بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
كبشر، نرى الصور كبشر كصور متماسكة وذات معنى، بينما تراها أجهزة الكمبيوتر كشبكات من وحدات البكسل الصغيرة، وهي أصغر مكونات الصورة الرقمية. في عملية تسمى معالجة الصور، يمكن تعديل أو تحليل هذه البيكسلات لتحسين الصورة واستخراج معلومات مفيدة.
يُطلق على تقنية معالجة الصور الشائعة اسم تحديد عتبة الصورة. تقوم هذه الطريقة بتحويل الصور ذات التدرج الرمادي (حيث يمثل كل بكسل درجة من درجات اللون الرمادي) إلى صور بالأبيض والأسود من خلال مقارنة كل بكسل بقيمة محددة. تعمل هذه الطريقة على إنشاء فصل واضح بين المناطق المهمة والخلفية.
غالبًا ما تُستخدم العتبة في تجزئة الصور، وهي تقنية تقسم الصورة إلى مناطق ذات معنى لتسهيل تحليلها. عادةً ما تكون إحدى الخطوات الأولى في مساعدة الآلات على تفسير البيانات المرئية. في هذه المقالة، سنلقي نظرة على ماهية العتبة، وكيف تعمل، وأين يتم تطبيقها في سيناريوهات العالم الحقيقي. لنبدأ!
المصطلحات الأساسية في تحديد عتبة الصورة
قبل أن نتعمق في كيفية عمل العتبة، دعنا أولاً نلقي نظرة فاحصة على الأفكار الأساسية وراءها وكيفية استخدامها في معالجة الصور.
عتبة الصورة الثنائية
لنفترض أنك تعمل على صورة وتريد فصل الأجسام الموجودة فيها عن الخلفية. إحدى طرق القيام بذلك هي تحديد العتبة. يبسط الصورة بحيث يكون كل بكسل إما أسود بالكامل أو أبيض بالكامل. والنتيجة هي صورة ثنائية، حيث يكون لكل بكسل قيمة 0 (أسود) أو 255 (أبيض). غالباً ما تكون هذه الخطوة مفيدة في معالجة الصور لأنها تجعل الأجزاء المهمة من الصورة تبرز بوضوح.
الشكل 1. صورة ذات تدرج رمادي ومخرجاتها الثنائية بعد تحديد العتبة. (المصدر)
الرسم البياني
وبالمثل، إذا كنت ترغب في فهم كيفية توزيع قيم السطوع عبر الصورة، فيمكن أن يساعدك الرسم البياني. إنه رسم بياني يوضح عدد مرات ظهور كل شدة بكسل من الأسود (0) إلى الأبيض (255).
بالنظر إلى المدرج التكراري، يمكنك معرفة ما إذا كانت الصورة مظلمة أو ساطعة أو في مكان ما بينهما. هذا يجعل من الأسهل اختيار قيمة عتبة جيدة عند تحويل الصورة إلى اللونين الأبيض والأسود، حيث يمكنك تحديد الأنماط ومستويات التباين في لمحة.
المقدمة والخلفية
بمجرد تحديد عتبة الصورة، يتم تقسيمها إلى قسمين: المقدمة والخلفية. تبرز المقدمة، التي تظهر عادةً باللون الأبيض، العناصر المهمة، مثل النصوص أو الأشكال أو الأشياء التي تريد اكتشافها. الخلفية، التي تظهر باللون الأسود، هي كل شيء آخر. يساعد هذا الفصل الآلات على التركيز على ما هو مهم في الصورة.
التقسيم
كما ذكرنا سابقًا، يقسّم التقسيم الصورة إلى مناطق ذات معنى بناءً على ميزات مثل السطوع أو الملمس. تُعد العتبة طريقة بسيطة للقيام بذلك وغالبًا ما تكون إحدى الخطوات الأولى في خط أنابيب الرؤية الحاسوبية.
الرؤية الحاسوبية هي فرع من فروع الذكاء الاصطناعي الذي يمكّن الآلات من معالجة البيانات المرئية وتفسيرها، مثلما يفعل البشر. باستخدام العتبة في مرحلة مبكرة من العملية، يمكن لأنظمة الرؤية الحاسوبية فصل الأجسام عن خلفيتها، مما يسهل عمل الخطوات اللاحقة، مثل الكشف أو التعرف، بدقة.
