رؤية الحاسوب مقابل معالجة الصور: الاختلافات الرئيسية

هل أصبحت الكاميرات أكثر ذكاءً، أم أنها أصبحت أفضل في تحسين الصور؟ الأمر كله يعود إلى كيفية معالجة البيانات المرئية وتنقيحها.

في صميم هذا التطور تقنيتان أساسيتان: معالجة الصور وcomputer vision. على الرغم من أنه يتم ذكرهما معًا غالباً، إلا أنهما تخدمان أغراضًا مختلفة. تركز Image processing على تحسين الصور، وضبط السطوع، وشحذ التفاصيل، وتقليل التشويش، دون بالضرورة فهم ما تحتويه.

من ناحية أخرى، تذهب الرؤية الحاسوبية إلى أبعد من ذلك من خلال تمكين الآلات من التعرف على الصور والفيديوهات وتفسيرها تماماً مثلما يفعل البشر. وهذا يجعل مهام مثل التعرف على الوجه، واكتشاف الكائنات، وتحليل المشاهد في الوقت الفعلي أمراً ممكناً.

تصبح كلتا التقنيتين أساسيتين عبر مجموعة متنوعة من الصناعات. فمن تحسين صور الهواتف الذكية إلى تشغيل السيارات ذاتية القيادة، فإن تأثيرهما واسع الانتشار. بحلول عام 2033، من المتوقع أن يصل سوق الرؤية الحاسوبية إلى 111.43 مليار دولار، بينما من المرجح أن ينمو سوق معالجة الصور الرقمية ليصل إلى 378.71 مليار دولار بحلول عام 2034.

في هذه المقالة، سنستكشف كيفية عمل معالجة الصور والرؤية الحاسوبية، وتطبيقاتهما في العالم الحقيقي، وكيفية تداخلهما. لنبدأ!

نظرة عامة: الرؤية الحاسوبية مقابل معالجة الصور#

تتعامل كل من الرؤية الحاسوبية ومعالجة الصور مع الصور، لكن لكل منهما أهداف مختلفة. تساعد الرؤية الحاسوبية الآلات على فهم الصور أو مقاطع الفيديو واتخاذ القرارات بناءً عليها. في المقابل، تركز معالجة الصور على تحسين الصورة أو تغييرها لجعلها أكثر وضوحًا أو جاذبية بصريًا دون تفسير محتواها.

وعلاوة على ذلك، تستفيد حلول الرؤية الحاسوبية من نماذج مثل Ultralytics YOLO11 لتحليل وفهم محتويات الصورة. تشمل مهام الرؤية الحاسوبية الشائعة اكتشاف الكائنات، وتصنيف الصور، وتجزئة المثيلات، وتتبع الكائنات. تُستخدم الرؤية الحاسوبية على نطاق واسع في تطبيقات مثل السيارات ذاتية القيادة، حيث تساعد في التعرف على المشاة، وإشارات المرور، والمركبات الأخرى في الوقت الفعلي لضمان القيادة الآمنة.

من ناحية أخرى، تركز معالجة الصور على تعديل الصور باستخدام دوال رياضية تضبط قيم البكسل دون فهم الصورة ككل. تعمل تقنيات مثل تقليل الضوضاء، والحدة، وتحسين التباين عن طريق تغيير ألوان وكثافة البكسلات الفردية لتحسين جودة الصورة، لكنها لا تتعرف على الكائنات أو الأشكال أو المعنى داخل الصورة. هذا المستوى من الفهم يتم التعامل معه بواسطة الرؤية الحاسوبية.

شكل 1. مقارنة بين الرؤية الحاسوبية ومعالجة الصور. الصورة بواسطة المؤلف.

يمكنك التفكير في معالجة الصور كمجموعة أدوات تعمل على تحسين الصورة، مما يجعلها أكثر وضوحًا أو جاذبية بصريًا. بمجرد معالجة الصورة، يمكن للرؤية الحاسوبية أن تعمل كعقل يقوم بتحليل الصور لأداء مهام مختلفة.

كيف تعمل معالجة الصور#

تعد معالجة الصور مفهومًا أساسيًا وضع حجر الأساس لتطوير الرؤية الحاسوبية. وهي تتضمن استخدام خوارزميات لتحسين أو تحليل أو تعديل البيانات المرئية مثل الصور ومقاطع الفيديو. يمكنها التلاعب بالصور الرقمية وتحسينها عن طريق ضبط معايير مثل السطوع، والتباين، وتوازن الألوان، أو تصفية الضوضاء. تُعد هذه الأساليب الصور لتحليل متقدم لاحقًا بواسطة نماذج الرؤية الحاسوبية.

