Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/52819
| Title: | การจำแนกเชิงวัตถุของภาพถ่ายดาวเทียมไทยโชตโดยใช้เทคนิคการแบ่งส่วนเชิงลำดับชั้นและค่าน้ำหนักช่วงคลื่น |
| Other Titles: | Object-based classification of thaichote imgery using hierarchical segmentation and band weight techniques |
| Authors: | ตริตาภรณ์ ไชยนรา |
| Advisors: | วิชัย เยี่ยงวีรชน |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Advisor's Email: | Vichai.Y@Chula.ac.th |
| Subjects: | ดาวเทียม ดาวเทียมในการรังวัด ดาวเทียมในการวิเคราะห์ข้อมูลระยะไกล การวิเคราะห์ข้อมูลระยะไกล Artificial satellites Artificial satellites in surveying Artificial satellites in remote sensing Remote sensing |
| Issue Date: | 2556 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | การจำแนกประเภทข้อมูลดาวเทียมด้วยวิธีการจำแนกเชิงวัตถุ (Object based classification) จะให้ความถูกต้องดีกว่าการจำแนกด้วยวิธีเชิงจุดภาพ (Pixel based classification) โดยการจับกลุ่มจุดภาพที่มีความเป็นเนื้อเดียวกัน (homogeneity) แล้วคำนวณค่าทางสถิติของแต่ละช่วงคลื่นให้กับวัตถุที่สร้างขึ้น และนำมาใช้ในการจำแนกเชิงวัตถุ การสร้างวัตถุจากจุดภาพด้วยเทคนิคการแบ่งส่วน (Segmentation) จากการกำหนดค่าพารามิเตอร์ต่าง ๆ ได้แก่ ขนาด (Scale) สี (Color) รูปร่าง (Shape) ความเรียบ (Smoothness) การเกาะกลุ่ม (Compactness) และค่าน้ำหนักช่วงคลื่น (Band Weight) จากการศึกษาผลงานที่ผ่านมาพบว่า การใช้วิธีการจำแนกเชิงวัตถุจะสร้างวัตถุด้วยการกำหนดค่าพารามิเตอร์ชุดเดียวที่เหมาะสมด้วยค่าน้ำหนักช่วงคลื่นที่เท่ากัน ทำการจำแนกข้อมูลพร้อมกันหลายชนิด ซึ่งผลลัพธ์ที่ได้ยังมีการปะปนของชนิดข้อมูลที่มีลักษณะคลุมเครือหรือใกล้เคียงกัน เนื่องจากวัตถุจะมีการสะท้อนค่าพลังงานแต่ละช่วงคลื่นไม่เหมือนกัน อีกทั้งยังมีขนาดและรูปร่างไม่เหมือนกัน การจำแนกวัตถุหลายชนิดจึงควรกำหนดค่าน้ำหนักช่วงคลื่นที่แตกต่างกัน ดังนั้นในการศึกษาวิจัยครั้งนี้ จึงมีวัตถุประสงค์ เพื่อศึกษาการจำแนกข้อมูลด้วยวิธีเชิงวัตถุให้ดีขึ้น ด้วยการใช้เทคนิคการแบ่งส่วนแบบเชิงลำดับชั้นและการให้ค่าน้ำหนักช่วงคลื่นที่เหมาะสม เพื่อลดการคลุมเครือหรือปะปนกันของวัตถุ โดยการวิจัยจะทำการจำแนกพืชในจังหวัดฉะเชิงเทราด้วยภาพถ่ายดาวเทียมไทยโชต (THAICHOTE) จากการวิจัยได้ใช้เทคนิคการแบ่งส่วนเชิงลำดับชั้นแบบบนลงล่าง (Top-Down) ซึ่งเป็นการแบ่งส่วนและจำแนกวัตถุที่มีขนาดที่หยาบไปสู่ขนาดที่ละเอียด โดยในแต่ละชั้นจะกำหนดค่าน้ำหนักช่วงคลื่นให้เหมาะสมกับพืชแต่ละชนิด ได้แก่ มันสำปะหลังเริ่มเพาะปลูก มันสำปะหลังเจริญเติบโต มันสำปะหลังเก็บเกี่ยว อ้อยเริ่มเพาะปลูก อ้อยเจริญเติบโต อ้อยเก็บเกี่ยว มะพร้าว ยูคาลิปตัส และยางพารา และจำแนกข้อมูลด้วยวิธีทางสถิติเป็นไปได้สูงสุด (Nearest Neighbor) ผลการวิจัยพบว่า การใช้เทคนิคดังกล่าวให้ค่าความถูกต้องของพืชแต่ละชนิดดีขึ้น โดยสามารถจำแนกมันมันสำปะหลังเริ่มเพาะปลูก และอ้อยเจริญเติบโต ได้ประมาณ 90 % สำปะหลังเจริญเติบโต ยางพารา มะพร้าว และมันสำปะหลังเก็บเกี่ยวประมาณ 85 % อ้อยเก็บเกี่ยว อ้อยเริ่มเพาะปลูก ยูคาลิปตัส ประมาณ 80 % ด้วยค่าความถูกต้องรวมร้อยละ 90.23 และค่า KIA ร้อยละ 87.86 |
| Other Abstract: | Object based classification of satellite image will provide better accuracy than pixel based classification. Object based classification create objects by grouping pixels with homogeneity and calculate the new statistic values of each band of each object used for classification. Image objects will be created using segmentation techniques by characteristics of homogeneity. The homogeneity parameters consist of scale factor, color, shape, smoothness, compactness and band weight. The most researches will use only one set of appropriate homogeneity parameters with equal band weight to classify satellite image. The results have some mixed of classified data with fuzzy or similar characteristics. Because of each are different reflection, size and shape. Therefore, the purpose of this research is study of the better object based classification of using hierarchical segmentation and appropriate band weight techniques to reduce mixed data. The study identified the plant in Chachoengsao of THAICHOTE satellite imgery. The research used the Top-Down segmentation hierarchy which is the rough objects into the finely objects. Each level use different appropriate for band weight each plant, cassava-crop cassava-growing cassava-harvest sugarcane-crop sugarcane-growth sugarcane-harvest eucalyptus coconut and para-rubber and classification of data with Nearest Neighbor. The results are the accuracy of each crop improved. Cassava can be classified by growth. Classified sugarcane-growth and cassava-crop about 90% cassava-growing para-rubber coconut cassava-harvest about 85% sugarcane-harvest sugarcane-crop and eucalyptus about 80% with overall accuracy as 90.23% and 87.86% of the KIA. |
| Description: | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2556 |
| Degree Name: | วิศวกรรมศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | ระบบสารสนเทศปริภูมิทางวิศวกรรม |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/52819 |
| URI: | http://doi.org/10.14457/CU.the.2013.1838 |
| metadata.dc.identifier.DOI: | 10.14457/CU.the.2013.1838 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| tritaporn_ch.pdf | 3.22 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.