الرؤية الحاسوبية مقابل معالجة الصور: الفروق الرئيسية

هل أصبحت الكاميرات أكثر ذكاءً، أم أنها تتحسن فحسب في تحسين الصور؟ يتوقف الأمر كله على كيفية معالجتها للبيانات المرئية وتنقيحها.

في صميم هذا التطور تقنيتان أساسيتان: معالجة الصور والرؤية الحاسوبية. وعلى الرغم من ذكرهما معًا في كثير من الأحيان، فإن لكل منهما غرضًا مختلفًا. وتركز معالجة الصور على تحسين الصور، وضبط السطوع، وزيادة وضوح التفاصيل، وتقليل التشويش، دون أن تفهم بالضرورة محتواها.

أما الرؤية الحاسوبية، فتتجاوز ذلك بتمكين الآلات من التعرّف على الصور ومقاطع الفيديو وتفسيرها كما يفعل البشر. وهذا يتيح تنفيذ مهام مثل التعرّف على الوجوه، واكتشاف الكائنات، وتحليل المشاهد في الوقت الفعلي.

أصبحت كلتا التقنيتين ضروريتين في مجموعة متنوعة من الصناعات. ويتسع نطاق تأثيرهما من تحسين صور الهواتف الذكية إلى تشغيل السيارات ذاتية القيادة. ومن المتوقع أن تبلغ قيمة سوق الرؤية الحاسوبية 111.43 مليار دولار بحلول عام 2033، في حين يُرجح أن ينمو سوق معالجة الصور الرقمية إلى 378.71 مليار دولار بحلول عام 2034.

في هذه المقالة، سنستكشف آلية عمل معالجة الصور والرؤية الحاسوبية، وتطبيقاتهما في العالم الحقيقي، وأوجه التداخل بينهما.

نظرة عامة: الرؤية الحاسوبية مقابل معالجة الصور#

تتعامل الرؤية الحاسوبية ومعالجة الصور كلتاهما مع الصور، لكن أهدافهما مختلفة. تساعد الرؤية الحاسوبية الآلات على فهم الصور أو مقاطع الفيديو واتخاذ القرارات استنادًا إليها. أما معالجة الصور، فتركز على تحسين الصورة أو تغييرها لتصبح أوضح أو أكثر جاذبية بصريًا، دون تفسير محتواها.

إضافة إلى ذلك، تستفيد حلول الرؤية الحاسوبية من نماذج مثل Ultralytics YOLO11 لتحليل محتوى الصور وفهمه. وتشمل مهام الرؤية الحاسوبية الشائعة كشف الكائنات، وتقسيم الكائنات الفردية، وتصنيف الصور، وتتبع الكائنات. وتُستخدم الرؤية الحاسوبية على نطاق واسع في تطبيقات مثل السيارات ذاتية القيادة، حيث تساعد على التعرف آنيًا على المشاة وإشارات المرور والمركبات الأخرى لضمان القيادة الآمنة.

من ناحية أخرى، تركز معالجة الصور على تعديل الصور باستخدام دوال رياضية تضبط قيم البكسلات دون فهم الصورة ككل فعليًا. وتعمل تقنيات مثل تقليل التشويش، وزيادة الحدة، وتحسين التباين على تغيير ألوان البكسلات الفردية وشدتها لتحسين جودة الصورة، لكنها لا تتعرف على الكائنات أو الأشكال أو المعاني داخل الصورة. وتتولى الرؤية الحاسوبية هذا المستوى من الفهم.

الشكل 1. مقارنة بين الرؤية الحاسوبية ومعالجة الصور. الصورة من إعداد المؤلف.

يمكنك النظر إلى معالجة الصور على أنها مجموعة أدوات لتحسين الصورة وجعلها أوضح أو أكثر جاذبية بصريًا. وبعد معالجة الصورة، يمكن للرؤية الحاسوبية أن تؤدي دور العقل الذي يحلل الصور لتنفيذ مهام مختلفة.

كيف تعمل معالجة الصور؟#

معالجة الصور مفهوم أساسي مهّد الطريق لتطوير الرؤية الحاسوبية. وهي تتضمن استخدام الخوارزميات لتحسين البيانات المرئية، مثل الصور ومقاطع الفيديو، أو تحليلها أو تعديلها. ويمكنها معالجة الصور الرقمية وتحسينها من خلال ضبط معلمات مثل السطوع والتباين وتوازن الألوان، أو تصفية التشويش. وتُهيّئ هذه الأساليب الصور لإجراء تحليل أكثر تقدمًا باستخدام نماذج الرؤية الحاسوبية.

