รู้จัก Computer Vision : จากจุดพิกเซลสู่การรับรู้ ของ AI

1. นิยามและขอบเขตของ Computer Vision

คอมพิวเตอร์วิทัศน์ (Computer Vision) เป็นสาขาวิชาที่มุ่งพัฒนาวิธีการให้เครื่องจักรสามารถดึงข้อมูลเชิงความหมาย (semantic information) ออกจากภาพหรือวิดีโอ แล้วนำข้อมูลนั้นไปใช้ในการตัดสินใจหรือกระทำการต่อไปได้ Szeliski (2022) อธิบายว่า Computer Vision คือความพยายามที่จะสร้างคำอธิบายของโลกจากภาพหนึ่งภาพหรือชุดภาพ โดยกู้คืนโครงสร้างสามมิติและความหมายของสิ่งที่ปรากฏในภาพนั้น ซึ่งต่างจากการประมวลผลภาพในเชิงกลไกล้วน ๆ ตรงที่ Computer Vision พยายามตอบคำถามว่า "อะไรอยู่ในภาพ" และ "สิ่งเหล่านั้นสัมพันธ์กันอย่างไร" ไม่ใช่เพียงการปรับแต่งค่าตัวเลขของภาพเท่านั้น

เพื่อให้เข้าใจขอบเขตของ Computer Vision ได้ชัดเจนขึ้น จำเป็นต้องแยกความแตกต่างจากอีกสองศาสตร์ที่มักถูกใช้ปะปนกัน ได้แก่

การประมวลผลภาพดิจิทัล (Digital Image Processing) ตามคำนิยามของ Gonzalez และ Woods (2018) หมายถึงกระบวนการที่รับภาพเป็นข้อมูลนำเข้าและให้ผลลัพธ์เป็นภาพเช่นเดียวกัน โดยจุดประสงค์หลักคือการปรับปรุงคุณภาพของภาพเพื่อการตีความของมนุษย์ หรือเพื่อเตรียมข้อมูลให้เหมาะสมสำหรับการประมวลผลของเครื่องจักรในขั้นต่อไป ตัวอย่างเช่น การลดสัญญาณรบกวน (noise reduction) การปรับความคมชัด (sharpening) หรือการปรับฮิสโตแกรม (histogram equalization) กระบวนการเหล่านี้ไม่ได้สร้างความเข้าใจเชิงความหมายเกี่ยวกับเนื้อหาของภาพแต่อย่างใด

การรู้จำแบบ (Pattern Recognition) เป็นศาสตร์ที่กว้างกว่านั้น เนื่องจากมุ่งเน้นการจำแนกและจัดกลุ่มข้อมูลเชิงสถิติโดยไม่จำกัดประเภทของข้อมูลนำเข้า ข้อมูลอาจเป็นสัญญาณเสียง ข้อมูลเซนเซอร์ ข้อความ หรือภาพก็ได้ เทคนิคของ Pattern Recognition เช่น การจำแนกประเภทด้วยแบบจำลองทางสถิติ ถูกนำมาประยุกต์ใช้เป็นส่วนหนึ่งของ Computer Vision ในขั้นตอนการจำแนกวัตถุ แต่ Pattern Recognition เองไม่ได้ผูกติดกับปัญหาการมองเห็นโดยเฉพาะ

กล่าวโดยสรุป Computer Vision จึงเป็นจุดตัดที่นำเทคนิคของ Digital Image Processing มาใช้เป็นขั้นตอนเตรียมข้อมูล และนำหลักการของ Pattern Recognition มาใช้ในขั้นตอนการตีความ เพื่อบรรลุเป้าหมายสูงสุดคือการทำให้เครื่องจักร "เข้าใจ" สิ่งที่ปรากฏในภาพ

2. Image Processing กับ Computer Vision ต่างกันอย่างไร

ความแตกต่างระหว่างสองศาสตร์นี้สามารถพิจารณาได้จากมิติสำคัญสี่ประการ ได้แก่ จุดประสงค์ ลักษณะของข้อมูลนำเข้าและผลลัพธ์ เทคนิคที่ใช้ และตัวอย่างงานที่เกี่ยวข้อง

