KM25620820 (การขยายความละเอียดเชิงพื้นที่ LIDAR)

เรียบเรียงโดย อาจารย์ภรวัฎ ธนกิติวิรุฬ  (20/8/2562)

ความเป็นมา
​ในการสำรวจสภาพของพื้นผิวถนนที่ถูกทำลาย เช่นการสำรวจหาพื้นผิวที่มีการยุบตัว หรือรอยแตกบนถนน ภาพถ่ายพื้นถนนทั่วไป จะบอกได้เพียงความกว้างหรือตำแหน่งของผิวถนนที่ถูกทำลาย หรือบางที่อาจระบุไม่ได้ เนื่องจากบริเวณพื้นผิวที่ถูกทำลายมีสีที่คล้ายคลึงกับบริเวณผิวถนนที่มีสภาพดี การใช้ LiDAR จะทำให้มองเห็นความแตกต่างของพื้นผิวถนนได้ แต่เมื่อนำข้อมูล LiDAR ที่ได้จากการสำรวจพื้นผิวของถนนมาประกอบสร้างเป็นรูปภาพพื้นผิวถนน ในลักษณะของ แบบจำลองภูมิประเทศเชิงเลขหรือ Digital Elevation Model(DEM) เพื่อทำการวิเคราะห์ พบว่าภาพที่ได้จะมีความละเอียดเชิงพื้นที่ต่ำมาก ทำให้การวิเคราะห์ข้อมูลลักษณะของพื้นผิวถนนเป็นไปได้ยาก

ดังนั้นเพื่อให้สามารถวิเคราะห์สภาพพื้นผิวของถนนจากข้อมูล LiDAR ได้ง่ายมากขึ้น จึงจำเป็นจะต้องเพิ่มความละเอียดเชิงพื้นที่ของข้อมูล LiDAR ให้มากขึ้น วิธีการหนึ่งที่จะสามารถเพิ่มความละเอียดเชิงพื้นที่คือ การใช้การประมาณค่าในช่วง โดยอาศัยภาพถ่ายพื้นผิวของถนน ณ ตำแหน่งที่เก็บข้อมูลมาช่วย พิกเซลของภาพถ่ายพื้นผิวถนนจะใช้เป็นข้อมูลในการอ้างอิงตำแหน่งและสีของแต่ละพิกเซลจะใช้ในการเปรียบเทียบความแตกต่างของสีพื้นผิวถนน หลังจากการใช้การประมาณค่าในช่วงแล้ว ผลลัพธ์ที่ได้จะเป็น แบบจำลองภูมิประเทศเชิงเลขที่มีความละเอียดเชิงพื้นที่สูงขึ้น ซึ่งมีกรรมวิธีในการทำดังต่อไปนี้

