ما تحديد العتبة في معالجة الصور؟

للاطلاع المرئي على المفاهيم التي يغطيها هذا المقال، شاهد الفيديو أدناه.

نحن البشر نرى الصور على أنها صور متماسكة وذات معنى، بينما تراها الحواسيب على شكل شبكات من وحدات البكسل الصغيرة، وهي أصغر مكوّنات الصورة الرقمية. في عملية تُسمى معالجة الصور، يمكن تعديل وحدات البكسل هذه أو تحليلها لتحسين الصورة واستخراج معلومات مفيدة.

تُسمى إحدى تقنيات معالجة الصور الشائعة تحديد عتبة الصورة. تحوّل هذه الطريقة الصور ذات التدرج الرمادي (حيث تمثل كل وحدة بكسل درجة من درجات الرمادي) إلى صور بالأبيض والأسود، وذلك بمقارنة كل وحدة بكسل بقيمة محددة. وهي تنشئ فصلًا واضحًا بين المناطق المهمة والخلفية.

يُستخدم تحديد العتبة غالبًا في تجزئة الصور، وهي تقنية تقسّم الصورة إلى مناطق ذات معنى لتسهيل تحليلها. وتكون عادةً إحدى الخطوات الأولى في مساعدة الآلات على تفسير البيانات المرئية. في هذه المقالة، سنستعرض ماهية تحديد العتبة، وآلية عمله، والمواضع التي يُطبّق فيها في سيناريوهات العالم الحقيقي. لنبدأ!

المصطلحات الأساسية في تحديد عتبة الصور#

قبل التعمق في كيفية عمل تحديد العتبة، دعونا نلقِ أولًا نظرة أقرب على الأفكار الأساسية الكامنة وراءه وكيفية استخدامه في معالجة الصور.

عتبة الصورة الثنائية#

لنفترض أنك تعمل على صورة وتريد فصل الكائنات الموجودة فيها عن الخلفية. إحدى طرق القيام بذلك هي تحديد العتبة. إذ تعمل هذه الطريقة على تبسيط الصورة بحيث تكون كل وحدة بكسل سوداء تمامًا أو بيضاء تمامًا. والنتيجة هي صورة ثنائية، حيث تحمل كل وحدة بكسل قيمة 0 (أسود) أو 255 (أبيض). وغالبًا ما تكون هذه الخطوة مفيدة في معالجة الصور لأنها تجعل الأجزاء المهمة من الصورة بارزة بوضوح.

الشكل 1. صورة بتدرج رمادي ومخرجاتها الثنائية بعد تحديد العتبة. (المصدر: blog.devops.dev)

المدرج التكراري#

وبالمثل، إذا أردت فهم كيفية توزّع قيم السطوع عبر الصورة، فيمكن أن يساعدك المدرج التكراري. فهو رسم بياني يوضح عدد مرات ظهور كل شدة لوحدة بكسل، بدءًا من الأسود (0) وصولًا إلى الأبيض (255).

من خلال النظر إلى المدرج التكراري، يمكنك معرفة ما إذا كانت الصورة مظلمة أو ساطعة أو بين ذلك. وهذا يسهل اختيار قيمة عتبة مناسبة عند تحويل الصورة إلى الأبيض والأسود، إذ يمكنك اكتشاف الأنماط ومستويات التباين بنظرة سريعة.

المقدمة والخلفية#

بعد تحديد عتبة الصورة، تُقسّم إلى جزأين: المقدمة والخلفية. وتُعرض المقدمة عادةً باللون الأبيض، لتبرز العناصر المهمة، مثل النصوص أو الأشكال أو الكائنات التي تريد اكتشافها. أما الخلفية، فتُعرض باللون الأسود وتشمل كل ما عدا ذلك. ويساعد هذا الفصل الآلات على التركيز على ما يهم في الصورة.

التجزئة#

كما ذُكر سابقًا، تقسّم التجزئة الصورة إلى مناطق ذات معنى استنادًا إلى خصائص مثل السطوع أو النسيج. ويُعد تحديد العتبة طريقة بسيطة لتنفيذ ذلك، وغالبًا ما يكون إحدى الخطوات الأولى في مسار عمل الرؤية الحاسوبية.

الرؤية الحاسوبية هي فرع من الذكاء الاصطناعي يمكّن الآلات من معالجة البيانات المرئية وتفسيرها، على نحو يشبه ما يفعله البشر. وباستخدام تحديد العتبة في مرحلة مبكرة من العملية، تستطيع أنظمة الرؤية الحاسوبية فصل الكائنات عن خلفيتها، مما يسهل على الخطوات اللاحقة، مثل الاكتشاف أو التعرّف، العمل بدقة.

تحديد العتبة الشامل#

والآن بعد أن أصبح لدينا فهم أفضل لماهية تحديد العتبة، دعونا نستعرض كيفية تحديد عتبة لصورة والأنواع المختلفة لتحديد العتبة في معالجة الصور.