Digital Image Processing มีจุดประสงค์เพื่อปรับปรุงหรือแปลงรูปภาพให้อยู่ในสภาพที่เหมาะสมกว่าเดิม ข้อมูลนำเข้าคือภาพ และผลลัพธ์ก็ยังคงเป็นภาพเช่นกัน (image-to-image transformation) เทคนิคหลักที่ใช้ ได้แก่ การกรองเชิงพื้นที่ (spatial filtering) การแปลงโดเมนความถี่ (frequency domain transformation) และการดำเนินการทางสัณฐานวิทยา (morphological operations) ตามที่ Gonzalez และ Woods (2018) ได้อธิบายไว้อย่างเป็นระบบ

ในทางกลับกัน Computer Vision มีจุดประสงค์เพื่อดึงความหมายหรือโครงสร้างออกจากภาพ ข้อมูลนำเข้าคือภาพ แต่ผลลัพธ์เป็นข้อมูลเชิงสัญลักษณ์หรือการตัดสินใจ (image-to-understanding transformation) เช่น ป้ายกำกับประเภทวัตถุ พิกัดตำแหน่งของวัตถุ หรือค่าความน่าจะเป็นของเหตุการณ์หนึ่ง ๆ

ในทางปฏิบัติ ทั้งสองศาสตร์นี้ไม่ได้แยกขาดจากกันโดยสมบูรณ์ Szeliski (2022) ชี้ให้เห็นว่าขั้นตอนของ Image Processing มักเป็นส่วนหนึ่งของกระบวนการทำงานทั้งระบบ (pipeline) ของ Computer Vision โดยทำหน้าที่เป็นขั้นตอนเตรียมข้อมูล (pre-processing) ก่อนที่จะเข้าสู่ขั้นตอนการวิเคราะห์และตีความ ตารางที่ 1 ในหัวข้อสรุปของบทความนี้จะนำเสนอการเปรียบเทียบดังกล่าวโดยละเอียด

3. การแทนค่าภาพถ่ายในคอมพิวเตอร์

ก่อนที่เครื่องจักรจะสามารถวิเคราะห์ภาพได้ ภาพจะต้องถูกแปลงให้อยู่ในรูปแบบตัวเลขที่คอมพิวเตอร์สามารถประมวลผลได้เสียก่อน หัวข้อนี้จะอธิบายลำดับขั้นของการแทนค่าภาพ ตั้งแต่หน่วยพื้นฐานที่สุดไปจนถึงโครงสร้างข้อมูลที่ใช้ในระบบการเรียนรู้เชิงลึก

3.1 พิกเซลและภาพในฐานะฟังก์ชันทางคณิตศาสตร์

ตามคำนิยามของ Gonzalez และ Woods (2018) ภาพสามารถแทนได้ด้วยฟังก์ชันสองมิติ f(x, y) โดยที่ x และ y คือพิกัดเชิงพื้นที่ (spatial coordinates) และค่า f ที่ตำแหน่งใด ๆ คือค่าความเข้ม (intensity) หรือระดับสีเทา (gray level) ณ ตำแหน่งนั้น เมื่อค่าพิกัด x, y และค่าความเข้มถูกทำให้เป็นปริมาณจำกัดและไม่ต่อเนื่อง (finite and discrete) ผ่านกระบวนการสุ่มตัวอย่าง (sampling) และการควอนไทซ์ (quantization) ภาพนั้นจึงกลายเป็นภาพดิจิทัล และหน่วยย่อยที่สุดขององค์ประกอบภาพดิจิทัลนี้เรียกว่า พิกเซล (pixel) ซึ่งเป็นคำย่อจาก "picture element"

ภาพดิจิทัลหนึ่งภาพจึงสามารถมองเป็นเมทริกซ์สองมิติของค่าตัวเลข โดยแต่ละตำแหน่งในเมทริกซ์แทนค่าความสว่างของพิกเซล ณ ตำแหน่งนั้น ความละเอียดของภาพ (image resolution) จะถูกกำหนดโดยจำนวนแถวและจำนวนคอลัมน์ของเมทริกซ์นี้ ยิ่งจำนวนพิกเซลมากเท่าใด รายละเอียดที่ภาพสามารถบันทึกได้ก็ยิ่งมากขึ้นเท่านั้น

3.2 ช่องสี: Grayscale, RGB และ HSV

ภาพระดับสีเทา (grayscale image) เป็นกรณีที่ง่ายที่สุด เนื่องจากแต่ละพิกเซลมีเพียงค่าความเข้มค่าเดียว โดยทั่วไปจะถูกแทนด้วยจำนวนเต็มในช่วง 0 ถึง 255 สำหรับภาพที่ใช้ 8 บิตต่อพิกเซล โดยค่า 0 หมายถึงสีดำและ 255 หมายถึงสีขาว

