PCI EasyPace : เรียนรู้พื้นฐานโปรแกรม ตอนที่ 3
PCI EasyPace : เรียนรู้พื้นฐานโปรแกรม ตอนที่ 3
การเน้นข้อมูลภาพ / Linear Combination
วัตถุประสงค์
เน้นข้อมูลภาพโดยการนำข้อมูลหลายๆ แบนด์มาทำผลบวกเชิงเส้นของแบนด์
(ต้องกำหนดค่าสัมประสิทธิ์)
เช่น Principal Component Analysis (PCA)
ดูเอกสารเพิ่มเติม 2 ไฟล์ pcieasypace_p03a.pdf และ pcieasypace_p03b.pdf
🎯 วัตถุประสงค์ของการใช้ PCA
- ลดความซ้ำซ้อนของข้อมูล: แถบสเปกตรัมในภาพถ่ายดาวเทียมมักมีความสัมพันธ์กันสูง ทำให้ข้อมูลบางส่วนซ้ำซ้อนกัน การใช้ PCA ช่วยแปลงข้อมูลให้เป็นชุดใหม่ที่ไม่มีความสัมพันธ์กัน (Uncorrelated).
- เน้นข้อมูลสำคัญ: PCA จะจัดอันดับส่วนประกอบหลัก (Principal Components) ตามปริมาณความแปรปรวนที่อธิบายได้ ทำให้สามารถเลือกใช้เฉพาะส่วนที่มีข้อมูลสำคัญ.
- ลดมิติของข้อมูล: โดยการเลือกใช้เพียงไม่กี่ส่วนประกอบหลักที่อธิบายความแปรปรวนได้มากที่สุด ทำให้ลดจำนวนแถบสเปกตรัมที่ต้องวิเคราะห์ลง.
🧮 หลักการทำงานของ PCA
- คำนวณเมทริกซ์ความแปรปรวนร่วม (Covariance Matrix): เพื่อวัดความสัมพันธ์ระหว่างแถบสเปกตรัมต่างๆ.
- หาค่า Eigenvectors และ Eigenvalues: เพื่อระบุทิศทางของส่วนประกอบหลักและปริมาณความแปรปรวนที่อธิบายได้ในแต่ละทิศทาง.
- แปลงข้อมูลไปยังระบบพิกัดใหม่: โดยการฉายข้อมูลต้นฉบับไปยัง Eigenvectors ที่ได้ เพื่อสร้างภาพใหม่ที่เป็นส่วนประกอบหลัก.
- เลือกใช้ส่วนประกอบหลักที่สำคัญ: โดยพิจารณาจากค่า Eigenvalues เพื่อเลือกใช้เฉพาะส่วนที่อธิบายความแปรปรวนได้มากที่สุด.
🛠️ ขั้นตอนการใช้งาน PCA ใน PCI EasyPace
- เปิดโปรแกรม PCI EasyPace และโหลดภาพที่ต้องการวิเคราะห์.
- เข้าสู่เมนู Algorithm Librarian: เลือกโปรแกรม “PCA” เพื่อเริ่มกระบวนการวิเคราะห์ส่วนประกอบหลัก.
- กำหนดแถบสเปกตรัมที่ต้องการวิเคราะห์: เลือกแถบสเปกตรัมทั้งหมดหรือเฉพาะบางแถบตามความเหมาะสม.
- กำหนดชื่อไฟล์ผลลัพธ์: ระบุชื่อไฟล์สำหรับบันทึกผลลัพธ์ของการวิเคราะห์ PCA.
- รันโปรแกรม PCA: ระบบจะคำนวณและสร้างภาพ