تعمل معالجة الصور عن طريق تقسيم الصور إلى بكسلات فردية ثم معالجة كل منها للحصول على التأثيرات المطلوبة. على سبيل المثال، لاكتشاف الحواف، تتحقق الخوارزميات من البكسلات بحثًا عن تغييرات مفاجئة في قيمها. وهذا يسهل على أنظمة الذكاء الاصطناعي التعرف على الكائنات أو الأنماط بدقة. من تحسين صور الهواتف الذكية إلى تحسين لقطات كاميرات المراقبة ومسح المستندات ضوئيًا لقراءة أفضل، تُستخدم معالجة الصور بشكل شائع في التطبيقات اليومية التي يكون فيها تحسين الجودة المرئية أمرًا مهمًا.

الشكل 2. مثال على استخدام معالجة الصور لاكتشاف الحواف.

استكشاف تقنيات معالجة الصور#

إليك بعض الأمثلة على تقنيات معالجة الصور الرئيسية:

• مطابقة القوالب (Template matching): مقارنة أجزاء من صورة بقالب محدد مسبقًا لتحديد أنماط أو كائنات معينة.

• التعتيم (التنعيم): تقليل ضوضاء الصورة وتفاصيلها عن طريق حساب متوسط قيم البكسل، وهي تقنية تُستخدم بشكل شائع في مرحلة المعالجة المسبقة لتحليل أعمق.

• العمليات المورفولوجية: تعمل على ضبط شكل الكائنات في الصورة باستخدام تقنيات مثل التمدد (جعل الكائنات أكبر)، والتعرية (جعل الكائنات أصغر)، والفتح (إزالة الضوضاء الصغيرة)، والإغلاق (ملء الفجوات الصغيرة).

• العتبة (Thresholding): فصل الكائنات عن الخلفية بناءً على كثافة البكسل، مما يسهل عمليات التقسيم واستخراج الميزات.

غالباً ما يستخدم المطورون أدوات متخصصة مثل OpenCV وPillow وScikit-image وTensorFlow وPyTorch لتطبيق تقنيات معالجة الصور بسهولة. توفر هذه المكتبات وظائف جاهزة وخوارزميات محسنة، مما يلغي الحاجة إلى كتابة تعليمات برمجية معقدة من الصفر.

كما أنها تدعم لغات برمجة متعددة، وتتكامل بشكل جيد مع أدوات أخرى، وتوفر توثيقًا شاملاً، مما يجعل معالجة الصور أسرع وأكثر كفاءة ومتاحة حتى لأولئك الذين ليس لديهم خبرة عميقة في هذا المجال.

كيف تعمل الرؤية الحاسوبية#

تأتي بعض أحدث نماذج الرؤية الحاسوبية اليوم من سلسلة YOLO (You Only Look Once). على مر السنين، تم إطلاق إصدارات جديدة، يحسن كل منها الدقة والكفاءة. ويقدم الإصدار الأحدث، Ultralytics YOLO11، دقة وأداء أفضل بكثير.

يمكن تدريب نماذج مثل Ultralytics YOLO11 بشكل مخصص للتعرف على كائنات معينة وهي قادرة على التعامل مع مهام رؤية حاسوبية متعددة، بما في ذلك اكتشاف الكائنات، وتجزئة الحالات، وتتبع الكائنات في الوقت الفعلي.

إليك نظرة سريعة على مهام الرؤية الحاسوبية المدعومة بواسطة Ultralytics YOLO11:

• اكتشاف الكائنات: تحديد وتعيين موقع الكائنات داخل الصورة، مثل اكتشاف المشاة للسيارات ذاتية القيادة.

• تصنيف الصور: تعيين تسميات للصور بأكملها، مثل تحديد ما إذا كانت الصورة تحتوي على كلب أو قطة.

• تقسيم الحالات (Instance segmentation): تقسيم الصورة إلى أجزاء أو مناطق ذات معنى، مثل عزل الأعضاء الفردية في الفحوصات الطبية.

• تقدير الوضعية (Pose estimation): تتبع حركة وموضع الكائنات، مثل اكتشاف الإيماءات أو تعديلات الوضعية. عند تطبيقها على البشر، يمكنها تحليل حركات الجسم في الوقت الفعلي، مما يجعلها مفيدة لتطبيقات مثل تتبع اللياقة البدنية وإعادة التأهيل.

Fig 3. مهام الرؤية الحاسوبية المدعومة بواسطة Ultralytics YOLO11.

تطبيقات الرؤية الحاسوبية ومعالجة الصور#

الآن بعد أن ناقشنا كيفية عمل الرؤية الحاسوبية ومعالجة الصور، دعونا نستعرض تطبيقاتهما في العالم الحقيقي ومواطن تداخلهما.

مراقبة الماشية باستخدام الرؤية الحاسوبية#

هل تسايلت من قبل كيف تتتبع المزارع الكبيرة مواشيها؟ إن مراقبة مئات الحيوانات يدوياً تستغرق وقتاً طويلاً، ولكن مع نماذج الرؤية الحاسوبية مثل YOLO11، يمكن أتمتة مراقبة الحيوانات.