สำหรับภาพสี แบบจำลองสีที่ใช้กันแพร่หลายที่สุดในงาน Computer Vision คือแบบจำลอง RGB (Red, Green, Blue) ซึ่งแทนแต่ละพิกเซลด้วยค่าความเข้มสามค่าที่สอดคล้องกับแสงสีแดง เขียว และน้ำเงิน แบบจำลองนี้สอดคล้องกับกลไกการรับรู้สีของดวงตามนุษย์ที่มีเซลล์รับแสงสามชนิด จึงเป็นแบบจำลองมาตรฐานสำหรับอุปกรณ์แสดงผลและกล้องถ่ายภาพส่วนใหญ่ (Szeliski, 2022)

อย่างไรก็ตาม ในงานบางประเภท เช่น การแบ่งส่วนภาพ (image segmentation) ตามสีวัตถุ แบบจำลอง RGB มีข้อจำกัด เนื่องจากค่าความสว่าง (brightness) และค่าสี (chromaticity) ถูกผสมปนกันอยู่ในทั้งสามช่องสัญญาณ ทำให้การเปลี่ยนแปลงของสภาพแสงส่งผลกระทบต่อค่าตัวเลขในทุกช่องสัญญาณพร้อมกัน แบบจำลอง HSV (Hue, Saturation, Value) จึงถูกนำมาใช้แทนในหลายกรณี เนื่องจากแยกองค์ประกอบของสี (hue) ความอิ่มตัวของสี (saturation) และความสว่าง (value) ออกจากกันอย่างชัดเจน ทำให้การประมวลผลที่ต้องการแยกวัตถุตามโทนสีโดยไม่สนใจสภาพแสงทำได้สะดวกขึ้น เอกสารประกอบของไลบรารี OpenCV ซึ่งเป็นไลบรารี Computer Vision แบบโอเพนซอร์สที่ใช้กันอย่างแพร่หลาย ได้จัดเตรียมฟังก์ชันสำหรับแปลงภาพระหว่างปริภูมิสี (color space) เหล่านี้ไว้เป็นส่วนหนึ่งของโมดูลประมวลผลภาพพื้นฐาน (OpenCV, n.d.)

3.3 จากภาพสู่เทนเซอร์

เมื่อภาพสีถูกแทนด้วยสามช่องสัญญาณ (RGB) โครงสร้างข้อมูลของภาพจึงไม่ใช่เมทริกซ์สองมิติอีกต่อไป แต่กลายเป็นอาร์เรย์สามมิติที่มีขนาด ความสูง คูณ ความกว้าง คูณ จำนวนช่องสัญญาณ (height × width × channels) โครงสร้างข้อมูลหลายมิติเช่นนี้ในบริบทของพีชคณิตเชิงเส้นและการเรียนรู้ของเครื่องเรียกว่า เทนเซอร์ (tensor) ซึ่ง Goodfellow และคณะ (2016) นิยามว่าเป็นอาร์เรย์ของตัวเลขที่จัดเรียงในโครงข่ายปกติที่มีจำนวนมิติ (axes) ได้มากกว่าสอง โดยสเกลาร์ (scalar) คือเทนเซอร์ศูนย์มิติ เวกเตอร์ (vector) คือเทนเซอร์หนึ่งมิติ และเมทริกซ์ (matrix) คือเทนเซอร์สองมิติ

เหตุผลที่กรอบการทำงานด้านการเรียนรู้เชิงลึกเลือกใช้เทนเซอร์เป็นหน่วยข้อมูลพื้นฐานนั้นเกิดจากความสะดวกในการดำเนินการทางคณิตศาสตร์แบบขนาน (parallel computation) และความสามารถในการรองรับข้อมูลที่มีมิติซับซ้อนกว่าภาพเดี่ยว เช่น ชุดข้อมูลภาพเป็นชุด (batch of images) ซึ่งจะเพิ่มมิติที่สี่เข้าไปในโครงสร้าง กลายเป็น batch × height × width × channels เมื่อภาพหนึ่งภาพถูกแปลงให้อยู่ในรูปเทนเซอร์แล้ว เครื่องจักรจึงสามารถนำเทคนิคทางพีชคณิตเชิงเส้นมาประยุกต์ใช้ในการวิเคราะห์และแปลงข้อมูลภาพได้อย่างเป็นระบบ

