ما مطابقة القوالب؟ دليل سريع

غالبًا ما تحتوي الصور على العديد من التفاصيل الدقيقة التي يستطيع البشر ملاحظتها بسهولة. لكن هذه المهمة ليست بهذه السهولة بالنسبة إلى الآلات. فالآلات تتعامل مع الصورة الرقمية على أنها شبكة من قيم البكسلات، وقد تكون حتى التغييرات الطفيفة في الإضاءة أو الزاوية أو المقياس أو الوضوح مربكة لها.

تنبع قدرات الآلة على تحليل الصور عمومًا من مجالين مترابطين ارتباطًا وثيقًا في علوم الحاسوب: معالجة الصور والرؤية الحاسوبية. وعلى الرغم من أنهما يعملان معًا غالبًا، فإن لكل منهما أغراضًا أساسية مختلفة.

تركّز معالجة الصور على الصور باعتبارها بيانات خامًا. ويمكنها تحسين الصور، لكنها لا تحاول فهم محتوياتها. وهنا تظهر أهمية الرؤية الحاسوبية. فالرؤية الحاسوبية فرع من الذكاء الاصطناعي (AI) يتيح للآلات فهم الصور ومقاطع الفيديو.

مضى على وجود معالجة الصور الأساسية سنوات عديدة، لكن ابتكارات الرؤية الحاسوبية المتطورة أحدث عهدًا بكثير. ومن الطرق الرائعة لفهم تاريخ هذا المجال أن ننظر إلى كيفية حل هذه المشكلات في السابق باستخدام أساليب أقدم وأكثر تقليدية.

لنأخذ مطابقة الصور مثالًا. إنها مهمة شائعة في الرؤية، يتعين فيها على النظام تحديد ما إذا كان كائن أو نمط معين موجودًا داخل صورة أكبر.

في الوقت الحاضر، يمكن تنفيذ ذلك بسهولة ودقة باستخدام الذكاء الاصطناعي والتعلم العميق. لكن قبل انتشار الشبكات العصبية الحديثة في العقد الثاني من القرن الحادي والعشرين، كانت الطريقة المعتمدة تقنية أبسط بكثير تُسمى مطابقة القوالب.

الشكل 1. مثال على مطابقة القوالب (المصدر)

مطابقة القوالب هي تقنية لمعالجة الصور تُمرَّر فيها صورة قالب صغيرة عبر صورة أكبر بكسلًا تلو الآخر. وتتيح هذه العملية الانزلاقية الشبيهة بالالتفاف للخوارزمية العثور على الموضع الأكثر تطابقًا مع ذلك النمط المحدد.

في هذه المقالة، سنستكشف ماهية مطابقة القوالب وكيف تجعل التحسينات الحديثة هذه العملية أكثر موثوقية في الحالات الواقعية. لنبدأ!

ما هي مطابقة القوالب؟#

يمكن أيضًا الإشارة إلى مطابقة القوالب باعتبارها تقنية تقليدية في الرؤية الحاسوبية، أي إنها تعمل مباشرةً مع بكسلات الصورة (أصغر وحدة في الصورة الرقمية). وتُستخدم للعثور على نمط أصغر داخل صورة أكبر.

تُعرَّف أساليب مثل هذه باستخدام الهندسة والبصريات والقواعد الرياضية، بدلًا من تدريب نماذج كبيرة على مجموعات بيانات ضخمة. وبعبارة أخرى، يقارن نظام مطابقة القوالب السطوع واللون وغيرهما من معلومات البكسلات عبر مدخلين: صورة الإدخال (الصورة الأكبر) وصورة قالب أصغر (النمط المطلوب العثور عليه).

الشكل 2. الصورتان A وB مثالان على القوالب. (المصدر)

الهدف الرئيسي من مطابقة القوالب هو تحديد موضع ظهور القالب في المشهد الأكبر وقياس مدى تطابقه مع المناطق المختلفة في الصورة. وتنفذ خوارزمية مطابقة القوالب ذلك عبر تمرير القالب فوق الصورة الأكبر وحساب درجة تشابه عند كل موضع.

تُعد المناطق ذات الدرجات الأعلى أفضل تطابق، ما يعني أنها تشبه القالب بدرجة كبيرة. وبما أن هذه الطريقة تعتمد على المقارنات بكسلًا تلو الآخر، فإنها تعمل بأفضل شكل في البيئات الخاضعة للتحكم، حيث لا يتغير مظهر الكائنات.

على سبيل المثال، يمكن استخدام مطابقة القوالب في مهام التحقق من الملصقات ضمن مراقبة الجودة. إذ يمكنها مطابقة صورة قالب الملصقات بسهولة مع صور المنتج النهائي للتحقق من وجود الملصقات من عدمه.

كيفية عمل مطابقة القوالب#

إليك نظرة عامة خطوة بخطوة على كيفية عمل مطابقة القوالب:

• الخطوة 1 - تجهيز الصور: تبدأ العملية بتحميل صورة الإدخال وصورة القالب، ثم تحويل كلتيهما إلى صورة بتدرج رمادي. وبما أن مطابقة القوالب تعتمد على مقارنة قيم البكسلات، فإن إزالة معلومات الألوان تقلل الضوضاء وتسرّع معالجة الصور.

