่ 3 และคอลัมน์ที่ 3 หรือจุดภาพที่อยู่ตรงกลางของหน้าต่างเคลื่อนที่ ค่า
เลข 8 ของข้อมูลเดิมหรือภาพเดิม จะถูกเปลี่ยนไปเป็นเลข 11 หลังจากมีการกรองแล้ว



ตัวอย่างการคำนวณ เป็นดังนี้ แต่ละค่าในหน้าต่างเคลื่อนที่จะคูณด้วยค่าของจุดภาพที่อยู่ในตำแหน่ง
เดียวกัน แล้วเอาผลคูณมาบวก ผลลัพธ์ที่ได้เอามาหารด้วยผลบวกของค่าในหน้าต่างเคลื่อนที่
ค่าผลลัพธ์ที่จุดภาพตำแหน่งที่ 3,3 = เลขจำนวนเต็ม [(-1x 8) + (-1x 6) + (-1x 6) +(-1x 2) + (16x 8)
+ (-1x 6) + (-1x 2) + (-1x 2) + (-1x 8)] / ( -1 + -1 + -1 + -1+16 + -1+ -1 + -1+ -1)
= (88/8) = int (11) = 11
หลังจากการคำนวณเสร็จหนึ่งจุดภาพ หน้าต่างเคลื่อนที่นี้จะเลื่อนไปทีละคอลัมน์ และคำนวณ
จุดภาพที่อยู่ตรงกลางหน้าต่างเคลื่อนที่ตำแหน่งใหม่ เมื่อจบคอลัมน์ก็จะเลื่อนลงมาเริ่มต้นที่แถวใหม่ ทำ
อย่างนี้จะหมดทั่วทั้งภาพ

การปรับปรุงภาพ

การปรับปรุงภาพ (Image enhancement)
เป็นกระบวนการในการแปลงข้อมูลภาพตัวเลขเพื่อที่จะสร้างภาพที่เน้นรายละเอียดที่ต้องการ หรือปรับพิสัยของโทนแสงที่ต้องการของภาพ เมื่อ
เปรียบเทียบกับข้อมูลหรือรายละเอียดอื่นๆ ของภาพ เมื่อทำการปรับภาพจะมีการเน้นสารสนเทศในข้อมูลบางส่วน และอาจจะไปกดสารสนเทศในข้อมูลอีกส่วนหนึ่ง ผู้ใช้อาจจะต้องตัดสินใช้วิธีการปรับปรุงภาพหลายๆ แบบในการทำงานครั้งหนึ่งๆ ซึ่งการปรับปรุงภาพแต่ละวิธี จะช่วยในการแปลภาพในแง่มุมที่แตกต่างกันในโครงการหนึ่งๆผู้ใช้จำเป็นต้องรู้ลักษณะการสะท้อนแสงของพื้นที่ที่ถ่ายภาพ พอๆ กับที่ต้องรู้จักผลที่ได้จากการใช้วิธีต่างๆ ในการปรับปรุงภาพ เพราะมิฉะนั้นจะทำให้การแปลความหมายผิดไป หรือไปกดสารสนเทศที่สำคัญ การปรับปรุงภาพโดยการเน้นบางส่วน และลดบางส่วน จะช่วยให้ผู้ใช้สามารถสกัด
สารสนเทศที่สำคัญได้อย่างประหยัด ถูกต้องและแม่นยำ แต่เนื่องจากการมอง เป็นผลทั้งจากสรีระและจิตวิทยา ดังนั้นผู้แปลแต่ละคนจะมีความชอบแตกต่างกันไป การเลือกประเภทการแปลจะขึ้นอยู่กับผู้แปลเท่านั้น ซึ่งมีวิธีการมากมาย อีกประการหนึ่ง คือ ทุกครั้งที่มีการเปลี่ยนวิธีในการปรับภาพ ผู้ใช้จะต้องเรียนรู้ความหมายของสีที่แสดงออกมา ทางที่ดี คือ พยายามใช้วิธีการที่มีอยู่เท่าที่จำเป็น อย่าใช้หลายอย่างปนกัน มิฉะนั้นข้อมูลบางส่วนอาจจะหายไป ที่สำคัญอีกประการ คือ ต้องมีจอสีที่มีคุณภาพสูง เร็ว และราคาถูกในการแสดงผลภาพเทคนิคที่ใช้การปรับปรุงภาพโดยทั่วไปได้แก่ การปรับปรุงภาพเชิงรังสี (radiometric enhancement) เชิงช่วงคลื่น (spectral enhancement) และเชิงพื้นที่ (spatial enhancement)
โปรแกรมการปรับปรุงภาพที่มีอยู่ในระบบการประมวลผลภาพในเชิงพาณิชย์ จะมีโปรแกรมย่อยทั้งหมดดังกล่าวนี้อยู่ ผู้ที่ใช้โปรแกรมเหล่านี้ไม่จำเป็นต้องรู้รายละเอียดทางด้านหลักคณิตศาสตร์และสถิติมาก ในบทนี้จะกล่าวเพียงโปรแกรมหลักที่มักใช้กันบ่อยในการโปรแกรมการประมวลผล