4. พื้นฐานคณิตศาสตร์ที่จำเป็นสำหรับ Computer Vision

การทำความเข้าใจ Computer Vision ในเชิงลึกจำเป็นต้องอาศัยพื้นฐานทางคณิตศาสตร์สามด้านหลัก ได้แก่ พีชคณิตเชิงเส้น การดำเนินการเมทริกซ์ในบริบทของภาพ และแคลคูลัส

4.1 พีชคณิตเชิงเส้น (Linear Algebra)

เนื่องจากภาพถูกแทนด้วยเมทริกซ์หรือเทนเซอร์ดังที่กล่าวมาแล้ว การดำเนินการพื้นฐานเกือบทั้งหมดในกระบวนการ Computer Vision จึงตั้งอยู่บนพื้นฐานของพีชคณิตเชิงเส้น Goodfellow และคณะ (2016) ระบุแนวคิดสำคัญที่เกี่ยวข้อง ได้แก่ การคูณเมทริกซ์และเวกเตอร์ (matrix-vector multiplication) ซึ่งเป็นการดำเนินการพื้นฐานที่ใช้ในการแปลงเชิงเรขาคณิต เช่น การหมุนภาพหรือการปรับขนาดภาพ รวมถึงแนวคิดเรื่องบรรทัดฐาน (norm) ซึ่งใช้วัดขนาดของเวกเตอร์หรือระยะห่างระหว่างจุดข้อมูล อันเป็นพื้นฐานสำคัญของการวัดความคล้ายคลึงระหว่างภาพหรือคุณลักษณะ (feature) ที่สกัดได้จากภาพ

4.2 การดำเนินการเมทริกซ์ในบริบทของภาพ

หนึ่งในการดำเนินการที่สำคัญที่สุดในบริบทของภาพคือ การคอนโวลูชัน (convolution) ซึ่งในเชิงคณิตศาสตร์คือการดำเนินการที่นำเมทริกซ์ขนาดเล็ก เรียกว่าเคอร์เนล (kernel) หรือมาสก์ (mask) มาเลื่อนผ่านทุกตำแหน่งของภาพ แล้วคำนวณผลรวมถ่วงน้ำหนักระหว่างค่าพิกเซลในบริเวณนั้นกับค่าของเคอร์เนล Gonzalez และ Woods (2018) อธิบายว่าการกรองเชิงพื้นที่ (spatial filtering) ซึ่งเป็นเทคนิคพื้นฐานของ Image Processing เช่น การทำภาพให้เรียบ (smoothing) หรือการเน้นขอบภาพ (edge sharpening) ล้วนอาศัยหลักการคอนโวลูชันนี้เป็นแกนหลัก และหลักการเดียวกันนี้ยังเป็นรากฐานของสถาปัตยกรรมโครงข่ายประสาทแบบคอนโวลูชัน (Convolutional Neural Network) ที่จะกล่าวถึงโดยสังเขปในหัวข้อถัดไป

4.3 แคลคูลัสและแนวคิดเรื่องเกรเดียนต์

แคลคูลัส โดยเฉพาะแนวคิดเรื่องอนุพันธ์ (derivative) และเกรเดียนต์ (gradient) มีบทบาทสำคัญสองประการในงาน Computer Vision ประการแรก ในระดับของการประมวลผลภาพ เกรเดียนต์ของภาพซึ่งคำนวณจากอัตราการเปลี่ยนแปลงของค่าความเข้มพิกเซลตามแนวแกน x และ y ถูกนำมาใช้เป็นพื้นฐานของการตรวจจับขอบภาพ (edge detection) เนื่องจากขอบของวัตถุมักปรากฏเป็นบริเวณที่ค่าความเข้มเปลี่ยนแปลงอย่างรวดเร็ว (Gonzalez & Woods, 2018)

ประการที่สอง ในระดับของการเรียนรู้ของเครื่อง แนวคิดเรื่องเกรเดียนต์ยังเป็นหัวใจของกระบวนการฝึกฝนแบบจำลอง โดยเฉพาะวิธีการเรียนรู้แบบใช้เกรเดียนต์ (gradient-based learning) ซึ่ง LeCun และคณะ (1998) ได้อธิบายไว้ว่าเป็นเทคนิคที่ใช้ปรับค่าพารามิเตอร์ของโครงข่ายประสาทเทียมโดยอาศัยอนุพันธ์ของฟังก์ชันความสูญเสีย (loss function) เพื่อลดความคลาดเคลื่อนระหว่างผลลัพธ์ที่แบบจำลองทำนายกับค่าจริงลงตามลำดับขั้น หลักการนี้เป็นรากฐานสำคัญที่ทำให้แบบจำลองการเรียนรู้เชิงลึกสำหรับงาน Computer Vision ในยุคปัจจุบันสามารถเรียนรู้ได้จากข้อมูลจำนวนมากโดยอัตโนมัติ