تعمل معالجة الصور على تقسيم الصور إلى وحدات بكسل منفردة، ثم تعديل كل منها للحصول على التأثير المطلوب. فعلى سبيل المثال، من أجل كشف الحواف، تفحص الخوارزميات وحدات البكسل بحثًا عن تغيرات مفاجئة في قيمها. ويسهّل ذلك على أنظمة الذكاء الاصطناعي التعرف بدقة على الكائنات أو الأنماط. وتُستخدم معالجة الصور على نطاق واسع في التطبيقات اليومية التي تهتم بتحسين الجودة البصرية، بدءًا من تحسين صور الهواتف الذكية، مرورًا بتحسين لقطات كاميرات المراقبة، ووصولًا إلى مسح المستندات ضوئيًا لجعلها أكثر وضوحًا.

الشكل 2. مثال على استخدام معالجة الصور لاكتشاف الحواف.

استكشاف تقنيات معالجة الصور#

فيما يلي بعض الأمثلة على تقنيات معالجة الصور الأساسية:

• مطابقة القوالب: تقارن أجزاء الصورة بقالب محدد مسبقًا لتحديد مواقع أنماط أو كائنات معينة.
• التمويه (التنعيم): يقلل التشويش والتفاصيل في الصورة من خلال حساب متوسط قيم البكسلات، ويُستخدم عادةً في المعالجة المسبقة للتحليلات اللاحقة.
• العمليات المورفولوجية: تعدّل شكل الكائنات في الصورة باستخدام تقنيات مثل التمدد (تكبير الكائنات)، والتآكل (تصغير الكائنات)، والفتح (إزالة التشويش الصغير)، والإغلاق (ملء الفجوات الصغيرة).
• تحديد العتبة: يفصل الكائنات عن الخلفية استنادًا إلى شدة البكسلات، مما يسهّل التجزئة واستخراج السمات.

غالبًا ما يستخدم المطورون أدوات متخصصة مثل OpenCV وPillow وscikit-image وTensorFlow وPyTorch لتطبيق تقنيات معالجة الصور بسهولة. وتوفر هذه المكتبات وظائف جاهزة وخوارزميات محسّنة، ما يلغي الحاجة إلى كتابة تعليمات برمجية معقدة من الصفر.

كما تدعم هذه الأدوات لغات برمجة متعددة، وتتكامل جيدًا مع أدوات أخرى، وتوفر وثائق شاملة، مما يجعل معالجة الصور أسرع وأكثر كفاءة وأسهل استخدامًا حتى لمن ليست لديهم خبرة عميقة في هذا المجال.

كيف تعمل الرؤية الحاسوبية؟#

تأتي بعض أحدث نماذج الرؤية الحاسوبية اليوم من سلسلة YOLO (You Only Look Once). وقد صدرت إصدارات جديدة على مر السنين، حسّن كل منها الدقة والكفاءة. وأحدث إصدار وقت كتابة هذا النص، Ultralytics YOLO11، يقدم دقة وأداءً أفضل (وقد خلفه منذ ذلك الحين Ultralytics YOLO26).

يمكن تدريب نماذج مثل Ultralytics YOLO11 تدريبًا مخصصًا للتعرّف على كائنات معينة، وهي قادرة على تنفيذ مهام متعددة في الرؤية الحاسوبية، بما في ذلك اكتشاف الكائنات، وتقسيم المثيلات، وتتبع الكائنات في الوقت الفعلي.

إليك لمحة سريعة عن مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO11:

• اكتشاف الكائنات: يحدد الكائنات داخل الصورة ويحدد مواقعها، مثل اكتشاف المشاة في السيارات ذاتية القيادة.
• تقسيم المثيلات: يقسم الصورة إلى أجزاء أو مناطق ذات معنى، مثل عزل أعضاء منفردة في الصور الطبية.
• تصنيف الصور: يعيّن تسميات إلى الصور كاملةً، مثل تحديد ما إذا كانت الصورة تحتوي على كلب أم قطة.
• تقدير الوضعية: يتتبع حركة الكائنات ومواضعها، مثل رصد الإيماءات أو تعديلات وضعية الجسم. وعند تطبيقه على البشر، يمكنه تحليل حركات الجسم آنيًا، ما يجعله مفيدًا لتطبيقات مثل تتبع اللياقة البدنية وإعادة التأهيل.

الشكل 3. مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO11.

تطبيقات الرؤية الحاسوبية ومعالجة الصور#

بعد أن ناقشنا كيفية عمل الرؤية الحاسوبية ومعالجة الصور، لنستعرض تطبيقاتهما العملية ومجالات التداخل بينهما.

مراقبة الماشية باستخدام الرؤية الحاسوبية#

هل تساءلت يومًا كيف تتابع المزارع الكبيرة ماشيتها؟ تستغرق مراقبة مئات الحيوانات يدويًا وقتًا طويلًا، لكن يمكن أتمتة مراقبة الحيوانات باستخدام نماذج الرؤية الحاسوبية مثل YOLO11.

يستطيع Ultralytics YOLO11 كشف الحيوانات وتتبعها وتحليلها آنيًا، ما يساعد المزارعين على إدارة مواشيهم بكفاءة. ويمكن للرؤى المستخلصة من هذا النوع من التحليل أن تساعد على كشف العلامات المبكرة للمشكلات الصحية، مثل العرج، ما يتيح التدخل بسرعة وتحسين رعاية الحيوانات عمومًا.