การปรับภาพเชิงรังสี
เป็นการปรับภาพ โดยใช้ค่าตัวเลขของจุดภาพเดี่ยวๆ ในแต่ละแบนด์ และปรับภาพทีละแบนด์เป็นอิสระต่อกัน การปรับภาพเชิงรังสีที่ใช้ได้ดีกับภาพแบนด์หนึ่ง อาจจะใช้กับแบนด์อื่นไม่ได้ หลังการปรับภาพแต่ละแบนด์แล้ว เราสามารถนำมาทำภาพสีผสมตามต้องการได้ การปรับภาพเชิงรังสีนี้มักจะ
ไม่มีการเปลี่ยนข้อมูลภาพอย่างถาวร การปรับภาพเชิงรังสีใช้ในกรณีที่ต้องการให้ภาพมีความคมชัดขึ้นหรือต้องการให้ภาพดูเรียบขึ้นตัวอย่างเทคนิคการปรับภาพเชิงรังสี ได้แก่

การปรับระดับสีเทาของภาพ (contrast stretching)
เป็นการขยายความเข้มของโทนสีให้อยู่ในพิสัยที่ต้องการ เทคนิคแบบที่ใช้ มีทั้งแบบสมการเส้นตรง (linear) แบบไม่เป็นเส้นตรง (nonlinear) หรือแบบแตกส่วน (piecewise) ดังแสดงเป็นรูปกราฟ ในรูปที่ 8.1



รูปที่ 8.1 กราฟการปรับภาพโดยการปรับความเข้มของโทนแสงแบบต่างๆ
ที่มา : ERDAS Field Guide, 2003

การปรับภาพโดยการขยายความเข้มของโทนแสงแบบเส้นตรงและแบบไม่เป็นเส้นตรง เป็นการใช้สมการเดี่ยวกับข้อมูลภาพทั้งภาพ ส่วนการปรับภาพแบบแตกส่วนจะใช้สมการหลายเส้นในการขยายความเข้มของโทนแสง ในดีกรีที่แตกต่างกันในช่วงที่แตกต่างกัน จากกราฟในรูปที่ 8.1 แสดงให้เห็นว่า ถ้าค่าข้อมูลนำเข้ามีค่า x เมื่อมีการปรับภาพโดยใช้สมการต่างกัน จะได้ค่าที่ส่งออกมาไม่เหมือนกัน เช่นถ้าใช้ สมการแบบเส้นตรง แบบไม่เป็นเส้นตรง และแบบแตกส่วน จะได้ค่าออกมาเป็น y1 y2 และ y3 ตามลำดับ

การปรับภาพแบบเส้นตรง (linear enhancement)
เป็นวิธีที่ง่ายที่สุดในการปรับข้อมูลส่วนที่เลือกไว้โดยการใช้สมการเส้นตรง (รูปที่ 8.2) โดยค่าใหม่จะ = A + B x ค่าเก่า เมื่อ 0 ≤ ( A + B x ค่าเก่า) ≤ M = 0 เมื่อ (A + B x ค่าเก่า) < 0 = M เมื่อ (A + B x ค่าเก่า) > M A เป็นค่าจุดตัดแกน y และ B เป็นความลาดชันของกราฟ M คือ ค่าสูงสุดที่ข้อมูลสามารถแปลงได้(เช่น 255)



รูปที่ 8.2 การขยายข้อมูลภาพแบบเส้นตรง (a) กราฟแท่งของเซทข้อมูล
(b) ไดอะแกรมความถี่สะสม (c) การขยายแบบเส้นตรง
(d) กราฟแท่งของข้อมูลที่ขยายแล้ว โดยข้อมูลส่วนมากอยู่ในแท่งแรกและแท่งสุดท้าย
ที่มา : McCloy, 1990