5. ภาพรวมโดยสังเขป: จาก Traditional Feature Extraction สู่ Convolutional Neural Networks

ก่อนที่จะเข้าใจโครงสร้างข้อมูลภาพและคณิตศาสตร์เบื้องหลังได้อย่างสมบูรณ์ ควรทราบภาพรวมคร่าว ๆ ของวิวัฒนาการเทคนิคใน Computer Vision ในยุคแรกเริ่ม นักวิจัยอาศัยการสกัดคุณลักษณะแบบดั้งเดิม (traditional feature extraction) ซึ่งเป็นการออกแบบด้วยมือ (hand-crafted) เพื่อดึงคุณลักษณะเฉพาะ เช่น ขอบ มุม หรือลวดลาย ออกจากภาพ แล้วจึงนำคุณลักษณะเหล่านั้นไปป้อนให้แบบจำลองการจำแนกประเภททางสถิติทำงานต่อ

จุดเปลี่ยนสำคัญเกิดขึ้นเมื่อ Krizhevsky และคณะ (2012) นำเสนอโครงข่ายประสาทแบบคอนโวลูชันเชิงลึกที่สามารถเรียนรู้คุณลักษณะจากข้อมูลภาพได้โดยอัตโนมัติ แทนที่การออกแบบด้วยมือ และให้ผลลัพธ์ความแม่นยำที่เหนือกว่าวิธีการดั้งเดิมอย่างมีนัยสำคัญในการแข่งขันจำแนกภาพขนาดใหญ่ เหตุการณ์นี้เป็นจุดเริ่มต้นของการเปลี่ยนผ่านครั้งใหญ่ในวงการ Computer Vision จากยุคที่พึ่งพาการออกแบบคุณลักษณะด้วยมือ สู่ยุคของการเรียนรู้เชิงลึกที่ครองความโดดเด่นมาจนถึงปัจจุบัน รายละเอียดเชิงลึกของเทคนิคการสกัดคุณลักษณะแบบดั้งเดิมและสถาปัตยกรรมโครงข่ายประสาทแบบคอนโวลูชันจะถูกนำเสนอในบทความลำดับถัดไปของชุดเนื้อหานี้

6. สรุปและตารางเปรียบเทียบ

Computer Vision เป็นสาขาที่ตั้งอยู่บนรากฐานของทั้งการประมวลผลภาพดิจิทัลและการรู้จำแบบ แต่มีเป้าหมายเฉพาะตัวคือการทำให้เครื่องจักรสามารถตีความและเข้าใจเนื้อหาของภาพได้ในระดับเดียวกับหรือใกล้เคียงกับการรับรู้ของมนุษย์ การทำความเข้าใจว่าภาพถูกแทนค่าในคอมพิวเตอร์อย่างไร ตั้งแต่ระดับพิกเซล ช่องสี ไปจนถึงโครงสร้างเทนเซอร์ ควบคู่กับพื้นฐานทางคณิตศาสตร์ด้านพีชคณิตเชิงเส้นและแคลคูลัส จึงเป็นจุดตั้งต้นที่จำเป็นก่อนที่จะศึกษาเทคนิคเฉพาะทางที่ซับซ้อนยิ่งขึ้นในลำดับถัดไป

ตารางที่ 1 เปรียบเทียบ Digital Image Processing, Pattern Recognition และ Computer Vision

มิติเปรียบเทียบ	Digital Image Processing	Pattern Recognition	Computer Vision
จุดประสงค์หลัก	ปรับปรุง/แปลงภาพให้เหมาะกับการใช้งาน	จำแนก/จัดกลุ่มข้อมูลเชิงสถิติ	ดึงความหมายและความเข้าใจจากภาพ
ข้อมูลนำเข้า	ภาพ	ข้อมูลทั่วไป (ไม่จำกัดประเภท)	ภาพหรือวิดีโอ
ผลลัพธ์	ภาพ	ป้ายกำกับหรือกลุ่มข้อมูล	คำอธิบายเชิงสัญลักษณ์/การตัดสินใจ
เทคนิคหลัก	การกรองเชิงพื้นที่, การแปลงโดเมนความถี่	แบบจำลองการจำแนกทางสถิติ	ผสานเทคนิคของทั้งสองศาสตร์ + การเรียนรู้เชิงลึก
ตัวอย่างงาน	การลด noise, ปรับความคมชัดภาพ	การจำแนกประเภทอีเมลสแปม	การตรวจจับวัตถุ, การแบ่งส่วนภาพ

