الكشف عن الحواف في معالجة الصور. تعلم خوارزميات Sobel و Canny وغيرها من خوارزميات الكشف عن الحواف لاكتشاف الحواف بدقة وتحقيق التعرف القوي على الحواف.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
الكشف عن الحواف في معالجة الصور. تعلم خوارزميات Sobel و Canny وغيرها من خوارزميات الكشف عن الحواف لاكتشاف الحواف بدقة وتحقيق التعرف القوي على الحواف.
كبشر، نتعرف بشكل طبيعي على حواف الأشياء، ونتتبع منحنياتها، ونلاحظtextures على أسطحها عند النظر إلى صورة. ومع ذلك، بالنسبة للكمبيوتر، يبدأ الفهم على مستوى وحدات البكسل الفردية.
البكسل، وهي أصغر وحدة في الصورة الرقمية، تخزن اللون والسطوع في نقطة واحدة. من خلال تتبع التغيرات في قيم البكسل هذه عبر الصورة، يمكن للكمبيوتر اكتشاف الأنماط التي تكشف عن التفاصيل الرئيسية.
على وجه الخصوص، تستخدم معالجة الصور بيانات البكسل لإبراز الميزات الأساسية وإزالة عوامل التشتيت. إحدى تقنيات معالجة الصور الشائعة هي اكتشاف الحواف، والتي تحدد النقاط التي تتغير فيها درجة السطوع أو اللون بشكل حاد لتحديد الخطوط العريضة للكائنات، ووضع علامات على الحدود، وإضافة بنية.
يمكّن هذا أجهزة الكمبيوتر من فصل الأشكال وقياس الأبعاد وتفسير كيفية اتصال أجزاء المشهد. غالبًا ما يكون اكتشاف الحواف هو الخطوة الأولى في تحليل الصور المتقدم.
في هذه المقالة، سنلقي نظرة على ماهية اكتشاف الحواف، وكيف يعمل، وتطبيقاته الواقعية. هيا بنا نبدأ!
يركز الكشف عن الحواف على البحث عن أماكن في الصورة حيث يتغير السطوع أو اللون بشكل ملحوظ من نقطة إلى أخرى. إذا كان التغيير صغيرًا، تبدو المنطقة ناعمة. إذا كان التغيير حادًا، فإنه غالبًا ما يمثل الحدود بين منطقتين مختلفتين.
فيما يلي بعض الأسباب التي تجعل تغييرات البكسل هذه تحدث:
عادةً ما يبدأ اكتشاف الحواف بتحويل صورة ملونة إلى صورة ذات تدرج رمادي، بحيث تُظهر كل نقطة درجة السطوع فقط. وهذا يسهل على الخوارزمية التركيز على اختلافات الضوء والظلام بدلًا من اللون.
بعد ذلك، يمكن للمرشحات الخاصة فحص الصورة للعثور على الأماكن التي تتغير فيها الإضاءة فجأة. تحسب هذه المرشحات مدى حدة تغير الإضاءة، وهو ما يسمى التدرج. يحدث التدرج الأعلى بسبب وجود فرق أكبر بين النقاط القريبة، مما يشير غالبًا إلى وجود حافة.
ثم تستمر الخوارزمية في تحسين الصورة، وإزالة التفاصيل الصغيرة والإبقاء فقط على أهم الخطوط والأشكال. والنتيجة هي مخطط تفصيلي واضح وصورة إخراج يمكن استخدامها لمزيد من التحليل.
قبل أن نتعمق في الكشف عن الحواف بمزيد من التفصيل، دعنا نناقش كيف تطورت بمرور الوقت.
بدأت معالجة الصور بطرق بسيطة قائمة على القواعد مثل العنونة والتصفية لتنظيف الصور وتحسينها. في العصر التناظري، كان هذا يعني العمل مع الصور الفوتوغرافية أو الأفلام باستخدام المرشحات البصرية أو المكبرات أو المعالجات الكيميائية لإبراز التفاصيل.
ساعدت تقنيات مثل تعديل التباين وتقليل الضوضاء وتعديل شدة الصورة واكتشاف الحواف الأساسي في جعل الصور المدخلة أكثر وضوحًا وإبراز الأشكال والقوام. في الستينيات والسبعينيات، فتح التحول من المعالجة التناظرية إلى المعالجة الرقمية الطريق للتحليل الحديث في مجالات مثل علم الفلك والتصوير الطبي والمراقبة عبر الأقمار الصناعية.