ในรูป 8.2 นี้แสดงการเลือกขยายโทนแสงเฉพาะส่วนกลางของเซทข้อมูลที่มีความถี่สูงหรือมีโทนสีใกล้เคียงกัน ข้อมูลที่มีค่าต่ำกว่าช่วงข้อมูลที่ต้องการขยาย (x1) จะมีค่าเป็น 0 ทั้งหมด หรือแสดงเป็นสีดำในภาพ และข้อมูลที่มีค่าสูงกว่าช่วงข้อมูลที่ต้องการขยาย (x2) ก็จะมีค่าเท่ากับ 255 ทั้งหมดซึ่งจะแสดงเป็นโทนแสงสีขาว มีเฉพาะข้อมูลตรงกลางที่มีการขยายอย่างชัดเจนทำให้ภาพส่วนใหญ่มีความแตกต่างของโทนสีมากขึ้น ค่า A และ B ผู้ใช้สามารถกำหนดได้เอง โดยพิจารณาจากไดอะแกรมความถี่สะสมของกราฟ หรือ ตามความประสงค์ของผู้ใช้ความได้เปรียบของการขยายข้อมูลภาพแบบเส้นตรง คือ ผลที่ได้จะเห็นได้ง่าย และค่าที่แปลงแล้วจะมีความสัมพันธ์กับข้อมูลเดิม

การปรับภาพแบบไม่เป็นเส้นตรง (non-linear enhancement)
ในการปรับภาพแบบเส้นตรงจะมีข้อเสียเปรียบที่สำคัญ คือ ในกรณีที่ภาพเป็นแบบมีค่าฐานนิยมหลายค่า โดย เฉพาะอย่างยิ่งมีจุดสูงสุดที่ปลายทั้งสองข้างของกราฟแท่ง ทำให้การใช้การปรับภาพแบบเส้นตรงไม่ไห้ผลดี วิธีแก้ คือการใช้การปรับแบบไม่เป็นเส้นตรง ที่นิยมใช้ ได้แก่ การขยายแบบแตกส่วน และการแบ่งกราฟให้เท่ากัน (histogram equalization)การขยายแบบแตกส่วน เป็นการลดความเสียเปรียบจากวิธีการขยายแบบเส้นตรง โดยใช้สมการเส้นตรงหลายเส้นในการแปลงข้อมูลในหลายๆ ช่วง วิธีการคำนวณแบบนี้ ใช้การสร้างกราฟความถี่สะสม เช่นในรูปที่ 8.3b แล้วกำหนดจุดเบรกที่จุดเปลี่ยนความลาดชันในกราฟ แล้วฟิตสมการการแปลงแต่ละเส้นสำหรับแต่ละส่วน (รูปที่ 8.3c) ซึ่งภาพที่ถูกปรับแล้วจะมีลักษณะกราฟแบบ รูปที่
8.3d หลังการแปลงจะเห็นว่าทุกส่วนของภาพได้รับการปรับปรุง



รูปที่ 8.3 การขยายข้อมูลภาพแบบแตกส่วน (a) กราฟแท่งของเซทข้อมูล (b) ไดอะแกรมความถี่สะสม
(c) การขยายโทนแสงแบบแตกส่วน (d) กราฟแท่งของข้อมูลที่ขยายแล้ว

