استكشف العتبة في معالجة الصور مع هذا الدليل. تعرف على ماهية العتبة وتقنيات عتبة الصور المختلفة، بما في ذلك عتبة Otsu.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
استكشف العتبة في معالجة الصور مع هذا الدليل. تعرف على ماهية العتبة وتقنيات عتبة الصور المختلفة، بما في ذلك عتبة Otsu.
كبشر، نرى الصور كصور متماسكة وذات مغزى، بينما تنظر إليها أجهزة الكمبيوتر على أنها شبكات من وحدات البكسل الصغيرة، وهي أصغر مكونات الصورة الرقمية. في عملية تسمى معالجة الصور، يمكن تعديل وحدات البكسل هذه أو تحليلها لتحسين الصورة واستخراج معلومات مفيدة.
تُعرف إحدى تقنيات معالجة الصور الشائعة باسم عتبة الصورة (image thresholding). تحول هذه الطريقة الصور ذات التدرج الرمادي (حيث تمثل كل بكسل درجة من درجات اللون الرمادي) إلى صور بالأبيض والأسود عن طريق مقارنة كل بكسل بقيمة محددة. وهي تخلق فصلاً واضحًا بين المناطق المهمة والخلفية.
غالبًا ما يستخدم تحديد العتبة في تجزئة الصور، وهي تقنية تقسم الصورة إلى مناطق ذات معنى لتسهيل تحليلها. عادة ما تكون إحدى الخطوات الأولى في مساعدة الآلات على تفسير البيانات المرئية. في هذه المقالة، سنلقي نظرة على ماهية تحديد العتبة وكيفية عملها وأين يتم تطبيقها في سيناريوهات العالم الحقيقي. هيا بنا نبدأ!
قبل أن نتعمق في كيفية عمل العتبة، دعنا أولاً نلقي نظرة فاحصة على الأفكار الأساسية الكامنة وراءها وكيفية استخدامها في معالجة الصور.
لنفترض أنك تعمل مع صورة وتريد فصل الكائنات الموجودة فيها عن الخلفية. إحدى طرق القيام بذلك هي عن طريق تحديد العتبة. فهو يبسط الصورة بحيث يكون كل بكسل إما أسود تمامًا أو أبيض تمامًا. والنتيجة هي صورة ثنائية، حيث يكون لكل بكسل قيمة 0 (أسود) أو 255 (أبيض). غالبًا ما تكون هذه الخطوة مفيدة في معالجة الصور لأنها تجعل الأجزاء المهمة من الصورة بارزة بوضوح.
وبالمثل، إذا كنت تريد فهم كيفية توزيع قيم السطوع عبر صورة، فيمكن أن يساعدك المدرج التكراري. إنه رسم بياني يوضح عدد مرات ظهور كل كثافة بكسل، من الأسود (0) إلى الأبيض (255).
من خلال النظر إلى المدرج التكراري، يمكنك معرفة ما إذا كانت الصورة داكنة أو ساطعة أو في مكان ما بينهما. وهذا يجعل من السهل اختيار قيمة عتبة جيدة عند تحويل الصورة إلى أبيض وأسود، حيث يمكنك اكتشاف الأنماط ومستويات التباين في لمحة.
بمجرد تحديد عتبة الصورة، يتم تقسيمها إلى جزأين: المقدمة والخلفية. تسلط المقدمة، التي تظهر عادة باللون الأبيض، الضوء على العناصر المهمة، مثل النص أو الأشكال أو الكائنات التي تريد اكتشافها. الخلفية، التي تظهر باللون الأسود، هي كل شيء آخر. يساعد هذا الفصل الآلات على التركيز على الأمور المهمة في الصورة.
كما ذكرنا سابقًا، يقسم التجزئة الصورة إلى مناطق ذات معنى بناءً على ميزات مثل السطوع أو الملمس. يعد تحديد العتبة طريقة بسيطة للقيام بذلك وغالبًا ما يكون إحدى الخطوات الأولى في خط أنابيب الرؤية الحاسوبية.