รูปที่ 1 แสดงข้อมูล LiDAR เมื่อนำมาสร้างเป็นแบบจำลองภูมิประเทศเชิงเลข จะเห็นได้ว่า แบบจำลองภูมิประเทศเชิงเลขที่ได้มีความละเอียดเชิงพื้นที่ต่ำมาก ยากแก่การวิเคราะห์ความเสียหายของพื้นผิวถนน
ขั้นที่ 1. สร้างโครงสร้างข้อมูล ให้ชื่อว่า LiDAR_DS มีสมาชิก 4 ตัว คือ ตำแหน่ง x y h หรือความสูง ในหน่วยของมิลิเมตรและ GB คือสีเป็นข้อมูลดิจิตอลขนาดแปดบิต ใช้เป็นที่เก็บข้อมูลดิบของ LIDAR แต่ละจุดที่ถูกคำนวณแล้ว
ขั้นที่ 2. แปลงภาพถ่ายอ้างอิงให้เป็นข้อมูลเชิงตัวเลขโดยจะแปลงแต่ละพิกเซลให้เป็นข้อมูลตำแหน่งอ้างอิง x, y และความสูง h ในหน่วยมิลลิเมตร โดยที่ h จะมีค่าเท่ากับ 0 ส่วนสีของแต่ละพิกเซลจะถูกเปลี่ยนไปข้อมูลดิจิตอลที่เรียกว่า GB model ขนาด 8 บิตตามสมการที่ 1. ข้อมูลของแต่ละพิกเซลจะถูกเก็บไว้ในอาเรย์ 2 มิติ ขนาด mxn ชนิดของข้อมูลอาเรย์เป็น LIDAR_DS ชื่อ GB_Array[m][n]
ขั้นที่ 3. คำนวณค่าข้อมูลดิบของ LIDAR ที่เก็บมาได้ ใส่ไว้ใน อาเรย์หนึ่งมิติขนาด r ชนิดของข้อมูลอาเรย์เป็น LIDAR_DS ชื่อ LIDAR_Array[r]
​
ขั้นที่ 4. สร้างแบบจำลองภูมิประเทศเชิงเลขที่มีความละเอียดเชิงพื้นที่สูง ด้วยการแทรกข้อมูล LIDAR_Array[r] ลงไปใน GB_Array[m][n] ตามโฟลชารจ์ที่ 1 เมื่อแทรกแล้วจะเก็บข้อมูลไว้ในอาเรย์ 2 มิติ ชนิดของข้อมูลเป็น LiDAR_DS ชื่อว่า LRDEM[m][n] หลังจากนั้นใช้ สมการที่ (2) และ (3)ในการคำนวณเพื่อหาความสูงต่ำของพื้นผิว ข้อมูลแต่ละตำแหน่งที่คำนวณได้จะถูกเก็บลงใน อาเรย์ 2 มิติ ขนาด mxn มีชนิดของข้อมูลเป็น HR_DEM[m][n] ซึ่งตอนนี้หากเรานำ HR_DEM[m][n] ไปสร้างแบบจำลองภูมิประเทศเชิงเลข จะได้แบบจำลองภูมิประเทศเชิงเลขที่มีความละเอียดเชิงพื้นที่สูง
รูปที่ 3 แสดงโฟวล์ชาร์จการแทรก LiDARArray[r] ลงใน GB_Array[m][n]
​ผลการทดลอง
ภาพแบบจำลองภูมิประเทศเชิงเลขที่มีความละเอียดเชิงพื้นที่สูงที่ได้จากวิธีประมาณค่าในช่วง สามารถแสดงได้ดังรูปที่ 4 ซึ่งแสดงให้เห็นว่า วิธีการประมาณค่าในช่วงสามารถเพิ่มความละเอียดเชิงพื้นที่ของแบบจำลองภูมิปะเทศได้
จากรูปที่ 5 แสดงให้เห็นว่า เมื่อใช้การประมาณค่าในช่วง โดยอาศัยการเปรียบเทียบความเหมือนของสีของพื้นผิวถนนจะทำให้ได้ภาพแบบจำลองภูมิประเทศความละเอียดเชิงพื้นที่สูงออกมา หากเสริมผลลัพธ์ที่ได้กับ terrestrial color จะทำให้เราเห็นถึง สภาพความเสียหายของพื้นผิวถนนได้ง่ายมากขึ้น และเมื่อนำไปเปรียบเทียบกับภาพพื้นผิวถนน ณ ตำแหน่งที่เก็บข้อมูล ทำให้เราเห็นถึงความเสียหายของพื้นผิว ไม่ว่าจะเป็น ขอบ ความตื้นและลึกของหลุมได้ชัดเจนมากขึ้น
รูปที่ 4 แสดงภาพแบบจำลองภูมิประเทศเชิงเลขที่มีความละเอียดเชิงพื้นที่สูงที่ได้จากวิธีประมาณค่าในช่วง
รูปที่ 5 แสดงรูปถ่ายของพื้นผิวถนน ณ ตำแหน่งที่เก็บข้อมูล LiDAR เปรียบเทียบกับ ภาพแบบจำลองภูมิประเทศเชิงเลขที่มีความละเอียดเชิงพื้นที่สูงที่เสริมด้วย terrestrial color

โดยสรุปแล้ว แบบจำลองภูมิประเทศเชิงเลขที่มีความละเอียดเชิงพื้นที่สูงนี้ สามารถนำไปใช้ในการวิเคราะห์สภาพพื้นผิวของถนนที่ถูกทำลายได้ทั้งแบบมุมมองสองมิติและสามมิติ นอกจากนี้จากผลการทดลองยังบอกเป็นนัยแก่เราว่า สภาพพื้นผิวถนนที่ถูกทำลายในลักษณะอื่น เช่นการยุบตัว หรือร่องถนนสามารถใช้กระบวนการข้างต้นหาได้

อ้างอิง

1) P. Thanakitivirul, S. Liangrocapart, S. Khetkeeree, and C. Chansamorn, "LiDAR Spatial Interpolation using Color Similarity of Optical Image for Road Surface Surveying," The 40th Asian Conference on Remote Sensing (ACRS 2019), Daejeon, Korea, Oct. 14-18, 2019.