เทคนิคการทำ Pansharpening

ดาวเทียมสำรวจทรัพยากรธรรมชาตินั้นมีศักยภาพในการบันทึกข้อมูลที่มีรายละเอียดแตกต่างกันออกไป โดยสามารถบันทึกภาพสีหลายช่วงคลื่น (Multispectral) และภาพขาวดำ (panchromatic) ซึ่งภาพข้อมูลที่ได้มาจากดาวเทียมแต่ละดวงนั้นจะมีคุณลักษณะทางด้านรายละเอียดเชิงพื้นที่ รายละเอียดเชิงคลื่น รายละเอียดด้านเวลา และคุณลักษณะเชิงรังสีหรือขนาดความกว้างของช่วงคลื่นที่แตกต่างกันออกไป ในขณะเดียวกันก็พบว่าความต้องการภาพเพียงภาพเดียวที่มีความสมบูรณ์ของข้อมูลทั้งข้อมูลทางรายละเอียดเชิงคลื่น และรายละเอียดเชิงพื้นที่นั้นเพิ่มมากขึ้น ทั้งนี้เพราะภาพสีหลายช่วงคลื่น ที่มีรายละเอียดเชิงพื้นที่สูงนั้น จะสามารถช่วยปรับปรุงให้ข้อมูลมีคุณภาพมากยิ่งขึ้น ช่วยเพิ่มความถูกต้องในการจำแนกประเภทข้อมูล และยังช่วยในการตรวจสอบ ติดตามการเปลี่ยนแปลง แต่ในการออกแบบอุปกรณ์รับสัญญาณนั้นต้องคำนึงถึงความสัมพันธ์ระหว่างรายละเอียดเชิงพื้นที่ รายละเอียดเชิงคลื่น และอัตราส่วนสัญญาณต่อสัญญาณรบกวน[1] (SNR) ที่ต้องมีความสมดุลกัน ส่งผลให้การออกแบบอุปกรณ์รับสัญญาณที่มีทั้งรายละเอียดเชิงคลื่น และรายละเอียดเชิงพื้นที่สูงนั้นถูกจำกัดลง

ดังนั้นจึงมีความพยายามที่จะใช้เทคนิคในการประมวลผลภาพข้อมูลดาวเทียมในการนำเอาภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่นที่มีรายละเอียดเชิงคลื่นสูง มาผสมรวมกับภาพข้อมูลดาวเทียมในระบบขาวดำที่มีรายละเอียดเชิงพื้นที่สูง เพื่อผลิตภาพข้อมูลดาวเทียมสังเคราะห์ที่มีรายละเอียดเชิงคลื่น และรายละเอียดเชิงพื้นที่สูงมารวมไว้ในภาพเพียงภาพเดียว โดยเทคนิคในการการประมวลผลภาพข้อมูลดาวเทียมสังเคราะห์นี้รู้จักกันดีว่า Pansharpening หรือการทำ Resolution merge โดยวิธีการนี้พยายามที่จะรักษาข้อมูลรายละเอียดเชิงคลื่นของภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่น ในขณะเดียวกันก็พยายามที่จะเพิ่มรายละเอียดเชิงพื้นที่ให้กับภาพข้อมูลดาวเทียมด้วย ซึ่งก่อนการทำ Pansharpening นั้นมีปัจจัยที่ควรคำนึงถึง คือ

การเลือกใช้ภาพดาวเทียมที่จะนำมาใช้ในการทำ Pansharpening เพื่อให้มีความเหมาะสมในการนำไปประยุกต์ใช้งาน

การทำการซ้อนภาพ (co-registration) เพื่อปรับตำแหน่งเชิงเรขาคณิตระหว่างภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่น และในระบบขาวดำให้ตรงกัน การปรับแก้เชิงเรขาคณิต

มุมของภาพ เพราะหากภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่น และในระบบขาวดำนั้นถูกบันทึกในช่วงเวลาที่แตกต่างกัน อาจส่งผลทำให้ viewing angle และเงาของภาพแตกต่างกันออกไป ส่งผลต่อการตรึงค่าพิกัดและการทำ Pansharpening นั้นได้ผลลัพธ์ไม่ตรงตามที่ต้องการ

วิธีการทำ Resampling เพราะการทำ Resampling นั้นถูกนำไปใช้ในการทำ geometric projection การปรับแก้เชิงเรขาคณิต และการซ้อนภาพ



ในการทำ Pansharpening นั้นสามารถทำได้หลากหลายวิธีตามอัลกอริธึมที่ใช้ โดยสามารถจำแนกได้ 4 วิธี คือ IHS Transformation Method, Brovey Transform, Principal Component Analysis Method และ Wavelet-based Method



1. IHS Transformation Method

IHS Transformation Method นั้นได้ทำการแปลงภาพข้อมูลดาวเทียมในระบบสี RGB ไปสู่ระบบ IHS (Intensity Hue Saturation) โดยที่ I (รายละเอียดเชิงพื้นที่) H, S (รายละเอียดเชิงคลื่น) โดยมีวิธีการในการแปลงภาพข้อมูลดาวเทียมในระบบสี RGB ไปสู่ระบบ IHS ดังรูป