الرؤية الحاسوبية هي فرع من فروع الذكاء الاصطناعي الذي يمكّن الآلات من معالجة البيانات المرئية وتفسيرها، تمامًا كما يفعل البشر. باستخدام العتبة في وقت مبكر من العملية، يمكن لأنظمة الرؤية الحاسوبية فصل الكائنات عن خلفيتها، مما يسهل على الخطوات اللاحقة، مثل الكشف أو التعرف، العمل بدقة.
الآن بعد أن أصبح لدينا فهم أفضل لما هو العتبة (thresholding)، دعونا نشرح كيفية تحديد عتبة للصورة وأنواع العتبات المختلفة في معالجة الصور.
على سبيل المثال، يعد تحديد العتبة العالمية أحد أسهل الطرق لإنشاء صورة ثنائية. يطبق قيمة شدة واحدة عبر الصورة بأكملها. تصبح وحدات البكسل الأكثر سطوعًا من هذه العتبة بيضاء، بينما تتحول الوحدات الداكنة إلى اللون الأسود. هذا يساعد على فصل الكائن عن الخلفية.
يعمل على أفضل وجه عندما تكون الصورة ذات إضاءة متساوية وتباين قوي. ولكن في الإضاءة غير المتساوية أو المناطق منخفضة التباين، قد يفقد حد واحد التفاصيل أو يطمس الحواف.
للتعامل مع هذا، يتم استخدام طرق مثل تحديد العتبة لـ Otsu. بدلاً من تعيين قيمة يدويًا، تقوم طريقة Otsu لتحديد العتبة بتحليل الرسم البياني للصورة وتختار عتبة تفصل بشكل أفضل شدة البكسل إلى مقدمة وخلفية.
على عكس العتبة العالمية، تحسب العتبة التكيفية أو المحلية قيمة العتبة بشكل منفصل لأجزاء مختلفة من الصورة. هذا يجعلها أكثر فعالية للصور ذات الإضاءة غير المتساوية، مثل المستندات الممسوحة ضوئيًا ذات الظلال أو الأسطح المزخرفة.
يعمل عن طريق تقسيم الصورة إلى مناطق صغيرة وحساب حد محلي لكل كتلة، مما يساعد في الحفاظ على التباين بين المقدمة والخلفية. يستخدم هذا النهج على نطاق واسع في مهام مثل التعرف على النصوص، والتصوير الطبي، وفحص الأسطح، حيث تختلف الإضاءة عبر الصورة.
تتضمن بعض الأساليب الشائعة للمعالجة المعتمدة على العتبة التكيفية في معالجة الصور تحديد العتبة المتوسطة التكيفية وتحديد العتبة الغاوسية التكيفية. في تحديد العتبة المتوسطة التكيفية، يتم استخدام متوسط شدة البكسل في منطقة محلية كعتبة للبكسل المركزي. من ناحية أخرى، يستخدم تحديد العتبة الغاوسية التكيفية متوسطًا مرجحًا مع نافذة غاوسية، مما يمنح أهمية أكبر للبكسلات الأقرب إلى المركز.
بعد ذلك، لنتعرف على أماكن استخدام عتبة الصورة في التطبيقات الواقعية.
غالبًا ما يتم مسح الكتب القديمة والرسائل المكتوبة بخط اليد ضوئيًا للحفاظ عليها أو تحويلها إلى نص رقمي باستخدام التعرف الضوئي على الحروف (OCR)، وهي تقنية تقرأ الأحرف المطبوعة أو المكتوبة بخط اليد. قبل استخراج النص، عادةً ما تحتاج الوثيقة إلى تنظيف أو معالجة مسبقة. غالبًا ما تحتوي الصور الممسوحة ضوئيًا على ظلال أو حبر باهت أو إضاءة غير متساوية، مما قد يجعل التعرف على الأحرف أمرًا صعبًا.
لتحسين الوضوح، يتم استخدام تحديد العتبة لتحويل الصور ذات التدرج الرمادي إلى تنسيق ثنائي، مما يساعد على عزل النص عن الخلفية. تصبح المناطق الداكنة، مثل الأحرف، سوداء، بينما تتحول الخلفية الفاتحة إلى اللون الأبيض - مما يسهل على أنظمة التعرف الضوئي على الحروف قراءة النص.