Reference List

• Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson.
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.
• LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791
• Marr, D. (2010). Vision: A computational investigation into the human representation and processing of visual information. MIT Press. (Original work published 1982)
• OpenCV. (n.d.). OpenCV documentation. Retrieved August 9, 2026, from https://docs.opencv.org
• Szeliski, R. (2022). Computer vision: Algorithms and applications (2nd ed.). Springer. https://szeliski.org/Book/

FAQ

Q1: Computer Vision คืออะไร Computer Vision คือสาขาวิชาที่พัฒนาวิธีการให้เครื่องจักรดึงข้อมูลเชิงความหมายออกจากภาพหรือวิดีโอ เพื่อนำไปใช้ตัดสินใจหรือกระทำการ โดยมีเป้าหมายคือการทำความเข้าใจว่า "อะไรอยู่ในภาพ" ไม่ใช่แค่การปรับแต่งค่าตัวเลขของภาพ

Q2: Computer Vision กับ Digital Image Processing ต่างกันอย่างไร Digital Image Processing รับภาพเป็นข้อมูลนำเข้าและให้ผลลัพธ์เป็นภาพเช่นกัน (image-to-image) เน้นปรับปรุงคุณภาพภาพ เช่น ลด noise หรือปรับความคมชัด ส่วน Computer Vision รับภาพเป็นข้อมูลนำเข้าแต่ให้ผลลัพธ์เป็นความเข้าใจเชิงความหมาย (image-to-understanding) เช่น การระบุประเภทหรือตำแหน่งของวัตถุ

Q3: พิกเซลคืออะไร และภาพดิจิทัลถูกแทนค่าในคอมพิวเตอร์อย่างไร พิกเซล (pixel) คือหน่วยย่อยที่สุดขององค์ประกอบภาพดิจิทัล ภาพหนึ่งภาพถูกแทนด้วยฟังก์ชันสองมิติ f(x, y) ที่ค่าความเข้มแต่ละจุดถูกทำให้เป็นตัวเลขไม่ต่อเนื่อง กล่าวได้ว่าภาพดิจิทัลคือเมทริกซ์ของตัวเลขที่คอมพิวเตอร์สามารถประมวลผลได้

Q4: RGB กับ HSV ต่างกันอย่างไร และควรใช้แบบใด RGB แทนภาพด้วยความเข้มของแสงสีแดง เขียว น้ำเงิน เหมาะกับการแสดงผลทั่วไป ส่วน HSV แยกค่าสี ความอิ่มตัว และความสว่างออกจากกันชัดเจน จึงเหมาะกับงานแบ่งส่วนภาพ (segmentation) ตามสีวัตถุที่ต้องการลดผลกระทบจากสภาพแสงที่เปลี่ยนแปลง

Q5: เทนเซอร์ (Tensor) ในบริบทของภาพคืออะไร เทนเซอร์คืออาร์เรย์ตัวเลขหลายมิติ ภาพสีหนึ่งภาพถูกแทนด้วยเทนเซอร์สามมิติขนาด ความสูง × ความกว้าง × จำนวนช่องสัญญาณสี โครงสร้างนี้ถูกใช้เป็นหน่วยข้อมูลพื้นฐานในกรอบการทำงานด้าน Deep Learning เพราะรองรับการคำนวณแบบขนานได้ดี

Q6: ต้องมีพื้นฐานคณิตศาสตร์อะไรบ้างก่อนเรียน Computer Vision พื้นฐานสำคัญ 3 ด้าน ได้แก่ พีชคณิตเชิงเส้น (สำหรับการดำเนินการกับเมทริกซ์และเวกเตอร์) การดำเนินการเมทริกซ์ในบริบทภาพ เช่น การคอนโวลูชัน และแคลคูลัส โดยเฉพาะแนวคิดเรื่องเกรเดียนต์ ซึ่งใช้ทั้งในการตรวจจับขอบภาพและการฝึกฝนแบบจำลอง AI