จากภาพจะเห็นได้ว่าภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่นได้ถูกแปลงค่าระบบสีจาก RGB ไปสู่ระบบ IHS จากนั้น ค่า I ที่ได้จากการแปลงจะถูกแทนที่โดยค่าความเข้มของภาพข้อมูลดาวเทียมในระบบขาวดำโดยการทำ Histrogram Match และค่า h และ s จะถูกทำการ Resampling ให้มีรายละเอียดเชิงพื้นที่เท่ากับภาพข้อมูลในระบบขาวดำ จากนั้นทำการแปลงค่าระบบสีจาก IHS มาสู่ระบบ RGB ซึ่งทำให้ภาพผลลัพธ์ที่ได้ออกมามีความคมชัด และมีรายละเอียดเชิงคลื่นและรายละเอียดเชิงคลื่นสูง

2. Brovey Transform

ภาพข้อมูลดาวเทียมที่มีระดับความแตกต่างของความคมชัดสูงนั้น มีประโยชน์ต่อการตรวจสอบ ติดตามการเปลี่ยนแปลง ดังนั้น Brovey Transform จึงได้อาศัยหลักการของระดับความแตกต่างของความคมชัดมาช่วยทำให้ภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่นนั้นมีความคมชัด หรือมีรายละเอียดเชิงพื้นที่เพิ่มมากขึ้น โดยในวิธีการนี้ภาพข้อมูลในระบบหลายช่วงคลื่นได้ถูกนอร์แมลไลซ์ และค่าดิจิตอลนัมเบอร์ในแต่ละช่วงคลื่นในระบบหลายช่วงคลื่นที่ได้จากการผสานข้อมูลนั้น ได้มาจากการคูณค่าดิจิตอลนัมเบอร์ของช่วงคลื่นที่ถูกนอร์แมลไลซ์ด้วยค่าดิจิตอลนัมเบอร์ของภาพข้อมูลในระบบขาวดำ ดังสมการนี้





โดยที่ DN หมายถึง ค่าดิจิตอลนัมเบอร์ของแต่ละช่วงคลื่น

bi หมายถึง แบนด์แต่ละแบนด์ในภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่น



แม้ว่า Brovey Transform นั้นจะช่วยให้ภาพมีความคมชัด สามารถมองเห็นขอบเขตของวัตถุต่างๆ ได้ชัดเจน จนสามารถแยกแยะได้ แต่กลับมีผลกระทบต่อคุณลักษณะเชิงคลื่นของภาพข้อมูลดาวเทียมอย่างมาก ดังนั้นการทำ Pansharpening โดยวิธี Brovey Transform นั้นจึงไม่เหมาะในการนำไปประยุกต์ใช้ต่อในการจำแนกประเภทข้อมูลแบบ pixel-based classification ทั้งนี้เนื่องจากค่าของข้อมูลในแต่ละพิกเซลจะถูกเปลี่ยนแปลงไปอย่างมาก


3. Principal Component Analysis Method

การวิเคราะห์องค์ประกอบหลักนั้นมีประโยชน์ในการลดจำนวนข้อมูล การปรับปรุงคุณภาพข้อมูล การลดมิติของตัวแปร และการผสมรวมภาพข้อมูล โดยการทำ Pansharpening โดยอาศัยวิธี Principal Component Analysis นั้น Principal Component Analysis จะถูกนำไปประยุกต์ใช้ในการวิเคราะห์องค์ประกอบหลักของภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่น โดยที่ค่าขององค์ประกอบหลักที่ 1 นั้นจะถูกแทนที่ด้วยภาพในระบบขาวดำ โดยมีวิธีการ ดังรูป




การทำ Pansharpening โดยวิธี Principal Component Analysis นั้นค่อนข้างมีความอ่อนไหวและไวต่อพื้นที่ที่ต้องการทำให้มีความคมชัดเพิ่มมากขึ้น ค่าความแปรปรวนของพิกเซล และค่าสหสัมพันธ์ของแต่ละแบนด์ที่แตกต่างกันออกไปตามประเภทของสิ่งปกคลุมดิน เนื่องจาก Principal Component Analysis ต้องใช้การคำนวณค่าความแปรปรวนร่วม ซึ่งค่าที่ได้จากการคำนวณนั้นจะขึ้นอยู่กับภาพข้อมูลดาวเทียมซึ่งมีความสัมพันธ์ระหว่างช่วงคลื่นในระบบหลายช่วงคลื่นของแต่ละคู่ที่แตกต่างกันออกไป