على سبيل المثال، يُعد تحديد العتبة الشامل إحدى أسهل الطرق لإنشاء صورة ثنائية. إذ يطبّق قيمة شدة واحدة على الصورة بأكملها. وتتحول وحدات البكسل الأكثر سطوعًا من هذه العتبة إلى اللون الأبيض، بينما تتحول الوحدات الأغمق إلى اللون الأسود. ويساعد ذلك على فصل الكائن عن الخلفية.

يعمل هذا الأسلوب على أفضل نحو عندما تكون إضاءة الصورة متجانسة والتباين قويًا. لكن في حالات الإضاءة غير المتجانسة أو المناطق منخفضة التباين، قد تفوّت العتبة الواحدة بعض التفاصيل أو تؤدي إلى طمس الحواف.

ولمعالجة ذلك، تُستخدم أساليب مثل تحديد العتبة بطريقة Otsu. فبدلًا من ضبط قيمة يدويًا، تحلل طريقة Otsu لتحديد العتبة المدرج التكراري للصورة، وتختار عتبة تفصل على أفضل وجه بين شدات وحدات البكسل إلى مقدمة وخلفية.

الشكل 2. صورة لكوكب زحل قبل تطبيق تحديد العتبة بطريقة Otsu وبعده. (المصدر)

تحديد العتبة المحلي (التكيفي)#

على خلاف تحديد العتبة الشامل، يحسب تحديد العتبة التكيفي أو المحلي قيمة العتبة بصورة منفصلة لأجزاء مختلفة من الصورة. وهذا يجعله أكثر فاعلية مع الصور ذات الإضاءة غير المتجانسة، مثل المستندات الممسوحة ضوئيًا التي تحتوي على ظلال أو الأسطح المزخرفة.

يعمل هذا الأسلوب على تقسيم الصورة إلى مناطق صغيرة وحساب عتبة محلية لكل كتلة، مما يساعد على الحفاظ على التباين بين المقدمة والخلفية. ويُستخدم هذا النهج على نطاق واسع في مهام مثل التعرّف على النصوص، والتصوير الطبي، وفحص الأسطح، حيث تختلف الإضاءة عبر الصورة.

تشمل الأساليب الشائعة لتحديد العتبة التكيفي في معالجة الصور تحديد العتبة بالمتوسط التكيفي وتحديد العتبة الغاوسي التكيفي. ففي تحديد العتبة بالمتوسط التكيفي، تُستخدم شدة وحدات البكسل المتوسطة في جوار محلي بوصفها عتبة لوحدة البكسل المركزية. أما تحديد العتبة الغاوسي التكيفي، فيستخدم متوسطًا موزونًا مع نافذة غاوسية، مما يمنح وحدات البكسل الأقرب إلى المركز أهمية أكبر.

تطبيقات تحديد العتبة في معالجة الصور في العالم الحقيقي#

بعد ذلك، دعونا نستكشف مواضع استخدام تحديد عتبة الصور في تطبيقات العالم الحقيقي.

تحديد عتبة الصور لتحويل المستندات إلى صور ثنائية وOCR#

غالبًا ما تُمسح الكتب القديمة والرسائل المكتوبة بخط اليد ضوئيًا للحفاظ عليها أو تحويلها إلى نص رقمي باستخدام التعرّف الضوئي على الحروف (OCR)، وهي تقنية تقرأ الأحرف المطبوعة أو المكتوبة بخط اليد. وقبل استخراج النص، يحتاج المستند عادةً إلى التنظيف أو المعالجة المسبقة. وغالبًا ما تحتوي الصور الممسوحة ضوئيًا على ظلال أو حبر باهت أو إضاءة غير متجانسة، مما قد يصعّب التعرّف على الأحرف.

ولتحسين الوضوح، يُستخدم تحديد العتبة لتحويل الصور ذات التدرج الرمادي إلى تنسيق ثنائي، مما يساعد على عزل النص عن الخلفية. وتتحول المناطق الداكنة، مثل الأحرف، إلى اللون الأسود، بينما تتحول الخلفية الفاتحة إلى اللون الأبيض، مما يجعل قراءة النص أسهل بكثير على أنظمة OCR.

الشكل 3. مثال على مستند تاريخي وصورته بعد تحديد العتبة. (المصدر)

استخدام تحديد العتبة في معالجة الصور الطبية#

وبالمثل، يُستخدم تحديد العتبة عادةً في التصوير الطبي لعزل هياكل محددة في عمليات المسح، مثل العظام أو الرئتين في صور الأشعة السينية. ومن خلال تحويل الصور ذات التدرج الرمادي إلى تنسيق ثنائي، يصبح فصل المناطق محل الاهتمام عن الأنسجة المحيطة وإعداد الصورة لمزيد من التحليل أسهل. وفي الحالات الأكثر تعقيدًا، يمكن تطبيق تحديد العتبة متعدد المستويات لتقسيم الصورة إلى عدة مناطق متميزة، مما يتيح تحديد أنواع مختلفة من الأنسجة أو الهياكل في الوقت نفسه.

