ما هي العتبة في معالجة الصور؟

للحصول على شرح مرئي للمفاهيم التي تتناولها هذه المقالة، شاهد الفيديو أدناه.

بالنسبة للبشر، نحن نرى الصور كلوحات متماسكة وذات مغزى، بينما تراها أجهزة الكمبيوتر كشبكات من البكسلات الصغيرة، وهي أصغر مكونات الصورة الرقمية. وفي عملية تسمى معالجة الصور، يمكن تعديل هذه البكسلات أو تحليلها لتحسين الصورة واستخراج معلومات مفيدة.

من تقنيات معالجة الصور الشائعة ما يسمى بـ العتبة (thresholding). تقوم هذه الطريقة بتحويل الصور ذات التدرج الرمادي (حيث يمثل كل بكسل درجة من اللون الرمادي) إلى صور بالأبيض والأسود من خلال مقارنة كل بكسل بقيمة محددة. وهي تخلق فصلاً واضحاً بين المناطق المهمة والخلفية.

تُستخدم العتبة غالباً في تجزئة الصور، وهي تقنية تقسم الصورة إلى مناطق ذات مغزى لتسهيل تحليلها. وعادة ما تكون إحدى الخطوات الأولى لمساعدة الآلات في تفسير البيانات المرئية. في هذه المقالة، سنلقي نظرة على ماهية العتبة، وكيف تعمل، وأين يتم تطبيقها في سيناريوهات العالم الحقيقي. لنبدأ!

Link to this sectionالمصطلحات الأساسية في عتبة الصور#

قبل أن نتعمق في كيفية عمل العتبة، دعونا نلقي نظرة فاحصة على الأفكار الأساسية الكامنة وراءها وكيفية استخدامها في معالجة الصور.

Link to this sectionعتبة الصورة الثنائية#

لنفترض أنك تعمل على صورة وتريد فصل الكائنات الموجودة فيها عن الخلفية. إحدى طرق القيام بذلك هي استخدام العتبة. فهي تبسط الصورة بحيث يكون كل بكسل إما أسود بالكامل أو أبيض بالكامل. وتكون النتيجة صورة ثنائية، حيث يكون لكل بكسل قيمة 0 (أسود) أو 255 (أبيض). هذه الخطوة مفيدة غالباً في معالجة الصور لأنها تجعل الأجزاء المهمة من الصورة بارزة بوضوح.

الشكل 1. صورة ذات تدرج رمادي ومخرجها الثنائي بعد تطبيق العتبة. (المصدر: blog.devops.dev)

Link to this sectionالمدرج التكراري (Histogram)#

وبالمثل، إذا كنت ترغب في فهم كيفية توزيع قيم السطوع عبر الصورة، يمكن أن يساعدك المدرج التكراري. وهو رسم بياني يوضح عدد مرات ظهور كثافة كل بكسل، من الأسود (0) إلى الأبيض (255).

من خلال النظر إلى المدرج التكراري، يمكنك معرفة ما إذا كانت الصورة مظلمة، أو ساطعة، أو بينهما. وهذا يسهل اختيار قيمة عتبة جيدة عند تحويل الصورة إلى الأبيض والأسود، حيث يمكنك ملاحظة الأنماط ومستويات التباين في لمحة سريعة.

Link to this sectionالمقدمة والخلفية#

بمجرد تطبيق العتبة على صورة ما، يتم تقسيمها إلى جزأين: المقدمة والخلفية. تسلط المقدمة، التي تظهر عادة باللون الأبيض، الضوء على العناصر المهمة، مثل النصوص أو الأشكال أو الكائنات التي تريد اكتشافها. أما الخلفية، التي تظهر باللون الأسود، فهي تمثل كل شيء آخر. يساعد هذا الفصل الآلات على التركيز على ما يهم في الصورة.

Link to this sectionالتجزئة#

كما ذُكر سابقاً، تقسم التجزئة الصورة إلى مناطق ذات مغزى بناءً على ميزات مثل السطوع أو النسيج. تعد العتبة طريقة بسيطة للقيام بذلك وغالباً ما تكون إحدى الخطوات الأولى في خط أنابيب الرؤية الحاسوبية.

الرؤية الحاسوبية هي فرع من الذكاء الاصطناعي يمكّن الآلات من معالجة وتفسير البيانات المرئية، تماماً كما يفعل البشر. من خلال استخدام العتبة في وقت مبكر من العملية، يمكن لأنظمة الرؤية الحاسوبية فصل الكائنات عن خلفيتها، مما يسهل على الخطوات اللاحقة، مثل الاكتشاف أو التعرف، العمل بدقة.

Link to this sectionالعتبة العالمية#

الآن وبعد أن أصبح لدينا فهم أفضل لماهية العتبة، دعونا نستعرض كيفية تطبيق العتبة على صورة وأنواع العتبة المختلفة في معالجة الصور.