العتبة العالمية
الآن بعد أن أصبح لدينا فهم أفضل لماهية العتبة، دعنا نتعرف على كيفية تحديد عتبة الصورة والأنواع المختلفة للعتبة في معالجة الصور.
على سبيل المثال، تُعد العتبة العامة إحدى أسهل الطرق لإنشاء صورة ثنائية. فهي تطبق قيمة شدة واحدة على الصورة بأكملها. تصبح وحدات البكسل الأكثر سطوعًا من هذه العتبة بيضاء، بينما تتحول وحدات البكسل الداكنة إلى اللون الأسود. يساعد ذلك في فصل الكائن عن الخلفية.
يعمل بشكل أفضل عندما تكون الصورة ذات إضاءة متساوية وتباين قوي. ولكن في الإضاءة غير المتساوية أو المناطق ذات التباين المنخفض، يمكن أن تؤدي عتبة واحدة إلى فقدان التفاصيل أو ضبابية الحواف.
للتعامل مع هذا الأمر، يتم استخدام طرق مثل عتبة أوتسو. بدلاً من تحديد قيمة يدويًا، تحلل طريقة أوتسو لتحديد العتبة الرسم البياني للصورة وتختار العتبة التي تفصل بين شدة البكسلات إلى مقدمة وخلفية.
الشكل 2. صورة لزحل قبل وبعد تطبيق عتبة أوتسو. (المصدر)
العتبة المحلية (التكيفية)
على عكس العتبة العامة، تقوم العتبة التكيفية أو المحلية بحساب 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 غير المتناسقة.
يعمل 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 التعرّف على النصوص والتصوير الطبي وفحص الأسطح، حيث تختلف الإضاءة عبر الصورة.
تتضمن بعض الأساليب الشائعة للعتبة التكييفية في معالجة الصور عتبة المتوسط التكيفي وعتبة غاوسي التكيفية. في العتبة المتوسطة التكيّفية، يتم استخدام متوسط كثافة البكسل في حي محلي كعتبة للبكسل المركزي. من ناحية أخرى، تستخدم العتبة الغاوسية التكيفية متوسطًا مرجحًا مع نافذة غاوسية، مع إعطاء أهمية أكبر للبيكسلات الأقرب إلى المركز.
التطبيقات الواقعية للعتبة في العالم الحقيقي في معالجة الصور
بعد ذلك، دعنا نستكشف أين تُستخدم عتبة الصورة في التطبيقات الواقعية.
تحديد الحد الأدنى للصور من أجل ثنائية المستندات والتعرف الضوئي على الحروف (OCR)
غالبًا ما يتم مسح الكتب القديمة والرسائل المكتوبة بخط اليد ضوئيًا لحفظها أو تحويلها إلى نص رقمي باستخدام تقنية التعرف الضوئي على الحروف (OCR)، وهي تقنية تقرأ الأحرف المطبوعة أو المكتوبة بخط اليد. قبل أن يتم استخراج النص، يحتاج المستند عادةً إلى التنظيف أو المعالجة المسبقة. وغالباً 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 تنسيق ثنائي، مما يساعد على عزل النص عن الخلفية. تتحول المناطق الداكنة، مثل الحروف، إلى اللون الأسود، بينما تتحول الخلفية الفاتحة إلى اللون الأبيض، مما يسهّل على أنظمة التعرف الضوئي على الحروف قراءة النص.
الشكل 3. مثال على مستند تاريخي وصورته ذات العتبة. (المصدر)
استخدام العتبة في معالجة الصور الطبية
وبالمثل، في التصوير الطبي، تُستخدم العتبة بشكل شائع لعزل هياكل محددة 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 بها 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 البنى في الوقت نفسه.
الشكل 4. استخدام طرق العتبة متعددة المستويات على الأشعة السينية للصدر. (المصدر)
إيجابيات وسلبيات العتبة في معالجة الصور
فيما يلي بعض الفوائد الرئيسية لاستخدام العتبة في معالجة الصور:
خفيف على الموارد: تعمل العتبة بشكل جيد على الأجهزة منخفضة الطاقة ولا تحتاج إلى وصول سحابي أو أجهزة متطورة، مما يجعلها مناسبة للأنظمة المدمجة والإعدادات غير المتصلة بالإنترنت.