• الخطوة 2 - تمرير القالب عبر الصورة: بعد ذلك، تمرر خوارزمية مطابقة القوالب القالب عبر الصورة الأكبر بكسلًا واحدًا في كل مرة (بدءًا من الزاوية العلوية اليسرى). وتمثل كل خطوة في هذه الحركة تكرارًا تستخرج فيه الخوارزمية رقعة صورة من الصورة المصدرية تطابق حجم القالب.

• الخطوة 3 - قياس جودة التطابق: تُقارن كل رقعة صورة بالقالب باستخدام طريقة رياضية للمطابقة لتوليد مقياس ارتباط أو قيمة ارتباط لكل موضع ممكن. وتشمل الأساليب الشائعة الفروق التربيعية (التي تقيس المسافة العددية بين شدة البكسلات لحساب إجمالي عدم التطابق)، والارتباط المتبادل المطبّع (الذي يضرب قيم البكسلات لتحديد مدى توافق أنماط الضوء والظلام)، ومعامل الارتباط (الذي يطرح متوسط السطوع لضمان بقاء التطابق دقيقًا حتى إذا تغيرت الإضاءة قليلًا).

• الخطوة 4 - تحديد أفضل تطابق: بعد تقييم جميع المواضع، تختار الخوارزمية أفضل تطابق من خلال العثور على القيمة العظمى أو القيمة الصغرى، حسب الطريقة المستخدمة. وغالبًا ما تُطبَّق عتبة على هذه النتائج لضمان قبول التطابقات التي تحقق درجة ثقة مرتفعة بما يكفي فقط، مع تصفية الاكتشافات الضعيفة أو غير الصحيحة.

• الخطوة 5 - إبراز النتيجة: أخيرًا، يُعاد إسقاط الموضع المكتشف على الصورة الأصلية. وعادةً ما يُرسم مربع إحاطة حول المنطقة المطابقة، موضحًا بجلاء موضع ظهور القالب.

التطبيق العملي لمطابقة القوالب#

على الرغم من أن مطابقة القوالب المعتمدة على معالجة الصور لا تُستخدم عمومًا في عمليات نشر حلول الرؤية الحاسوبية الديناميكية في العالم الواقعي بسبب عيوبها، فإذا كنت مهتمًا بتجربتها، فإن مكتبات Python مثل OpenCV تجعل هذه العملية مباشرة، كما توفر دروسًا تعليمية سهلة المتابعة. وتتميز بدالة matchTemplate مدمجة تتولى المقارنات الرياضية المعقدة.

كما أنها تدعم دوال أخرى تساعد في مهام بسيطة، مثل تحميل الصور باستخدام الدالة imread وتحويل الألوان باستخدام الدالة cvtColor لتحويل الصور إلى تدرج رمادي. ويُعد تحويل الألوان خطوة مهمة، لأن اختزال الصورة إلى قناة شدة واحدة يجعل المقارنة الرياضية داخل matchTemplate أسرع بكثير وأقل حساسية لضوضاء الألوان.

بعد إنشاء خريطة التشابه، تتضمن OpenCV أيضًا دالة minMaxLoc لإتمام عملية الكشف. ويمكن استخدامها لمسح الخريطة بأكملها وتحديد القيم الدنيا والعليا العامة، إلى جانب إحداثياتها الدقيقة. وبحسب طريقة المطابقة المستخدمة، تتيح لك minMaxLoc تحديد موضع أفضل تطابق فورًا من خلال العثور على أعلى ارتباط أو أدنى قيمة خطأ في البيانات.

إضافةً إلى OpenCV، تُعد مكتبات مثل NumPy ضرورية لمعالجة مصفوفات الصور وتطبيق عتبة على النتائج، بينما تُستخدم Matplotlib عادةً لتصور خريطة التشابه والكشف النهائي. وتوفر هذه الأدوات مجتمعةً بيئة متكاملة لبناء حل لمطابقة القوالب وتصحيح أخطائه.

التطبيقات الواقعية لمطابقة القوالب#

بعد أن أصبح لدينا فهم أفضل لكيفية عمل مطابقة القوالب، فلنلقِ نظرةً أقرب على تطبيقها في سيناريوهات العالم الواقعي.

تحديد الأنماط المعمارية التقليدية#

في دراسات التراث الثقافي والهندسة المعمارية، يتعين على الباحثين تحليل صور المباني والمعابد والآثار التاريخية لفهم اختلاف أنماط التصميم بين المناطق. وقبل اعتماد نماذج الرؤية الحاسوبية المتقدمة على نطاق واسع، استخدموا تقنيات مطابقة الصور لدراسة هذه الهياكل.

تتيح مطابقة القوالب للباحثين التركيز على سمات معمارية محددة، مثل حدود الأسقف أو ترتيبات النوافذ أو زخارف الجدران. ومن خلال تمرير القوالب أو الصور المرجعية عبر صور أكبر، يمكنهم تحديد الأشكال المتكررة وتقليل التحليل اليدوي للصور، الذي قد يستغرق ساعات.