بحلول الثمانينيات والتسعينيات، جعلت أجهزة الكمبيوتر الأسرع من الممكن معالجة مهام أكثر تعقيدًا مثل استخراج الميزات واكتشاف الأشكال والتعرف الأساسي على الكائنات. قدمت خوارزميات مثل عامل Sobel و Canny اكتشافًا أكثر دقة للحواف، بينما وجدت تقنية التعرف على الأنماط تطبيقات في كل شيء بدءًا من الأتمتة الصناعية وحتى قراءة النصوص المطبوعة من خلال التعرف الضوئي على الحروف.
اليوم، أدت التطورات المطردة في التكنولوجيا إلى تطوير رؤية الكمبيوتر. رؤية الذكاء الاصطناعي، أو رؤية الكمبيوتر، هي فرع من فروع الذكاء الاصطناعي يركز على تعليم الآلات تفسير وفهم المعلومات المرئية.
في حين أن معالجة الصور التقليدية، مثل العتبة المزدوجة (التي تجعل الصور أكثر وضوحًا عن طريق الاحتفاظ بالحواف القوية وإزالة الحواف الضعيفة) واكتشاف الحواف، اتبعت قواعد ثابتة ويمكنها التعامل مع مهام محددة فقط، تستخدم الرؤية الحاسوبية نماذج تعتمد على البيانات يمكنها التعلم من الأمثلة والتكيف مع المواقف الجديدة.
في الوقت الحاضر، تتجاوز أنظمة التصوير مجرد تحسين الصور أو اكتشاف الحواف. يمكنهم التعرف على الكائنات وتتبع الحركة وفهم سياق المشهد بأكمله.
إحدى التقنيات الرئيسية التي تجعل هذا ممكنًا هي الالتفاف (convolution). عملية الالتفاف هي عملية تقوم فيها مرشحات صغيرة (تسمى أيضًا kernels) بمسح صورة للعثور على أنماط مهمة مثل الحواف والزوايا والأنسجة. تصبح هذه الأنماط هي اللبنات الأساسية التي تستخدمها نماذج رؤية الكمبيوتر للتعرف على الكائنات وفهمها.
على سبيل المثال، تستخدم نماذج رؤية الكمبيوتر مثل Ultralytics YOLO11 هذه الميزات القائمة على الالتفاف لأداء مهام متقدمة مثل تقسيم الحالات. يرتبط هذا ارتباطًا وثيقًا باكتشاف الحواف لأن تقسيم الحالات يتطلب تحديدًا دقيقًا لحدود كل جسم في الصورة.
بينما يركز اكتشاف الحواف على إيجاد تغييرات في شدة وحدّة البكسل في الحواف لتحديد حواف الكائنات، فإن تجزئة المثيل تبني على تلك الفكرة لاكتشاف الحواف وتصنيف وفصل كل كائن في منطقته الخاصة.
حتى مع نمو الرؤية الحاسوبية، لا تزال معالجة الصور جزءًا مهمًا من العديد من التطبيقات. وذلك لأن الرؤية الحاسوبية غالبًا ما تعتمد على خطوات المعالجة المسبقة الأساسية للصور.
قبل اكتشاف الكائنات أو فهم مشهد ما، عادةً ما تقوم الأنظمة بتنظيف الصورة وتقليل الضوضاء وإيجاد الحواف لإبراز التفاصيل الرئيسية. هذه الخطوات تجعل النماذج المتقدمة أكثر دقة وكفاءة.
بعد ذلك، لنتعرف على بعض خوارزميات معالجة الصور الأكثر شيوعًا المستخدمة لاكتشاف الحواف وكيفية عملها.
الكشف عن حواف Sobel هو طريقة رئيسية تستخدم للعثور على الخطوط العريضة للكائنات في الصورة. بدلاً من تحليل كل التفاصيل مرة واحدة، فإنه يركز على المناطق التي يتغير فيها السطوع بشكل حاد من بكسل إلى البكسل المجاور التالي.
عادةً ما تحدد هذه التحولات المفاجئة النقطة التي ينتهي فيها كائن ويبدأ آخر، أو حيث يلتقي كائن بالخلفية. من خلال عزل هذه الحواف، تحول Sobel صورة معقدة إلى مخطط أكثر وضوحًا يسهل على الأنظمة الأخرى معالجته لمهام مثل تتبع الحركة أو اكتشاف الأشكال أو التعرف على الكائنات.
يمكنك اعتبار اكتشاف حواف Sobel بمثابة كاشف تدرج يقيس كيفية تغير الشدة عبر الصورة. في جوهره، يعمل هذا من خلال عملية التفاف: تمرير مصفوفات صغيرة، تسمى النواة، عبر الصورة وحساب المجاميع الموزونة لقيم البكسل المجاورة.