على سبيل المثال، تعد العتبة العالمية واحدة من أسهل الطرق لإنشاء صورة ثنائية. فهي تطبق قيمة كثافة واحدة عبر الصورة بأكملها. تصبح البكسلات الأكثر سطوعاً من هذه العتبة بيضاء، بينما تتحول البكسلات الأكثر قتامة إلى الأسود. يساعد هذا في فصل الكائن عن الخلفية.

تعمل هذه الطريقة بشكل أفضل عندما تكون الصورة ذات إضاءة متساوية وتباين قوي. ولكن في حالات الإضاءة غير المتساوية أو المناطق ذات التباين المنخفض، قد تفوت العتبة الواحدة بعض التفاصيل أو تؤدي إلى ضبابية الحواف.

ولمعالجة هذا الأمر، تُستخدم طرق مثل عتبة Otsu. بدلاً من تحديد قيمة يدوياً، تحلل طريقة Otsu للعتبة المدرج التكراري للصورة وتختار عتبة تفصل بشكل أفضل بين كثافة بكسلات المقدمة والخلفية.

الشكل 2. صورة لكوكب زحل قبل وبعد تطبيق عتبة Otsu. (المصدر)

Link to this sectionالعتبة المحلية (التكيفية)#

على عكس العتبة العالمية، تقوم العتبة التكيفية أو المحلية بحساب قيمة العتبة بشكل منفصل لأجزاء مختلفة من الصورة. وهذا يجعلها أكثر فعالية للصور ذات الإضاءة غير المتساوية، مثل المستندات الممسوحة ضوئياً التي تحتوي على ظلال أو أسطح ذات ملمس.

تعمل هذه الطريقة عن طريق تقسيم الصورة إلى مناطق صغيرة وحساب عتبة محلية لكل كتلة، مما يساعد في الحفاظ على التباين بين المقدمة والخلفية. يُستخدم هذا النهج على نطاق واسع في مهام مثل التعرف على النصوص، والتصوير الطبي، وفحص الأسطح، حيث تختلف الإضاءة عبر الصورة.

تشمل بعض الأساليب الشائعة للعتبة التكيفية في معالجة الصور عتبة المتوسط التكيفي وعتبة Gaussian التكيفية. في عتبة المتوسط التكيفي، يُستخدم متوسط كثافة البكسل في المنطقة المحلية كعتبة للبكسل المركزي. من ناحية أخرى، تستخدم عتبة Gaussian التكيفية متوسّطاً مرجحاً مع نافذة Gaussian، مما يعطي أهمية أكبر للبكسلات الأقرب إلى المركز.

Link to this sectionتطبيقات العالم الحقيقي للعتبة في معالجة الصور#

بعد ذلك، دعونا نستكشف أين تُستخدم عتبة الصور في تطبيقات العالم الحقيقي.

Link to this sectionعتبة الصور لتحويل المستندات إلى صيغة ثنائية والتعرف الضوئي على الحروف (OCR)#

غالباً ما يتم مسح الكتب القديمة والرسائل المكتوبة بخط اليد ضوئياً لحفظها أو تحويلها إلى نصوص رقمية باستخدام OCR (التعرف الضوئي على الحروف)، وهي تقنية تقرأ الأحرف المطبوعة أو المكتوبة بخط اليد. قبل استخراج النص، غالباً ما يحتاج المستند إلى التنظيف أو المعالجة المسبقة. غالباً ما تحتوي الصور الممسوحة ضوئياً على ظلال، أو حبر باهت، أو إضاءة غير متساوية، مما قد يجعل التعرف على الأحرف صعباً.

لتحسين الوضوح، تُستخدم العتبة لتحويل الصور ذات التدرج الرمادي إلى صيغة ثنائية، مما يساعد في عزل النص عن الخلفية. تصبح المناطق الأكثر قتامة، مثل الحروف، سوداء، بينما تتحول الخلفية الأفتح إلى اللون الأبيض - مما يسهل على أنظمة OCR قراءة النص.

الشكل 3. مثال لمستند تاريخي وصورته بعد تطبيق العتبة. (المصدر)

Link to this sectionاستخدام العتبة في معالجة الصور الطبية#

وبالمثل، في التصوير الطبي، تُستخدم العتبة بشكل شائع لعزل هياكل محددة في المسح الضوئي، مثل العظام أو الرئتين في صور الأشعة السينية. من خلال تحويل الصور ذات التدرج الرمادي إلى صيغة ثنائية، يصبح من الأسهل فصل مناطق الاهتمام عن الأنسجة المحيطة وإعداد الصورة لمزيد من التحليل. في الحالات الأكثر تعقيداً، يمكن تطبيق العتبة متعددة المستويات لتقسيم الصورة إلى عدة مناطق متميزة، مما يسمح بتحديد أنواع مختلفة من الأنسجة أو الهياكل في نفس الوقت.

