โครงงานวิศวกรรมนี้นำเสนอการจำแนกบริเวณที่มีเลือดในลำไส้ของภาพจากกล้องแคปซูลด้วย
วิธีการประมวลผลภาพถ่าย มีวัตถุประสงค์เพื่อการจำแนกสีของเลือดในรูปภาพลำไส้และเปรียบเทียบ
ผลลัพธ์ที่ได้จากเทคนิควิธีการที่ต่างกัน เพื่อเป็นส่วนช่วยแพทย์ในการตัดสินใจวินิจฉัยโรคในระบบทางเดิน
อาหาร โดยขั้นตอนการทำงานหลักของโครงงานวิจัยนี้ คือ การนำภาพที่ได้จากการจัดเก็บชุดข้อมูล (KIDs
Data Set) ที่มีอยู่แล้วมาประมวลผล ซึ่งสามารถแบ่งเทคนิควิธีการที่ใช้ในการประมวลผล 4 วิธี คือ การ
จำแนกโดยใช้เทคนิคการตัดแยกภาพ (Graph-cut) มีความถูกต้องเป็นร้อยละ 98.57 , การจำแนกสีโดยใช้
ค่าเกณฑ์ของสีแดง (Threshold) มีความถูกต้องเป็นร้อยละ 78.83 และการจำแนกสีพื้นฐานโดยใช้โหมดสี
L*a*b* Color space มีความถูกต้องเป็นร้อยละ 68.7 จากผลการทดลองที่ได้ คณะผู้จัดทำจึงได้นำวิธีการ
จำแนกสีโดยใช้ค่าเกณฑ์ของสีแดงรรมกับวิธีการจำแนกโดยใช้การตัดแยกภาพเพื่อให้ได้กระบวนการ
กึ่งอัตโนมัติที่รวดเร็วและแม่นยำ ซึ่งกระบวนการนี้มีความถูกต้องร้อยละ 98.57 ทั้งนี้ความถูกต้องของการ
ประมวลผลภาพเพื่อจำแนกบริเวณที่มีเลือดในภาพนี้อาจให้ผลลัพธ์ของความถูกต้องแตกต่างกันไปขึ้นกับ
ภาพและชุดข้อมูลที่ต่างกัน
This engineering project proposed a method to segment blood area from intestinal
WCE image by using image processing aims to segment blood colors in intestinal images
and compared with difference methods. For help the doctor diagnosing about
Gastrointestinal. This main method is processing of image from existing KIDs dataset which
divided into 4 technique: Image segmentation by Graph-cut, Extract Red colors area using
threshold, Color-Based Segmentation Using the L*a*b* Color Space, and Image
Segmentation by Graph-cut combine with Threshold. The results 303 image from each of
the techniques, the average of Image segmentation by Graph-cut accuracy is 98.57%, the
average accuracy of Extract Red colors area using threshold is 78.83%, and the average
accuracy of Color-Based Segmentation Using the L*a*b* Color Space is 68.7%. From the
experimental results. Therefore, we proposed a semi-automatic process improvement
Image segmentation by Graph-cut and Extract Red colors area using threshold for the
fastest and most correct. Which the accuracy is 98.57%. However, the accuracy of this
image processing may be giving a different depend on difference image and difference
data set.