تم تصميم هذه النوى للتأكيد على التغيرات في السطوع على طول الاتجاهات الأفقية والرأسية. على عكس نماذج التعلم العميق، حيث يتم تعلم النوى من البيانات، يستخدم Sobel نوى ثابتة لتسليط الضوء بكفاءة على الحواف دون الحاجة إلى التدريب.
إليك نظرة فاحصة على كيفية عمل طريقة Sobel لاكتشاف الحواف:
يعد اكتشاف حافة كاني طريقة شائعة أخرى للعثور على الحواف في الصورة. وهي معروفة بإنتاج مخططات نظيفة ودقيقة. على عكس تقنيات اكتشاف الحواف الأساسية، فإنه يتبع سلسلة من الخطوات المصممة بعناية لتصفية الضوضاء وشحذ الحدود والتركيز على أهم الحواف.
إليك نظرة عامة سريعة حول كيفية عمل كاشف حافة Canny:
نظرًا لأنه يقدم نتائج دقيقة مع تصفية الضوضاء، فإن اكتشاف حواف Canny يستخدم على نطاق واسع في المجالات التي تهم فيها الدقة. على سبيل المثال، يتم استخدامه في صناعات مثل التصوير الطبي، ورسم الخرائط عبر الأقمار الصناعية، ومسح المستندات، والرؤية الآلية.
حتى الآن، المثالان اللذان نظرنا إليهما للكشف عن الحواف هما Sobel و Canny. في حين أن كلاهما يهدف إلى إيجاد الحواف، إلا أنهما يتعاملان مع المشكلة بشكل مختلف.
تكتشف الطرق القائمة على التدرج (مثل Sobel و Prewitt و Scharr) الحواف من خلال البحث عن تغييرات حادة في السطوع، والمعروفة باسم التدرج. يقومون بمسح الصورة وتحديد الأماكن التي يكون فيها هذا التغيير أقوى. هذه الطرق بسيطة وسريعة وتعمل بشكل جيد عندما تكون الصور واضحة. ومع ذلك، فهي حساسة للضوضاء - يمكن الخلط بين الاختلافات الطفيفة في السطوع والحواف.
تضيف الطرق القائمة على التوزيع الطبيعي (مثل Canny أو Laplacian of Gaussian) خطوة إضافية للتعامل مع هذه المشكلة: تمويه الصورة أولاً. هذا التنعيم، الذي يتم غالبًا باستخدام مرشح Gaussian، يقلل من الاختلافات الصغيرة التي يمكن أن تخلق حوافًا خاطئة. بعد التنعيم، لا تزال هذه الطرق تبحث عن تغييرات حادة في السطوع، ولكن النتائج تكون أكثر نظافة ودقة للصور المشوشة أو منخفضة الجودة.
مع فهم أفضل لكيفية عمل اكتشاف الحواف، لنتناول كيفية تطبيقه في مواقف واقعية.
غالبًا ما يكون فحص الهياكل الخرسانية الكبيرة، مثل الجسور والمباني الشاهقة، مهمة صعبة وخطيرة. يمكن أن تمتد هذه الهياكل لمسافات طويلة أو تصل إلى ارتفاعات عالية، مما يجعل عمليات الفحص التقليدية بطيئة ومكلفة ومحفوفة بالمخاطر. تتطلب عمليات الفحص هذه أيضًا عادةً سقالات أو الوصول بالحبال أو القياسات اليدوية عن قرب أو التصوير الفوتوغرافي.
تم استكشاف نهج مثير للاهتمام في عام 2019، عندما اختبر الباحثون طريقة أكثر أمانًا وأسرع باستخدام طائرات بدون طيار مزودة بكاميرات عالية الدقة لالتقاط صور إدخال تفصيلية لأسطح الخرسانة. ثم تمت معالجة هذه الصور بتقنيات اكتشاف الحواف مختلفة لتحديد الشقوق تلقائيًا.
أظهرت الدراسة أن هذه الطريقة قللت بشكل كبير من الحاجة إلى وصول بشري مباشر إلى المناطق الخطرة وسرعت عمليات التفتيش. ومع ذلك، لا تزال دقتها تعتمد على عوامل مثل ظروف الإضاءة ووضوح الصورة وتشغيل الطائرات بدون طيار المستقر. في بعض الحالات، كانت المراجعة البشرية لا تزال مطلوبة للقضاء على النتائج الإيجابية الكاذبة.
غالبًا ما تحتوي صور الأشعة السينية والرنين المغناطيسي على تشويشات بصرية تعرف باسم الضوضاء، مما قد يجعل رؤية التفاصيل الدقيقة أكثر صعوبة. ويشكل هذا تحديًا للأطباء عند محاولة تحديد حواف الورم، أو تتبع مخطط العضو، أو مراقبة التغييرات الطفيفة بمرور الوقت.
