บทความเรื่อง : อิมเมจโปรเซสซิ่งสำหรับผู้เริ่มต้น (ตอนจบ )
เขียนโดย อ.จักรกฤษณ์ แสงแก้ว สาขาสารสนเทศศาสตร์ คณะวิทยาการสารสนเทศ มหาวิทยาลัยมหาสารคาม

สำหรับวันนี้ผมเองตั้งเจตนาจะเขียนบทความ เรื่องอิมเมจโปรเซสซิ่งสำหรับผู้เริ่มต้นให้จบ และขณะนี้เวลา 01.24 เช้าตรู่.. วันจันทร์ที่ 23 มกราคม 2549 มองไปนอกหน้าต่างบ้านเรือนต่างปิดไฟนอนหลับไหลกันหมด เหลือไว้แต่คนกลางคืน คนขับรถสิบล้อ แม่ค้าขายอาหารที่ต้องนอนดึกดื่น และนกฮูกอย่างผม เอาเป็นว่าเรื่องราวที่เหลือต่อจากบทความที่แล้วคือ การประมวลผลภาพเป็นพื้นที่รอบ ๆ จุดสีหนึ่ง ๆ (Area Processing) ซึ่งเีรียกอีกอย่างว่า การทำคอนโวลูชั่น (Convolution)
ถือเป็นหัวข้อที่ค้างจากตอนที่ผ่านมา นอกจากนั้นแล้วในบทความนี้จะปิดท้ายด้วยการประมวลผลด้านรูปร่างของภาพ (Morphology Processing) ขอเริ่มใจความของบทความด้วยรายละเอียดต่อไปนี้

ก่อนจะกล่าวถึงรายละเอียดเหล่านั้น ขอให้พิจารณาภาพด้านล่างต่อไปนี้

ภาพด้านบนแสดงให้ท่านเห็นว่า ณ ตำแหน่งใด ๆ ของภาพที่กำลังพิจารณานั้น เราจะนำพิกเซลที่อยู่ล้อมรอบพิกเซลที่กำลังพิจารณามาทำการคำนวณ โดยเราจะมีตัวเลขคงที่อยู่กลุ่มหนึ่ง เรียกว่า ค่าตัวร่วม หรือ Mask Coefficient เข้าไปคูณกับพิกเซลเหล่านั้น จากนั้นนำผลคูณแต่ละตัวมาทำการบวกเข้าด้วยกัน ผลลัพธ์สุดท้ายจะเก็บไว้ในตำแหน่งพิกัดที่กำลังพิจารณาของภาพที่ผ่านการประมวลผลแล้ว

ตัวอย่างการคำนวณ
   
ผลลัพธ์ คือ [0 x 2 ] + [-1 x 3] + [0 x 1] + [-1 x 4] + [9 x 6] + [-1 x 2] + [0 x 5] + [-1 x 2] + [0 x 3] = 43

แสดงได้ดังนี้

ขอให้ท่านโปรดระวังว่าผลลัพธ์จากการคำนวณขอให้นำไปเก็บใส่ภาพใหม่ อย่านำลงไปเก็บในตำแหน่งปัจจุบันของภาพเดิม

ผู้เขียนได้สร้างฟังก์ชั่นสำหรับคำนวณค่า Convolution แสดงได้ดังตัวอย่างต่อไปนี้

ตัวอย่าง สร้างฟังก์ชั่นสำหรับคำนวณหา Mask Convolution

from __future__ import division import Image def Convolution(Coefficient, Raw_Data):           m = []           for i in range(len(Coefficient)):                     m.append(Coefficient[i] * Raw_Data[i])           return sum(m)

หมายเหตุ : คำสั่ง from __future__ import division เป็นการบอกให้ไพธอนหารเลขโดยผลลัพธ์แสดงเป็นทศนิยม รายละเอียดส่วนนี้ศึกษาเพิ่มเติมจากหนังสือไพธอนต่อไป

ฟังก์ชั่นสำหรับคำนวณแต่ละพิกเซลโดยรอบจุดที่กำลังพิจารณาชื่อฟังก์ชั่น gen() แสดงรายละเอียดได้ดังนี้

ตัวอย่าง สร้างฟังก์ชั่นสำหรับคำนวณ Low Pass Filter

def gen(im,mask):           img_output = Image.new("RGB",(im.size[0],im.size[1]))           for x in range(1,im.size[0]-1):                     for y in range(1,im.size[1]-1):                               r = []; g=[]; b=[]                               for i in range(-1,2):                                         for j in range(-1,2):                                                   tmp = im.getpixel((x+i,y+i))                                                   r.append(tmp[0])                                                   g.append(tmp[1])                                                   b.append(tmp[2])                               Red = Convolution(mask,r)                               Green = Convolution(mask,g)                               Blue = Convolution(mask,b)                               RGB = (Red,Green,Blue)                               img_output.putpixel((x,y),RGB)           return img_output