يأتي مثال مثير للاهتمام من دراسة مرتبطة بـالمنازل الإندونيسية التقليدية. أنشأ الباحثون قوالب صغيرة لسمات مميزة وقارنوها بصور كاملة الحجم. واستخدم هذا النهج لإبراز مناطق الصور التي تطابق القالب بدرجة كبيرة وتصنيف الأنماط المعمارية بين المناطق.

الشكل 3. استخدام مطابقة القوالب لتصنيف المنازل التقليدية في إندونيسيا (المصدر)

كشف الكائنات في أنظمة الرؤية الصناعية#

يمكن للبيئات الصناعية الاستفادة من أنظمة رؤية قادرة على كشف المكونات بسرعة، والتحقق من التجميعات، أو اكتشاف العيوب. وقبل انتشار التعلم العميق في التصنيع، جربت فرق كثيرة أساليب مطابقة الصور لأتمتة هذه المهام.

ببساطة، يمكن استخدام قالب مرجعي لمكوّن لمسح الصور الواردة من خط الإنتاج وإبراز المناطق المطابقة للقالب. وينجح ذلك عندما تظهر الأجزاء في مواضع متسقة وتكون الإضاءة مستقرة.

مطابقة القوالب لكشف أورام الرئة#

حتى مع تأثير التكنولوجيا المتطورة في الرعاية الصحية، يظل تشخيص المشكلات الصحية من التصوير الطبي، مثل فحوصات CT، أمرًا صعبًا. وتقليديًا، كان يتعين على أطباء الأشعة مراجعة كل شريحة من شرائح الفحص يدويًا، وهي عملية تتطلب دقة بالغة ووقتًا كبيرًا.

وقبل تطبيق التعلم العميق في الرعاية الصحية، حاول الباحثون استخدام مطابقة القوالب لتبسيط سير العمل والمساعدة في تحديد التشوهات. ومن الأمثلة الجيدة على هذه التقنية كشف أورام الرئة أو العقيدات الرئوية.

في هذه الطريقة، ينشئ الباحثون قوالب مرجعية تمثل الشكل والشدة المعتادين للورم. ثم يمرر النظام هذه القوالب عبر فحوصات المرضى، ويقيس التشابه عند كل إحداثي.

الشكل 4. كشف أورام الرئة باستخدام مطابقة القوالب (المصدر)

إيجابيات وسلبيات مطابقة القوالب#

فيما يلي بعض الفوائد الرئيسية لاستخدام مطابقة القوالب:

• بديهية ومباشرة: مطابقة القوالب سهلة الفهم والتنفيذ، ما يجعلها نقطة بداية مثالية للمبتدئين في الذكاء الاصطناعي والرؤية الحاسوبية.
• موثوقة في الظروف الخاضعة للتحكم: تؤدي أداءً جيدًا على الصور ذات التدرج الرمادي في ظل إضاءة متسقة، وتوفر نتائج دقيقة عندما تكون الأنماط والخلفيات مستقرة.
• سهلة الدمج: باستخدام مكتبات Python مثل OpenCV، يمكن تطبيق مطابقة القوالب بسرعة على المشروعات الحقيقية دون إعداد معقد أو حسابات كثيفة.

رغم أن مطابقة القوالب توفر فوائد عديدة، فإن لها أيضًا بعض القيود. إليك بعض التحديات التي ينبغي وضعها في الاعتبار:

• حساسة للمقياس والدوران: يمكن أن يؤدي اختلاف حجم القالب أو اتجاهه إلى تقليل الدقة.
• الاعتماد على الإضاءة والتباين: يمكن أن تؤدي التغييرات في الإضاءة أو التباين بين القالب والصورة إلى تطابقات غير صحيحة أو تجعل اكتشاف القالب أكثر صعوبة.
• قدرة محدودة على التكيف: على خلاف الأساليب القائمة على الذكاء الاصطناعي، لا تستطيع مطابقة القوالب التعلم من البيانات أو التحسن بمرور الوقت. وهي تعمل بأفضل شكل في البيئات الخاضعة للتحكم أو المتكررة.

أهم النقاط المستخلصة#

الرؤية الحاسوبية مجال واسع يغطي تقنيات متنوعة. ويُعد التعرف على تقنيات معالجة الصور التقليدية، مثل مطابقة القوالب، نقطة بداية رائعة لفهم كيفية عمل تحليل الصور. وتبني ابتكارات الذكاء الاصطناعي المتطورة في مجال الرؤية على المفاهيم الأساسية نفسها وتحل مشكلات مشابهة.

هل ترغب في استكشاف المزيد حول الذكاء الاصطناعي؟ انضم إلى مجتمعنا وتفقّد مستودع GitHub الخاص بنا. وتعرّف على كيفية إسهام الذكاء الاصطناعي في قطاع التجزئة وذكاء الرؤية الاصطناعي في التصنيع في إحداث التغيير. واستكشف خيارات الترخيص لدينا للبناء باستخدام ذكاء الرؤية الاصطناعي اليوم!