اختبرت دراسة تصوير طبي حديثة مدى جودة تعامل طرق الكشف عن الحواف الشائعة، مثل Sobel و Canny و Prewitt و Laplacian، مع الصور المشوشة. أضاف الباحثون أنواعًا ومستويات مختلفة من الضوضاء إلى الصور وتحققوا من مدى دقة كل طريقة في تحديد الميزات المهمة.
عادةً ما ينتج Canny أنظف الحواف، حتى عندما تكون الضوضاء شديدة، لكنه لم يكن الأفضل في كل حالة. عملت بعض الطرق بشكل أفضل مع أنماط ضوضاء معينة، لذلك لا يوجد حل مثالي واحد.
يسلط هذا الضوء على سبب أهمية تقنيات مثل رؤية الكمبيوتر. من خلال الجمع بين الخوارزميات المتقدمة و نماذج Vision AI، يمكن لهذه الحلول أن تتجاوز الكشف الأساسي عن الحواف لتقديم نتائج أكثر دقة وموثوقية حتى في الظروف الصعبة.
فيما يلي بعض فوائد استخدام اكتشاف الحواف ومعالجة الصور:
في حين أن هناك العديد من الفوائد لاكتشاف الحواف في معالجة الصور، إلا أنه يأتي أيضًا مع بعض التحديات. فيما يلي بعض القيود الرئيسية التي يجب مراعاتها:
اكتشاف الحواف مستوحى من كيفية عمل أعيننا وأدمغتنا معًا لفهم العالم. عندما يتعلق الأمر بالرؤية البشرية، فإن الخلايا العصبية المتخصصة في القشرة البصرية حساسة للغاية للحواف والخطوط والحدود.
تساعدنا هذه الإشارات المرئية على تحديد مكان انتهاء كائن وبدء آخر بسرعة. هذا هو السبب في أن حتى الرسم الخطي البسيط يمكن التعرف عليه على الفور - يعتمد دماغنا بشكل كبير على الحواف لتحديد الأشكال والكائنات.
تهدف رؤية الكمبيوتر إلى محاكاة هذه القدرة ولكنها تأخذها خطوة إلى الأمام. تتجاوز النماذج مثل Ultralytics YOLO11 مجرد إبراز الحواف الأساسية وتحسين الصورة. يمكنهم اكتشاف الكائنات وتحديدها بدقة وتتبع الحركة في الوقت الفعلي. هذا المستوى الأعمق من الفهم يجعلها ضرورية في السيناريوهات التي لا يكون فيها اكتشاف الحواف وحده كافيًا.
فيما يلي بعض مهام رؤية الكمبيوتر الرئيسية التي يدعمها YOLO11 والتي تعتمد على اكتشاف الحواف وتتجاوزه:
من الأمثلة الجيدة على استخدام رؤية الكمبيوتر لتحسين تطبيق يعتمد تقليديًا على اكتشاف الحواف هو اكتشاف الشقوق في البنية التحتية والأصول الصناعية. يمكن تدريب نماذج رؤية الكمبيوتر مثل YOLO11 لتحديد الشقوق بدقة على الطرق والجسور وخطوط الأنابيب. يمكن أيضًا تطبيق نفس التقنية في صيانة الطائرات وفحص المباني ومراقبة جودة التصنيع، مما يساعد على تسريع عمليات الفحص وتحسين السلامة.
لقد قطع الكشف عن الحواف شوطًا طويلاً، من الأساليب المبكرة البسيطة إلى التقنيات المتقدمة التي يمكنها اكتشاف حتى الحدود الدقيقة في الصور المعقدة. فهو يساعد على إبراز التفاصيل المهمة وتسليط الضوء على المناطق الرئيسية وإعداد الصور لتحليل أعمق، مما يجعله جزءًا أساسيًا من معالجة الصور.
في الرؤية الحاسوبية، يلعب اكتشاف الحواف دورًا مهمًا في تحديد الأشكال وفصل الكائنات واستخراج المعلومات المفيدة. يتم استخدامه في العديد من المجالات مثل التصوير الطبي والفحوصات الصناعية والقيادة الذاتية والأمن لتقديم فهم مرئي دقيق وموثوق.
انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لاكتشاف المزيد حول الذكاء الاصطناعي. إذا كنت تتطلع إلى بدء مشروع الذكاء الاصطناعي البصري الخاص بك، فراجع خيارات الترخيص الخاصة بنا. اكتشف المزيد حول تطبيقات مثل الذكاء الاصطناعي في الرعاية الصحية و الذكاء الاصطناعي البصري في البيع بالتجزئة من خلال زيارة صفحات الحلول الخاصة بنا.