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

إيجابيات وسلبيات تحديد العتبة في معالجة الصور#

فيما يلي بعض الفوائد الرئيسية لاستخدام تحديد العتبة في معالجة الصور:

• استهلاك منخفض للموارد: يعمل تحديد العتبة جيدًا على الأجهزة منخفضة الطاقة، ولا يحتاج إلى الوصول إلى السحابة أو إلى عتاد متطور، مما يجعله مناسبًا للأنظمة المضمنة والإعدادات غير المتصلة بالإنترنت.
• سهولة التفسير: يجعل منطقه البسيط مخرجات تحديد العتبة سهلة الفهم وتصحيح الأخطاء، وهو أمر بالغ الأهمية في مجالات مثل الرعاية الصحية أو معالجة المستندات، حيث تكون الشفافية مهمة.
• اختبار سريع: يتيح تحديد العتبة للفرق استكشاف أفكار التجزئة بسرعة في المشاريع المبكرة قبل الانتقال إلى نماذج أكثر تعقيدًا.

على الرغم من فائدة تحديد عتبة الصور في العديد من السيناريوهات، فإنه ينطوي أيضًا على بعض القيود. فيما يلي بعض التحديات المتعلقة بتحديد العتبة التي ينبغي أخذها في الاعتبار:

• يفتقر إلى التكيف: يتبع تحديد العتبة قواعد ثابتة، ولا يتكيف مع ظروف الإضاءة الجديدة أو التباينات في البيانات دون ضبط يدوي.
• حساس للضوضاء: يمكن للتغيرات الطفيفة في السطوع الناتجة عن الظلال أو الانعكاسات أن تؤثر سلبًا في النتائج، لا سيما عند التعامل مع الصور التفصيلية أو المزخرفة.
• ثابت وقائم على القواعد: على خلاف نماذج الذكاء الاصطناعي، لا يتعلم تحديد العتبة من البيانات ولا يتحسن بمرور الوقت. فهو يعمل فقط ضمن الظروف الضيقة التي صُمم لها.

ما بعد تحديد عتبة الصور: متى تكون الرؤية الحاسوبية الأداة المناسبة؟#

يعمل تحديد العتبة جيدًا في مهام التجزئة البسيطة ضمن البيئات الخاضعة للتحكم. لكنه غالبًا ما يواجه صعوبة عند التعامل مع الصور المعقدة التي تحتوي على كائنات متعددة أو ضوضاء في الخلفية. ونظرًا إلى اعتماده على قواعد ثابتة، يفتقر تحديد العتبة إلى المرونة اللازمة لمعظم تطبيقات العالم الحقيقي.

لتجاوز هذه القيود، تستخدم العديد من الأنظمة المتقدمة حاليًا الرؤية الحاسوبية. وعلى خلاف تحديد العتبة، تُدرَّب نماذج الذكاء الاصطناعي للرؤية على اكتشاف الأنماط والسمات المعقدة، مما يجعلها أكثر دقة وقدرة على التكيف بكثير.

فعلى سبيل المثال، تستطيع نماذج 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 مشكلات المحاصيل في الزراعة.

وعلى وجه الخصوص، يدعم Ultralytics YOLO11 مجموعة من مهام الرؤية الحاسوبية، مثل تجزئة الكائنات، حيث تُجزّأ كل كائن في الصورة بصورة منفصلة. ويمكنه أيضًا تنفيذ مهام أخرى قائمة على الرؤية، بما في ذلك تقدير الوضعية (تحديد موضع الكائن أو وضعيته) وتتبع الكائنات (متابعة كائن أثناء تحركه عبر إطارات الفيديو).

الشكل 5. يسهّل YOLO11 اكتشاف الكائنات وتجزئتها. (المصدر)

في حين يعمل تحديد العتبة جيدًا في المهام البسيطة أو لاختبار الأفكار الأولية، فإن التطبيقات التي تحتاج إلى السرعة والدقة والمرونة تُعالَج عادةً على نحو أفضل باستخدام الرؤية الحاسوبية.

أهم النقاط المستخلصة#

يُعد تحديد العتبة أداةً مهمة في معالجة الصور لأنه سريع وسهل الاستخدام لفصل الكائنات عن الخلفية. ويعمل جيدًا مع المستندات الممسوحة ضوئيًا والصور الطبية وفحص عيوب المنتجات في المصانع.

لكن مع ازدياد تعقيد الصور ومقاطع الفيديو، قد تواجه أساليب معالجة الصور الأساسية مثل تحديد عتبة الصور صعوبة. وهنا يمكن لنماذج الرؤية الحاسوبية المتقدمة أن تتدخل. إذ تستطيع نماذج مثل Ultralytics YOLO11 فهم وتنفيذ مزيد من المهام، واكتشاف العديد من الكائنات في آن واحد، والعمل في الوقت الفعلي، مما يجعلها مفيدة للعديد من حالات الاستخدام.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تفقّد مجتمعنا ومستودع GitHub الخاص بنا. واستكشف صفحات حلولنا للتعرّف على الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الزراعة. واكتشف خيارات الترخيص لدينا وابدأ اليوم في البناء باستخدام الرؤية الحاسوبية!