الشكل 4. استخدام طرق العتبة متعددة المستويات على صور الأشعة السينية للصدر. (المصدر: sciencedirect.com)

Link to this sectionإيجابيات وسلبيات العتبة في معالجة الصور#

إليك بعض الفوائد الرئيسية لاستخدام العتبة في معالجة الصور:

• خفيفة على الموارد: تعمل العتبة بشكل جيد على الأجهزة منخفضة الطاقة ولا تحتاج إلى الوصول إلى السحابة أو أجهزة ذات مواصفات عالية، مما يجعلها مناسبة للأنظمة المدمجة والإعدادات غير المتصلة بالإنترنت.
• سهلة التفسير: تجعل منطقها البسيط مخرجات العتبة سهلة الفهم والتصحيح، وهو أمر بالغ الأهمية في مجالات مثل الرعاية الصحية أو معالجة المستندات حيث تكون الشفافية مهمة.
• اختبار سريع: تُمكّن العتبة الفرق من استكشاف أفكار التجزئة بسرعة في مشاريع المرحلة المبكرة قبل الانتقال إلى نماذج أكثر تعقيداً.

على الرغم من أن عتبة الصور مفيدة في العديد من السيناريوهات، إلا أنها تأتي أيضاً مع قيود معينة. إليك بعض التحديات المتعلقة بالعتبة التي يجب مراعاتها:

• تفتقر إلى القدرة على التكيف: تتبع العتبة قواعد ثابتة، ولا تتكيف مع ظروف الإضاءة الجديدة أو الاختلافات في البيانات دون تعديل يدوي.
• حساسة للضوضاء: يمكن للتغيرات الصغيرة في السطوع الناتجة عن الظلال أو الانعكاسات أن تؤثر على النتائج، خاصة عند العمل مع صور مفصلة أو ذات ملمس.
• ثابتة وقائمة على القواعد: على عكس نماذج الذكاء الاصطناعي، لا تتعلم العتبة من البيانات أو تتحسن بمرور الوقت. فهي تعمل فقط ضمن الظروف الضيقة التي صُممت من أجلها.

Link to this sectionما وراء عتبة الصور: متى تكون الرؤية الحاسوبية هي الأداة المناسبة؟#

تعمل العتبة بشكل جيد لمهام التجزئة البسيطة في البيئات الخاضعة للرقابة. ومع ذلك، فهي غالباً ما تواجه صعوبة عند التعامل مع الصور المعقدة التي تحتوي على كائنات متعددة أو ضوضاء في الخلفية. ونظراً لاعتمادها على قواعد ثابتة، تفتقر العتبة إلى المرونة اللازمة لمعظم تطبيقات العالم الحقيقي.

لتجاوز هذه الحدود، تستخدم العديد من الأنظمة المتطورة الآن الرؤية الحاسوبية. على عكس العتبة، يتم تدريب نماذج ذكاء اصطناعي للرؤية لاكتشاف الأنماط والميزات المعقدة، مما يجعلها أكثر دقة وقدرة على التكيف بمراحل.

على سبيل المثال، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 اكتشاف الكائنات وتجزئة الصور في الوقت الفعلي. وهذا يجعلها مثالية لمهام مثل رصد إشارات المرور في المركبات ذاتية القيادة أو تحديد مشاكل المحاصيل في الزراعة.

بشكل خاص، يدعم YOLO11 مجموعة من مهام الرؤية الحاسوبية، مثل تجزئة المثيلات، حيث يتم تجزئة كل كائن في الصورة بشكل منفصل. يمكنه أيضاً القيام بمهام أخرى تعتمد على الرؤية، بما في ذلك تقدير الوضع (تحديد موضع أو وضع الكائن) وتتبع الكائنات (متابعة كائن أثناء تحركه عبر إطارات الفيديو).

الشكل 5. يجعل YOLO11 اكتشاف وتجزئة الكائنات أمراً سهلاً. (المصدر)

في حين أن العتبة تعمل بشكل جيد للمهام البسيطة أو اختبار الأفكار الأولية، فإن التطبيقات التي تحتاج إلى السرعة والدقة والمرونة يتم التعامل معها عادة بشكل أفضل باستخدام الرؤية الحاسوبية.

Link to this sectionأبرز النقاط#

تعد العتبة أداة حاسمة في معالجة الصور لأنها سريعة وسهلة الاستخدام لفصل الكائنات عن الخلفية. وهي تعمل بشكل جيد مع المستندات الممسوحة ضوئياً، والصور الطبية، وفحص عيوب المنتجات في المصانع.

ومع ذلك، مع ازدياد تعقيد الصور ومقاطع الفيديو، قد تواجه طرق معالجة الصور الأساسية مثل عتبة الصور صعوبة. وهنا يمكن أن تتدخل نماذج الرؤية الحاسوبية المتقدمة. يمكن لنماذج مثل YOLO11 فهم وتنفيذ المزيد من المهام، ورصد العديد من الكائنات في وقت واحد، والعمل في الوقت الفعلي، مما يجعلها مفيدة للعديد من حالات الاستخدام.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفضل بزيارة مجتمعنا ومستودع GitHub. استكشف صفحات الحلول الخاصة بنا للتعرف على الذكاء الاصطناعي في الروبوتات ورؤية الحاسوب في الزراعة. اكتشف خيارات الترخيص الخاصة بنا وابدأ في البناء باستخدام رؤية الحاسوب اليوم!