سهولة التفسير: يجعل منطقها البسيط مخرجات العتبة سهلة الفهم والتصحيح، وهو أمر بالغ الأهمية في مجالات مثل الرعاية الصحية أو معالجة المستندات حيث تكون الشفافية مهمة.
الاختبار السريع: تتيح العتبة للفرق استكشاف أفكار التجزئة بسرعة في المشاريع في المراحل المبكرة قبل الانتقال إلى نماذج أكثر تعقيداً.
على الرغم من أن تحديد عتبة الصورة مفيد في العديد من السيناريوهات، إلا أنه يأتي أيضًا مع بعض القيود. فيما يلي بعض التحديات المتعلقة بالعتبة التي يجب مراعاتها:
يفتقر إلى القدرة على التكيف: تتبع العتبة قواعد ثابتة، ولا تتكيف مع ظروف الإضاءة الجديدة أو الاختلافات في البيانات دون تعديل يدوي.
حساسة للتشويش: يمكن للتغييرات الصغيرة في السطوع الناتجة عن الظلال أو الانعكاسات أن تؤثر على النتائج، خاصة عند العمل مع صور مفصلة أو ذات نسيج.
ثابت وقائم على القواعد: على عكس نماذج الذكاء الاصطناعي، لا تتعلم العتبة من البيانات أو تتحسن بمرور الوقت. فهو يعمل فقط ضمن الشروط الضيقة التي صُمم من أجلها.
ما وراء عتبة الصورة: عندما تكون الرؤية الحاسوبية هي الأداة المناسبة
تعمل العتبة بشكل جيد في مهام التجزئة البسيطة في الإعدادات المضبوطة. 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 العتبة تفتقر إلى المرونة اللازمة لمعظم التطبيقات الواقعية.
لتجاوز هذه الحدود، تستخدم العديد من الأنظمة المتطورة الآن الرؤية الحاسوبية. وعلى النقيض من العتبة، يتم تدريب نماذج الذكاء الاصطناعي للرؤية على اكتشاف الأنماط والميزات المعقدة، مما يجعلها أكثر دقة وقابلية للتكيف.
على سبيل المثال، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 اكتشاف الأجسام وتجزئة الصور في الوقت الفعلي. وهذا يجعلها مثالية لمهام مثل اكتشاف إشارات المرور في المركبات ذاتية القيادة أو تحديد مشكلات المحاصيل في الزراعة.
على وجه الخصوص، يدعم YOLO11 مجموعة من مهام الرؤية الحاسوبية، مثل تجزئة المثيلات، حيث يتم تجزئة كل كائن في الصورة بشكل منفصل. ويمكنه أيضًا تنفيذ مهام أخرى قائمة على الرؤية، بما في ذلك تقدير الوضعية (تحديد موضع أو وضعية الجسم) وتتبع الجسم (تتبع الجسم أثناء تحركه عبر إطارات الفيديو).
الشكل 5. يجعل YOLO11 اكتشاف الأجسام وتجزئتها أمراً سهلاً.(المصدر)
بينما تعمل العتبة بشكل جيد في المهام البسيطة أو اختبار الأفكار المبكرة، فإن التطبيقات التي تحتاج إلى السرعة والدقة والمرونة عادةً ما يتم التعامل معها بشكل أفضل باستخدام الرؤية الحاسوبية.
الوجبات الرئيسية
تُعد العتبة أداة مهمة في معالجة الصور لأنها سريعة وسهلة الاستخدام لفصل الأجسام عن الخلفية. يعمل بشكل جيد مع المستندات الممسوحة ضوئيًا والصور الطبية وفحص عيوب المنتجات في المصانع.
ومع ذلك، مع ازدياد تعقيد الصور ومقاطع الفيديو، يمكن أن تواجه أساليب معالجة الصور الأساسية مثل تحديد عتبة الصورة صعوبات. وهنا يأتي دور نماذج الرؤية الحاسوبية المتقدمة. يمكن لنماذج مثل YOLO11 فهم وأداء المزيد من المهام، واكتشاف العديد من الكائنات في وقت واحد، والعمل في الوقت الفعلي، مما يجعلها مفيدة للعديد من حالات الاستخدام.