الشكل 4. مثال على مراقبة سلوك الحيوانات باستخدام YOLO11.

إحصاء الماشية باستخدام معالجة الصور#

وبالمثل، يمكن استخدام معالجة الصور لمراقبة الماشية عبر عدّ الحيوانات في بيئات مضبوطة مثل الحظائر والإسطبلات. وفي الصور ذات الخلفيات الموحدة، يمكن استخدام تقنيات معالجة الصور مثل تحديد العتبة وكشف الحدود (الذي يحدد حدود الكائنات) لكشف الحيوانات وعدّها. وتستخدم هذه الأساليب تقنيات مثل إزالة الخلفية وكشف الحواف والتقسيم لتحديد أشكال الماشية.

الشكل 5. مثال على استخدام معالجة الصور لاكتشاف الحيوانات.

قد تظن أن هذا يبدو تمامًا مثل الرؤية الحاسوبية. فما الفرق إذن؟

يكمن الفرق الأساسي في أن معالجة الصور تحلل قيم البكسلات والأنماط دون أن تفهم حقًا ما تراه. فهي تكتشف الحواف والأشكال لإحصاء الحيوانات كلًا على حدة، بل يمكن لبعض التقنيات أن تساعد على فصل الحيوانات عندما تقف متقاربة في الصور.

لكن معالجة الصور، بخلاف الرؤية الحاسوبية، لا تتعرف على الحيوانات الفردية ولا تميز بينها؛ بل تكتفي بإحصائها استنادًا إلى الشكل والحجم. وهذا يجعلها مفيدة لإحصاء الماشية ومراقبتها، لكنها تنطوي على قيود. فإذا تداخلت الحيوانات أو غيّرت مواضعها، أو اختلفت ظروف الإضاءة، فقد تتأثر الدقة. كما أنها لا تستطيع تتبع الحيوانات بمرور الوقت أو تقديم رؤى عن سلوكها، وهما ميزتان أساسيتان للرؤية الحاسوبية.

يمكن للرؤية الحاسوبية ومعالجة الصور العمل معًا#

ترتبط معالجة الصور والرؤية الحاسوبية ارتباطًا وثيقًا، وغالبًا ما يمكن دمجهما لتحسين دقة تحليل البيانات المرئية وكفاءته. ويمكن لمعالجة الصور تنقيح البيانات الخام بتحسين الجودة وإزالة التشويش وإبراز السمات الأساسية، بما يضمن قدرة نماذج الرؤية الحاسوبية على استخلاص رؤى ذات معنى.

فعلى سبيل المثال، يمكن لمعالجة الصور والرؤية الحاسوبية العمل معًا في التحليل الجنائي لفحص آثار الأحذية الموجودة في مسارح الجرائم. ويمكن لتقنيات معالجة الصور، مثل تحسين التباين واكتشاف الحواف، أن تحسّن وضوح الآثار، مما يسهل تقييمها. ويضبط تحسين التباين السطوع والحدة لإبراز التفاصيل، بينما يزيد اكتشاف الحواف وضوح الحدود.

بعد معالجة الصور باستخدام هذه التقنيات، يمكن لنماذج الرؤية الحاسوبية استخدام تقنيات مطابقة الأنماط لمقارنة الآثار بقواعد بيانات الأدلة الجنائية، مما يجعل تحديد الهوية أكثر دقة. ويسهّل هذا الجمع بين التقنيات على المحققين معالجة الأدلة الجنائية وتفسيرها.

الشكل 6. استخدام معالجة الصور والرؤية الحاسوبية لاكتشاف آثار الأحذية.

أبرز النقاط#

تعمل الرؤية الحاسوبية ومعالجة الصور جنبًا إلى جنب للمساعدة على تحسين البيانات المرئية وتحليلها وتفسيرها. وتحسّن معالجة الصور جودة الصورة وتستخرج السمات الأساسية، بينما تتجاوز الرؤية الحاسوبية ذلك بتقديم الرؤى.

مع استمرار تطور الذكاء الاصطناعي البصري، ستعزز الرؤية الحاسوبية ومعالجة الصور الأتمتة والتحليل في الوقت الفعلي واتخاذ القرارات في مختلف المجالات. ومن تحسين التعرّف على الصور إلى تنقيح اكتشاف الأنماط، ستجعل هذه التقنيات أنظمة الذكاء الاصطناعي البصري أدق وأكثر كفاءة وقدرة على فهم البيانات المرئية في التطبيقات العملية.

هل يثير الذكاء الاصطناعي فضولك؟ انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا. تعرّف على كيفية إسهام الرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في التصنيع في إعادة تشكيل المستقبل. اكتشف خيارات الترخيص لدينا لبدء مشاريعك في الذكاء الاصطناعي البصري!