การปรับความคมชัดของภาพ (Sharped Image)
การประมวลผลแบบ Area Processing เป็นการเปลี่ยนแปลงตัวเลขภายใน Mask Coefficient ท่านจะพบว่าการทำภาพให้คมชัด หรือเบลอ หรือเป็นลักษณะนูน ตลอดจนการคำนวณหาขอบเขตของภาพ สุดท้ายแล้วเป็นเพียงการเปลี่ยนแปลงค่า Mask Coefficient เท่านั้น ส่วนวิธีการและหลักการจะยึดแนวเดียวกันทั้งหมดกล่าวคือ วิ่งคำนวณจากพิเซลเริ่มต้นไปจนถึงพิกเซลสุดท้าย ฟังก์ชั่นที่ผมสร้างขึ้นมานี้ เขียนด้วยภาษาไพธอน ผมคิดว่าสำหรับผู้ที่เคยเขียนโปรแกรมมาแล้วจะสามารถอ่านโค๊ดที่ผมเขียนขึ้นได้ง่ายมาก สุดท้ายท่านจะได้หลักการที่แท้จริงของอิมเมจโปรเซสซิ่ง และสามารถนำไปประยุกต์ได้กับภาษาต่าง ๆ ที่ท่านต้องการ ขอให้ท่านพิจารณาการทำ High Pass โดยมีค่า Mask Coefficient แสดงได้ดังรายละเอียดต่อไปนี้

  หรือ    หรือ   เป็นต้น

ขอให้ท่านพิจารณาตัวอย่างต่อไปนี้

ภาพต้นฉบับ : prasriariyametri.bmp พระศรีอาริยเมตไตย (วัดท่าซุง จังหวัดอุทัยธานี)

ตัวอย่าง การประมวลผลภาพด้วย High Pass Filter

>> im = open("c:\\temp\\prasriariyametri.bmp") >> mask = [0, -1, 0, -1, 5, -1, 0, -1, 0] >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp") >> mask = [0, -1, 0, -1, 9 , -1, 0, -1, 0] >> m = gen(im,mask) >> m.save("c:\\temp\\output2.bmp")

ผลลัพธ์ : ผ่านกระบวนการ High Pass Filter โดยใช้ mask = [0, -1, 0, -1, 5, -1, 0, -1, 0]	ผลลัพธ์ : ผ่านกระบวนการ High Pass Filter โดยใช้ mask = [0, -1, 0, -1, 9, -1, 0, -1, 0]

ค่า Mask Coefficient เป็นการประยุกต์ใช้ตัวแปร List เพื่อเก็บค่าเหล่านั้น เมื่อผ่านการประมวลผลแล้วผลลัพธ์สามารถแสดงได้ดังภาพด้านบน ภาพจะมีความคมชัดมากขึ้น

การทำภาพเบลอ (Blued Image)
ในการทำภาพเบลอ เราใช้ฟิลเตอร์ซึ่งเรียกว่า Low Pass โดยค่าของ Mask Coefficient ของ Low Pass แสดงได้ดังนี้
หรือ เป็นต้น


ขอให้ท่านพิจารณาตัวอย่างการใช้งาน Low Pass Filter ดังต่อไปนี้

ภาพต้นฉบับ : พระเจ้าพรหมมหาราช อนุสาวรีย์พระเจ้าพรหมมหาราช วัดท่าซุง

ตัวอย่าง การประมวลผลภาพด้วย Low Pass Filter

>> im = open("c:\\temp\\promaharacha.bmp") >> mask = [1/9, 1/9, 1/9, 1/9,1/9,1/9,1/9,1/9,1/9] >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp") >> mask = [1/16, 1/8, 1/16, 1/8, 1/4, 1/8, 1/16, 1/16, 1/16] >> m = gen(im,mask) >> m.save("c:\\temp\\output2.bmp")

ผลลัพธ์ : ผ่านกระบวนการ Low Pass Filter โดยใช้ mask = [1/9, 1/9, 1/9, 1/9,1/9,1/9,1/9,1/9,1/9]	ผลลัพธ์ : ผ่านกระบวนการ Low Pass Filter โดยใช้ mask = [1/16, 1/8, 1/16, 1/8, 1/4, 1/8, 1/16, 1/16, 1/16]