4. Wavelet Transform

Wavelet transform นั้นเป็นวิธีการวิเคราะห์สัญญาณที่พัฒนาขึ้น เพื่อวิเคราะห์สัญญาณที่มีลักษณะไม่คงที่ และเป็นการวิเคราะห์ข้อมูลระหว่างแกนเวลา และการสเกล ซึ่ง Wavelet transform นั้นสามารถปรับขนาดหน้าต่าง (Windows) ได้แบบอัตโนมัติโดยจะใช้หน้าต่างที่สั้นกับความถี่สูง และหน้าต่างที่กว้างกับความถี่ต่ำ ทำให้สามารถเลือกคุณลักษณะทางเวลาและความถี่ได้




แนวคิดพื้นฐานของการทำ wavelet transform คือ การแยกความถี่ของภาพข้อมูลดาวเทียม ทั้งนี้เพราะภาพข้อมูลดาวเทียมนั้นสามารถแบ่งออกเป็นความถี่สูงและความถี่ต่ำ ทั้งนี้ขึ้นอยู่กับการเลือกใช้ตัวกรองผ่านความถี่สูงหรือหรือต่ำ ซึ่งจะส่งผลให้ภาพข้อมูลดาวเทียมที่เลือกใช้ตัวกรองผ่านความถี่นั้นๆ ด้วย ซึ่งภาพข้อมูลดาวเทียมที่มีความถี่ต่ำนั้นก็จะมีรายละเอียดเชิงพื้นที่ต่ำไปด้วย ในขณะเดียวกันภาพข้อมูลดาวเทียมที่มีความถี่สูงก็จะมีรายละเอียดเชิงพื้นที่สูง จากแนวคิดในการทำ wavelet based sharpening จึงอาศัยวิธีการ IHS transformation ร่วมกับ biorthogonal wavelet decomposition

จากรูปในข้างต้น ซึ่งแสดงถึงขั้นตอนในการทำ Pansharpening ด้วยวิธี wavelet based sharpening จะเห็นได้ว่าภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่นในระบบสี RGB จะถูกแปลงไปสู่ระบบ IHS ในขณะที่ภาพข้อมูลดาวเทียมในระบบขาวดำจะถูกทำ histogram matched กับค่า I โดยในการทำ histogram matched ภาพข้อมูลดาวเทียมในระบบขาวดำนั้นได้ใช้ biorthogonal 9/7 ซึ่งเป็นเวฟเล็ตแม่ซึ่งเป็นฟังก์ชันพื้นฐานเพื่อให้เหมาะกับการวิเคราะห์สัญญาณที่มีลักษณะไม่คงที่

ค่า I นั้นถูกนำไปแทนที่ค่าการประมาณของข้อมูลที่มีรายละเอียดต่ำของภาพข้อมูลดาวเทียมในระบบขาวดำ ใน wavelet domain จากนั้นทำการอินเวอร์ส DWT เพื่อที่จะผสมรวมข้อมูล I ในบริเวณที่มีความถี่สูง จากนั้นค่า H และ S ได้ถูก Resampling ให้มีขนาดเท่ากับขนาดของค่า I ที่มีความคมชัดที่มีความคมชัด จากนั้นทำการอินเวอร์สค่าสีในระบบ IHS ไปสู่ระบบสี RGB จากนั้นใช้ตัวกรองผ่านความถี่แบบ wiener filter เพื่อขจัดข้อมูลที่คลาดเคลื่อนที่เกิดจากสัญญาณรบกวนออกจากข้อมูลในแต่ละแบนด์ เพื่อให้ได้ภาพข้อมูลดาวเทียมที่มีความคมชัด และมีคุณลักษณะเชิงคลื่น และคุณลักษณะเชิงพื้นที่สูง