يمكن لـ Ultralytics YOLO11 اكتشاف الحيوانات وتتبعها وتحليلها في الوقت الفعلي، مما يساعد المزارعين على إدارة ماشيتهم بكفاءة. يمكن أن تساعد الرؤى المستمدة من هذا النوع من التحليل في اكتشاف العلامات المبكرة للمشكلات الصحية، مثل العرج، مما يتيح تدخلاً أسرع ورعاية أفضل للحيوانات بشكل عام.

الشكل 4. مثال على مراقبة سلوك الحيوان باستخدام YOLO11.

عد الماشية باستخدام معالجة الصور#

وبالمثل، يمكن استخدام معالجة الصور لمراقبة الماشية عن طريق عد الحيوانات في بيئات محكومة مثل الحظائر. في الصور ذات الخلفيات الموحدة، يمكن استخدام تقنيات معالجة الصور مثل العتبة (Thresholding) واكتشاف الخطوط المحيطية (تحديد حدود الكائنات) لاكتشاف الحيوانات وعدّها. تستخدم هذه الطرق تقنيات مثل إزالة الخلفية، واكتشاف الحواف، والتقسيم لتحديد أشكال الماشية.

الشكل 5. مثال على استخدام معالجة الصور لاكتشاف الحيوانات.

قد تعتقد أن هذا يبدو تمامًا مثل الرؤية الحاسوبية. إذن، ما الفرق؟

الفرق الرئيسي هو أن معالجة الصور تحلل قيم البكسل والأنماط دون فهم حقيقي لما تراه. فهي تكتشف الحواف والأشكال لعد الحيوانات بشكل فردي، ويمكن لبعض التقنيات حتى المساعدة في فصل الحيوانات عندما تقف بالقرب من بعضها البعض في الصور.

ومع ذلك، وعلى عكس الرؤية الحاسوبية، لا تتعرف معالجة الصور على الحيوانات الفردية أو تميز بينها - فهي تعد فقط بناءً على الشكل والحجم. هذا يجعلها مفيدة لعد الماشية ومراقبتها، ولكن لها قيود. إذا تداخلت الحيوانات، أو غيرت مواقعها، أو تغيرت ظروف الإضاءة، فقد تتأثر الدقة. أيضًا، لا يمكنها تتبع الحيوانات بمرور الوقت أو تقديم رؤى حول سلوكها، وهي ميزات حاسمة تتمتع بها الرؤية الحاسوبية.

يمكن للرؤية الحاسوبية ومعالجة الصور العمل معًا#

معالجة الصور والرؤية الحاسوبية مجالان مترابطان وثيق الصلة وغالباً ما يمكن دجمهما معاً لتعزيز دقة وكفاءة تحليل البيانات البصرية. يمكن لمعالجة الصور تنقية البيانات الخام عبر تحسين الجودة، وإزالة التشويش، وتسليط الضوء على الميزات الرئيسية، مما يضمن قدرة نماذج الرؤية الحاسوبية على استخراج رؤى ذات معنى.

على سبيل المثال، في التحليل الجنائي، يمكن لمعالجة الصور والرؤية الحاسوبية العمل معًا لتحليل آثار الأحذية الموجودة في مسارح الجريمة. يمكن لتقنيات معالجة الصور مثل تحسين التباين واكتشاف الحواف تحسين وضوح الآثار، مما يسهل تقييمها. يضبط تحسين التباين السطوع والحدة لجعل التفاصيل أكثر وضوحًا، بينما يعمل اكتشاف الحواف على شحذ الخطوط الخارجية لتعريف أفضل.

بعد معالجة الصور باستخدام هذه التقنيات، يمكن لنماذج الرؤية الحاسوبية استخدام تقنيات مطابقة الأنماط لمقارنة البصمات بقواعد البيانات الجنائية، مما يجعل عملية التعرف أكثر دقة. هذا المزيج من التقنيات يسهل على المحققين معالجة الأدلة الجنائية وتفسيرها.

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

أبرز النقاط#

تسير الرؤية الحاسوبية ومعالجة الصور جنبًا إلى جنب، مما يساعد في تحسين البيانات المرئية وتحليلها وتفسيرها. تعمل معالجة الصور على تحسين جودة الصورة واستخراج الميزات الرئيسية، بينما تأخذ الرؤية الحاسوبية الأمور إلى أبعد من ذلك من خلال توفير الرؤى.

مع استمرار تطور الذكاء الاصطناعي البصري (Vision AI)، ستعزز الرؤية الحاسوبية ومعالجة الصور الأتمتة، والتحليل في الوقت الفعلي، واتخاذ القرار عبر مختلف المجالات. من تحسين التعرف على الصور إلى تنقيح اكتشاف الأنماط، ستجعل هذه التقنيات أنظمة الذكاء الاصطناعي البصري أكثر دقة وكفاءة وقدرة على فهم البيانات المرئية في التطبيقات العملية.

هل لديك فضول بشأن الذكاء الاصطناعي؟ انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا. وتعرف على كيف تعيد الرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في التصنيع صياغة المستقبل. واكتشف خيارات الترخيص الخاصة بنا لبدء مشاريعك في مجال رؤية الذكاء الاصطناعي!