ผลลัพธ์จากการคำนวณการประมวลผลแบบ Low Pass Filter แสดงได้ดังภาพด้านบน

การทำภาพนูน (Emboss Image)
การปรับภาพให้นูน (Emboss) เป็นการกำหนดค่า Mask Coefficient แสดงได้ดังรายละเอียดต่อไปนี้

  หรือ    เป็นต้น

ภาพต้นฉบับ : Input.BMP ภาพถ่ายผู้เขียนขณะปฏิบัติธรรมในต้นธันวาคม 2548 ศาลาข้างกุฎิหลวงพี่สมปอง วัดท่าซุง จังหวัดอุทัยธานี

ตัวอย่าง สร้างฟังก์ชั่นสำหรับคำนวณหา Mask Convolution สำหรับวิธี Emboss

import Image def Convolution(Coefficient, Raw_Data):           m = []           for i in range(len(Coefficient)):                     m.append(Coefficient[i] * Raw_Data[i])           return sum(m) +127

เนื่องจากผลลัพธ์การคำนวณ Convolution จะต้องบวกด้วย 127 ดังนั้น ต้องปรับฟังก์ชั่น Convolution ดังตัวอย่างด้านบน

ตัวอย่าง การประมวลผลภาพด้วย Emboss

>> im = open("c:\\temp\\Input.BMP") >> mask = [1,0,0,0,0,0,0,0,-1] >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp") >> mask = [0,1,0,0,0,0,0,-1,0] >> m = gen(im,mask) >> m.save("c:\\temp\\output2.bmp")

การเรียกใช้งานเปลี่ยนแปลงเพียงค่า Mask ในตัวอย่างนี้กำหนด Mask เป็น [1,0,0,0,0,0,0,0,-1] และ [0,1,0,0,0,0,0,-1,0] ตามลำดับ แสดงผลลัพธ์ได้ดังภาพต่อไปนี้

ผลลัพธ์ : ผ่านกระบวนการทำภาพนูน (Emboss) โดยใช้ mask = [1,0,0,0,0,0,0,0,-1]	ผลลัพธ์ : ผ่านกระบวนการทำภาพนูน (Emboss) โดยใช้ mask = [0,1,0,0,0,0,0,-1,0]

การตรวจหาขอบภาพ (Edge Detector)
ในการหาขอบเขตของภาพประกอบด้วยอัลกอริทึม 4 แบบ
• Sobel
• Prewitt
• Frei-Chen
• Laplacian

สามารถแสดงรายละเอียดของแต่ละอัลกอริทึมด้วยค่า Mask Coefficient ดังต่อไปนี้

การตรวจหาขอบเขตวัตถุภายในภาพด้วยวิธี Sobel
การตรวจหาขอบภาพด้วยวิธี Sobel
ในทิศทางแนวนอนใช้ Mask Coefficient คือ
หรือ
ในทิศทางแนวตั้งใช้ Mask Coefficient คือ
หรือ

ภาพต้นฉบับ : People.bmp ประชาชนผู้เข้าเสร็จสิ้นจากการฝึกมโนมยิทธิขั้นเต็มกำลัง ในวันอาทิตย์ที่ 18 ธันวาคม 2548 วัดท่าซุง จ.อุทัยธานี

ตัวอย่าง การประมวลผลภาพด้วย Sobel

>> im = open("c:\\temp\\People.bmp") >> mask = [1,2,1,0,0,0,-1,-2,-1] >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp")

ผลลัพธ์ : ผ่านกระบวนการทำภาพนูน (Emboss) โดยใช้ mask = [1,2,1,0,0,0,-1,-2,-1]

การตรวจหาขอบเขตวัตถุภายในภาพด้วยวิธี Prewitt
การตรวจหาขอบภาพด้วยวิธี Prewitt ใช้ค่า Mask Coefficient ดังนี้
ในทิศทางแนวนอนใช้ Mask Coefficient คือ
หรือ
ในทิศทางแนวตั้งใช้ Mask Coefficient คือ
หรือ

ภาพต้นฉบับ : vihan.bmp วิหารพระวิสุทธิเทพ วัดท่าซุง จังหวัดอุทัยธานี

ตัวอย่าง การประมวลผลภาพด้วย Prewitt

>> im = open("c:\\temp\\vihan.bmp ") >> mask = [1,1,1,0,0,0,-1,-1,-1] >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp")

ผลลัพธ์ : ผ่านกระบวนการหาขอบภาพ (Prewitt) โดยใช้ mask =[1,1,1,0,0,0,-1,-1,-1]