จากการทดสอบใช้เทคนิคการทำ Pansharpening โดยอัลกอริธึมต่างๆ ทั้ง 4 วิธี คือ IHS Transformation Method, Brovey Transform, Principal Component Analysis Method และ Wavelet Based Sharpening นั้นพบว่า วิธีการแบบ Wavelet Based Sharpening นั้นทำให้ภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่นมีความคมชัดเทียบเท่ากับระบบขาวดำแล้ว ยังสามารถคงไว้ซึ่งคุณภาพของข้อมูลเชิงช่วงคลื่น และข้อมูลเชิงรายละเอียดเชิงพื้นที่มากกว่าวิธีการอื่นๆ โดยเฉพาะรายละเอียดเชิงจุดภาพนั้น Wavelet Based Sharpening ได้นำเอาค่า I ไปแทนที่ค่าการประมาณของข้อมูลที่มีรายละเอียดต่ำของภาพข้อมูลดาวเทียมในระบบขาวดำ ใน wavelet domain จากนั้นทำการอินเวอร์ส DWT เพื่อที่จะผสมรวมข้อมูล I ในบริเวณที่มีความถี่สูง ในขณะที่วิธีการอื่นๆ เช่น IHS Transformation Method, Principal Component Analysis Method นั้นรายละเอียดเชิงช่วงคลื่นของภาพ (ที่ผ่านการทำ Pan sharpening) นั้นเป็นเพียงรายละเอียดเชิงช่วงคลื่นที่ได้รับจากภาพข้อมูลดาวเทียมในระบบหลายช่วงคลื่น แล้วทำการเพิ่มเข้าไปในภาพข้อมูลดาวเทียมในระบบขาวดำ แต่ในขณะที่ข้อมูลเชิงรายละเอียดที่ได้จากวิธีการทำ Wavelet Based Sharpening นั้นต้องขึ้นอยู่กับปัจจัยหลายตัว เช่น ความถูกต้องในการทำการซ้อนภาพ และเทคนิควิธีที่เลือกใช้ในการทำ Resampling ในขณะที่เทคนิคการทำ Pansharpening โดยวิธี IHS Transformation และ Principal Component Analysis Method นั้นภาพข้อมูลดาวเทียมในระบบขาวดำจะถูกแทนที่ลงไปในค่า I (จากวิธี IHS Transformation) หรือ ค่าองค์ประกอบหลักที่ 1 (จากวิธี Principal Component Analysis Method) ซึ่งความแตกต่างของค่าระดับสีเทาระหว่างภาพข้อมูลดาวเทียมในระบบขาวดำ กับค่าองค์ประกอบหลักที่ 1 หรือ ค่า I (Intensity) ซึ่งจะส่งผลต่อคุณภาพของข้อมูลรายละเอียดช่วงคลื่นของภาพข้อมูลดาวเทียมที่ได้จากการทำ Pan sharpening ด้วยวิธีเหล่านั้นลดลง ส่วนวิธี Brovey Transform นั้นก็ให้ผลลัพธ์ที่ดี แต่ทั้งนี้ทั้งนั้นต้องขึ้นอยู่กับการนอร์แมลไลซ์ อาจทำให้ค่าดิจิตอลนัมเบอร์เปลี่ยนไป และส่งผลต่อฮิสโตรแกรมของภาพข้อมูลในแต่ละแบนด์เปลี่ยนไป

ดังนั้นจะเห็นได้ว่า การทำ Pansharpening โดยวิธี Wavelet Based Sharpening นั้นให้ผลลัพธ์ด้านคุณภาพเชิงคลื่นดีที่สุด ในขณะที่คุณภาพของรายละเอียดเชิงพื้นที่นั้นจะแตกต่างกันไปตามภาพข้อมูลดาวเทียมที่นำมาใช้ในการทำ Pan sharpening ด้วยเหตุนี้จึงต้องมีตรวจสอบความแตกต่างในการเลือกใช้โมเดลในการผสมรวมข้อมูลที่ใช้ใน wavelet domain เพื่อที่จะช่วยให้การทำ Wavelet Based Sharpening ในส่วนของข้อมูลเชิงรายละเอียดพื้นที่ออกมามีคุณภาพมากที่สุด

เอกสารอ้างอิง :

Vijayaraj, V. “A Quality Analysis of Pansharpened Images”. M.S. Thesis, Mississippi State University, 2004.

Signal Noise Ratio (SNR) คือ ค่าที่กำหนดให้เป็นค่าที่น้อยที่สุดในการบันทึกสัญญาณข้อมูล โดยอุปกรณ์รับสัญญาณของดาวเทียมแต่ละดวงนั้นจะถูกออกแบบอัตราส่วนสัญญาณต่อสัญญาณรบกวนเป็นค่าที่แน่นอน โดยอุปกรณ์รับสัญญาณจะบันทึกค่าพลังงานที่สะท้อนกลับมาจากวัตถุเป้าหมาย ถ้าสัญญาณนั้นมีค่ามากกว่า SNR เท่านั้น