وبالمثل، في التصوير الطبي، يُستخدم تحديد العتبة بشكل شائع لعزل هياكل معينة في عمليات المسح، مثل العظام أو الرئتين في صور الأشعة السينية. من خلال تحويل الصور ذات التدرج الرمادي إلى تنسيق ثنائي، يصبح من الأسهل فصل المناطق ذات الأهمية عن الأنسجة المحيطة وإعداد الصورة لمزيد من التحليل. في الحالات الأكثر تعقيدًا، يمكن تطبيق تحديد العتبة متعدد المستويات لتقسيم الصورة إلى عدة مناطق متميزة، مما يسمح بتحديد أنواع مختلفة من الأنسجة أو الهياكل في نفس الوقت.
فيما يلي بعض الفوائد الرئيسية لاستخدام العتبة في معالجة الصور:
في حين أن تحديد عتبة الصورة مفيد في العديد من السيناريوهات، إلا أنه يأتي أيضًا مع بعض القيود. فيما يلي بعض التحديات المتعلقة بتحديد العتبة التي يجب مراعاتها:
يعمل تحديد العتبة بشكل جيد لمهام التجزئة البسيطة في البيئات الخاضعة للرقابة. ومع ذلك، فإنه غالبًا ما يواجه صعوبات عند التعامل مع الصور المعقدة التي تحتوي على كائنات متعددة أو ضوضاء في الخلفية. نظرًا لأنه يعتمد على قواعد ثابتة، فإن تحديد العتبة يفتقر إلى المرونة اللازمة لمعظم تطبيقات العالم الحقيقي.
لتجاوز هذه الحدود، تستخدم العديد من الأنظمة المتطورة الآن رؤية الكمبيوتر. على عكس تحديد العتبة، يتم تدريب نماذج Vision AI لاكتشاف الأنماط والميزات المعقدة، مما يجعلها أكثر دقة وقابلية للتكيف.
على سبيل المثال، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 اكتشاف الكائنات وتقسيم الصور في الوقت الفعلي. وهذا يجعلها مثالية لمهام مثل اكتشاف إشارات المرور في المركبات ذاتية القيادة أو تحديد مشاكل المحاصيل في الزراعة.
على وجه الخصوص، يدعم YOLO11 مجموعة من مهام رؤية الكمبيوتر، مثل تجزئة المثيل، حيث يتم تقسيم كل كائن في الصورة بشكل منفصل. يمكنه أيضًا أداء مهام أخرى تعتمد على الرؤية، بما في ذلك تقدير الوضع (تحديد موضع أو وضعية الكائن) وتتبع الكائن (تتبع كائن أثناء تحركه عبر إطارات الفيديو).
في حين أن العتبة تعمل بشكل جيد للمهام البسيطة أو اختبار الأفكار المبكرة، فإن التطبيقات التي تحتاج إلى السرعة والدقة والمرونة عادة ما يتم التعامل معها بشكل أفضل باستخدام الرؤية الحاسوبية.
يعد تحديد العتبة أداة حاسمة في معالجة الصور لأنه سريع وسهل الاستخدام لفصل الكائنات عن الخلفية. إنه يعمل بشكل جيد مع المستندات الممسوحة ضوئيًا والصور الطبية والتحقق من عيوب المنتج في المصانع.
ومع ذلك، مع ازدياد تعقيد الصور ومقاطع الفيديو، يمكن أن تكافح طرق معالجة الصور الأساسية مثل عتبة الصورة. وهنا يمكن أن تتدخل نماذج رؤية الكمبيوتر المتقدمة. يمكن لنماذج مثل YOLO11 فهم وتنفيذ المزيد من المهام، واكتشاف العديد من الكائنات في وقت واحد، والعمل في الوقت الفعلي، مما يجعلها مفيدة للعديد من حالات الاستخدام.
هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفقد مجتمعنا و مستودع GitHub الخاص بنا. استكشف صفحات الحلول الخاصة بنا للتعرف على الذكاء الاصطناعي في مجال الروبوتات و الرؤية الحاسوبية في الزراعة. اكتشف خيارات الترخيص الخاصة بنا وابدأ البناء باستخدام الرؤية الحاسوبية اليوم!