การตรวจหาขอบเขตวัตถุภายในภาพด้วยวิธี Frei-Chen
การตรวจหาขอบภาพด้วยวิธี Frei-Chen
ในทิศทางแนวนอนใช้ Mask Coefficient คือ
หรือ
ในทิศทางแนวตั้งใช้ Mask Coefficient คือ
หรือ

ภาพต้นฉบับ : budha.bmp

ตัวอย่าง การประมวลผลภาพด้วย Low Pass Filter

>> im = open("c:\\temp\\budha.bmp ") >> Root2 = math.sqrt(2) >> mask = [1,Root2,1,0,0,0,-1,-Root2,-1] >> m = gen(im,mask) >> m.save("c:\\temp\\output.bmp")

ผลลัพธ์ : ผ่านกระบวนการหาขอบภาพ (Frei-Chen) mask = [1,Root2,1,0,0,0,-1,-Root2,-1]

การตรวจหาขอบเขตวัตถุภายในภาพด้วยวิธี Laplacian
การตรวจหาขอบภาพด้วยวิธี Laplacian
ในทิศทางแนวนอนใช้ Mask Coefficient คือ
หรือ

ภาพต้นฉบับ : vihara.bmp วิหารทองคำ วัดท่าซุง จ.อุทัยธานี

ตัวอย่าง การประมวลผลภาพด้วย Laplacian

>> im = open("c:\\temp\\vihara.bmp ") >> mask = [-1,-1,-1,-1,8,-1,-1,-1,-1] >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp")

ผลลัพธ์ : ผ่านกระบวนการหาขอบภาพ ด้วยวิธี Laplacian โดยใช้ mask = [-1,-1,-1,-1,8,-1,-1,-1,-1]

การประมวลผลแบบ Morphology (Morphology Processing)
การประมวลผลแบบ Morphology คล้ายการทำ Convolution แต่จะเรียก Mask Coefficient แทนด้วยคำว่า Structure Element (S.E.)
การประมวลผลแบบนี้ประกอบด้วยการขยายพิกเซล (Dilation) การลดขนาดพิกเซล (Erosion) การเปิดพื้นที่ว่างภายในภาพ (Opening) และการปิดพื้นที่ว่างภายในภาพ (Closing) เป็นต้น ท่านสามารถเปลี่ยนแปลงค่าตัวเลขต่าง ๆ ภายใน S.E. ไำด้ตามความพึงพอใจ ค่าสูงสุดที่เป็นไปได้คือ 255 ขอให้พิจารณาการประยุกต์ใช้งานดังต่อไปนี้

• การขยายพิกเซล (Dilation)
ในการทำ Dilation แทนที่จะเป็นการรวมผลคูณของค่า Mask Coefficient แต่จะเป็นการคำนวณหาค่าที่มากที่สุดของผลคูณเหล่านั้นแทน
ดังนั้น เขียนฟังก์ชั่นสำหรับคำนวณ Dilation ได้ดังนี้

ตัวอย่าง สร้างฟังก์ชั่นสำหรับคำนวณหา Structure Element ของ Dilation

import Image def Dilation_Structure_Element(Coefficient, Raw_Data):           m = []           for i in range(len(Coefficient)):                     m.append(Coefficient[i] * Raw_Data[i])           return max(m)

ภาพต้นฉบับ : promaharacha.bmp อนุสาวรีย์พระเจ้าพรหมมหาราช วัดท่าซุง

ตัวอย่าง สร้างฟังก์ชั่นสำหรับคำนวณ Dilation

def gen(im,mask):           img_output = Image.new("RGB",(im.size[0],im.size[1]))           for x in range(1,im.size[0]-1):                     for y in range(1,im.size[1]-1):                               r = []; g=[]; b=[]                               for i in range(-1,2):                                         for j in range(-1,2):                                                   tmp = im.getpixel((x+i,y+i))                                                   r.append(tmp[0])                                                   g.append(tmp[1])                                                   b.append(tmp[2])                               Red = Dilation_Structure_Element(mask,r)                               Green = Dilation_Structure_Element(mask,g)                               Blue = Dilation_Structure_Element(mask,b)                               RGB = (Red,Green,Blue)                               img_output.putpixel((x,y),RGB)           return img_output

ตัวอย่าง การประมวลผลภาพด้วย Dilation

>> from __future__ import division >> im = open("c:\\temp\\promaharacha.bmp") >> m = gen(im,[1,2,3,4,5,6,7,8,9]) >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp")

