ما هي العتبة في معالجة الصور؟

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

كبشر، نرى الصور كلوحات متماسكة وذات مغزى، بينما تراها الحواسيب كشبكات من وحدات البكسل الدقيقة، وهي أصغر المكونات في الصورة الرقمية. وفي عملية تُعرف باسم 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 (Thresholding) غالباً في تجزيء 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، وكيفية عملها، وحيثيات تطبيقها في سيناريوهات العالم الحقيقي. لنبدأ!

المصطلحات 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.

عتبة 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)

المدرج 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.

المقدمة 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.

التجزئة#

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 يمكن الآلات من معالجة البيانات المرئية وتفسيرها، تماماً كما يفعل البشر. من خلال استخدام العتبة في وقت مبكر من العملية، يمكن أنظمة الرؤية الحاسوبية فصل الكائنات عن خلفيتها، مما يسهل على الخطوات اللاحقة، مثل الكشف أو التعرّف، العمل بدقة.

العتبة 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 أوتسو. (المصدر)

العتبة 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.

وهو يعمل عن طريق تقسيم الصورة إلى مناطق صغيرة وحساب عتبة محلية لكل كتلة، مما يساعد في الحفاظ على التباين بين العنصر الأمامي والخلفية. يُستخدم هذا النهج على نطاق واسع في مهام مثل التعرف على النصوص، والتصوير الطبي، وفحص الأسطح، حيث تتباين 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.

تطبيقات العالم الحقيقي للعتبة في معالجة الصور#

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

عتبة الصور لتحويل المستندات إلى صيغة ثنائية والتعرف الضوئي على الحروف (OCR)#

غالباً ما يتم مسح الكتب القديمة والرسائل المكتوبة بخط اليد ضوئياً للحفاظ عليها أو تحويلها إلى نص رقمي باستخدام التعرف الضوئي على الحروف OCR، وهي تقنية تقرأ الأحرف المطبوعة أو المكتوبة بخط اليد. قبل أن يتم 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 أمراً 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 المجدولة بالعتبة. (المصدر)

استخدام 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)

إيجابيات 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.
• سهولة التفسير: يجعل منطقها البسيط مخرجات العتبة سهلة الفهم وتصحيح الأخطاء، 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.

ما 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 رؤية الحاسوب على اكتشاف الأنماط والسمات المعقدة، مما يجعلها أكثر دقة وقابلية للتكيف بكثير.

على سبيل المثال، يمكن لننماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 اكتشاف الكائنات وتجزئة الصور في الوقت الفعلي. هذا يجعلها مثالية لمهام مثل رصد إشارات المرور في المركبات المستقلة أو تحديد مشكلات المحاصيل في الزراعة.

على وجه الخصوص، يدعم Ultralytics YOLO11 مجموعة من computer vision tasks، مثل تجزئة المثيلات، حيث يتم تجزئة كل كائن في الصورة بشكل منفصل. يمكنه أيضاً أداء مهام أخرى تعتمد على الرؤية، بما في ذلك تقدير الوضعية (تحديد موضع أو وضعية الكائن) وتتبع الكائنات (متابعة الكائن أثناء تحركه عبر إطارات الفيديو).

الشكل 5. يجعل YOLO11 اكتشاف الكائنات وتجزئتها 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.

أبرز 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، كلما زادت تعقيدات الصور والفيديوهات، قد تواجه طرق معالجة الصور الأساسية مثل عتبة الصور صعوبة في ذلك. وهنا يأتي دور نماذج الرؤية الحاسوبية المتقدمة. يمكن لنماذج مثل Ultralytics YOLO11 فهم المزيد من المهام وأدائها، ورصد العديد من الكائنات دفعة واحدة، والعمل في الوقت الفعلي، مما يجعلها مفيدة للعديد من حالات الاستخدام.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تحقق من مجتمعنا ومستودع GitHub. استكشف صفحات الحلول الخاصة بنا للتعرف على الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الزراعة. اكتشف خيارات ترخيصنا وابدأ في البناء باستخدام الرؤية الحاسوبية اليوم!