ผลลัพธ์ : การขยายพิกเซล (Dilation) โดยใช้ mask = [1,2,3,4,5,6,7,8,9]

• การลดขนาดพิกเซล (Erosion)
ในการทำ Dilation แทนที่จะเป็นการรวมผลคูณของค่า Mask Coefficient แต่จะเป็นการคำนวณหาค่าที่น้อยที่สุดของผลคูณเหล่านั้นแทน

ตัวอย่าง สร้างฟังก์ชั่นสำหรับคำนวณหา Structure Element ของ Erosion

import Image def Erosion_Structure_Element(Coefficient, Raw_Data):           m = []           for i in range(len(Coefficient)):                     m.append(Coefficient[i] * Raw_Data[i])           return min(m)

ภาพต้นฉบับ : naka.bmp พระยานาคราช ทางขึ้นวิหารพระวิสุทธิเทพ วัดท่าซุง จ.อุทัยธานี

ตัวอย่าง สร้างฟังก์ชั่นสำหรับคำนวณ Erosion

def gen(im,mask):           img_output = Image.new("RGB",(im.size[0],im.size[1]))           for x in range(1,im.size[0]-1):                     for y in range(1,im.size[1]-1):                               r = []; g=[]; b=[]                               for i in range(-1,2):                                         for j in range(-1,2):                                                   tmp = im.getpixel((x+i,y+i))                                                   r.append(tmp[0])                                                   g.append(tmp[1])                                                   b.append(tmp[2])                               Red = Erosion_Structure_Element(mask,r)                               Green = Erosion_Structure_Element(mask,g)                               Blue = Erosion_Structure_Element(mask,b)                               RGB = (Red,Green,Blue)                               img_output.putpixel((x,y),RGB)           return img_output

ตัวอย่าง การประมวลผลภาพด้วย Erosion

>> from __future__ import division >> im = open("c:\\temp\\naka.bmp") m = gen(im,[2,10,15,8,12,15,10,15,20]) >> m = gen(im,mask) >> m.save("c:\\temp\\output1.bmp")

ภาพผลลัพธ์ : การประมวลผลด้วย Erosion

• การเปิดพื้นที่ว่างภายในภาพ (Opening)
การประมวลผลภาพด้วยวิธีเปิดช่องว่างภายในภาพ (Opening) คือการประมวลผลวิธี Erosion จากนั้นนำภาพที่ได้ไปผ่านการประมวลผล Dilation

• การปิดพื้นที่ว่างภายในภาพ (Closing)
การประมวลผลภาพด้วยวิธีเปิดช่องว่างภายในภาพ (Opening) คือการประมวลผลวิธี Dilationจากนั้นนำภาพที่ได้ไปผ่านการประมวลผล Erosion

สรุป
บทความนี้ได้นำท่านเรียนรู้และเข้าใจหลักการและแนวคิดพื้นฐานของอิมเมจโปรเซสซิ่ง (การประมวลผลภาพ) ท่านสามารถใช้ภาษาใด ๆ ในการอิมพลิเมนต์ (สร้าง) ได้ทั้งสิ้น ไม่ว่าจะเป็น Assembly, C/C++, Visual C++, Visual Basic และอื่น ๆ อีกมากมาย ท่านจะพบว่าบทความที่ได้ศึกษาไปนั้นใช้เวลาในการประมวลผลแต่ละภาพประมาณ 1 วินาที ท่านสามารถปรับปรุงประสิทธิภาพการประมวลผลให้เร็วขึ้นกว่านี้ โดยใช้เทคนิคการเขียนโปรแกรมชั้นสูง กล่าวคือการเขียนโปรแกรมแบบมัลติเธรดดิ่ง (Multi Threading) ซึ่งจะกล่าวถึงในบทความถัด ๆ ไป (หากมีเวลา) สุดท้ายนี้ ขอความสวัสดีมีชัยจงมีแด่พ่อแม่พี่น้องที่รักทุกท่าน สวัสดีครับ !!

แหล่งอ้างอิง
- อิมเมจโปรเซสซิ่งสำหรับผู้เริ่มต้น
- คู่มือการเขียนโปรแกรมวินโดวส์ขั้นสูงด้วย Visual C++
- คู่มือไพธอน http://www.python.org
- คู่มือการใช้งาน PIL (Python Image Library)
- สมการคณิตศาสตร์ โดย MathCAD 5.0
- แต่งภาพต่าง ๆ โดย Photoshop
- กล้อง Canon
- วัดท่าซุง (วัดจันทราราม) จังหวัดอุทัยธานี พระราชพรหมยาน (หลวงปู่ฤาษีลิงดำ)