ما مطابقة القوالب؟ دليل موجز

غالبًا ما تحتوي الصور على تفاصيل دقيقة كثيرة يستطيع البشر ملاحظتها بسهولة. لكن هذه المهمة ليست بهذه السهولة بالنسبة إلى الآلات. فالآلات تدرك الصورة الرقمية على هيئة شبكة من قيم البكسل، وقد تربكها حتى التغييرات الطفيفة في الإضاءة أو الزاوية أو المقياس أو الوضوح.

تنبع قدرات الآلة على تحليل الصور عمومًا من مجالين مترابطين ارتباطًا وثيقًا في علوم الحاسوب: معالجة الصور والرؤية الحاسوبية. وعلى الرغم من عملهما معًا في كثير من الأحيان، فإن لكل منهما غرضًا أساسيًا مختلفًا.

تركّز معالجة الصور على الصور بوصفها بيانات خامًا. ويمكنها تحسين الصور، لكنها لا تحاول فهم محتواها. وهنا يأتي دور الرؤية الحاسوبية. فالرؤية الحاسوبية فرع من الذكاء الاصطناعي (AI) يتيح للآلات فهم الصور ومقاطع الفيديو.

تُستخدم معالجة الصور الأساسية منذ سنوات عديدة، لكن ابتكارات الرؤية الحاسوبية الحديثة أحدث عهدًا بكثير. ومن الطرق الجيدة لفهم تاريخ هذا المجال استعراض كيفية حل هذه المشكلات باستخدام الأساليب القديمة والتقليدية.

خذ مطابقة الصور مثالًا. فهي مهمة شائعة في الرؤية، يتعين فيها على النظام معرفة ما إذا كان جسم أو نمط محدد موجودًا داخل صورة أكبر.

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

الشكل 1. مثال على مطابقة القوالب (المصدر)

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

سنستكشف في هذا المقال ماهية مطابقة القوالب وكيف تجعلها التحسينات الحديثة أكثر موثوقية في ظروف العالم الحقيقي.

ما مطابقة القوالب؟#

يمكن أيضًا وصف مطابقة القوالب بأنها تقنية كلاسيكية في الرؤية الحاسوبية، أي إنها تعمل مباشرةً على وحدات بكسل الصورة (أصغر وحدة في الصورة الرقمية). وتُستخدم للعثور على نمط أصغر داخل صورة أكبر.

تُعرَّف أساليب كهذه بالاستناد إلى الهندسة والبصريات والقواعد الرياضية، لا إلى تدريب نماذج كبيرة على مجموعات بيانات ضخمة. بعبارة أخرى، يقارن نظام مطابقة القوالب السطوع واللون وغيرهما من معلومات البكسل 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 مناطق الصورة المختلفة. وتنجز خوارزمية مطابقة القوالب ذلك بتمرير القالب فوق الصورة الأكبر وحساب درجة تشابه عند كل موضع.

تُعد المناطق ذات الدرجات الأعلى أفضل تطابق، أي إنها تشبه القالب عن كثب. وبما أن هذه الطريقة تعتمد على المقارنة بكسلًا بكسلًا، فإنها تعمل على أفضل وجه في البيئات المضبوطة التي لا يتغير فيها مظهر الأجسام.

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

آلية عمل مطابقة القوالب#

فيما يلي نظرة عامة خطوة بخطوة على آلية عمل مطابقة القوالب:

• الخطوة 1 - إعداد الصور: تبدأ العملية بتحميل صورة الإدخال وصورة القالب، ثم تحويل كلتيهما إلى تدرج الرمادي. وبما أن مطابقة القوالب تعتمد على مقارنة قيم البكسل، فإن إزالة معلومات اللون تقلل الضجيج وتسرّع معالجة الصور.
• الخطوة 2 - تمرير القالب فوق الصورة: بعد ذلك، تمرر خوارزمية مطابقة القوالب القالب فوق 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 المصدر بحجم القالب.
• الخطوة 3 - قياس جودة التطابق: تُقارن كل رقعة صورة بالقالب باستخدام طريقة مطابقة رياضية لإنتاج مقياس ارتباط أو قيمة ارتباط لكل موضع محتمل. وتشمل الأساليب الشائعة الفروق التربيعية (التي تقيس المسافة العددية بين شدات البكسل لحساب مقدار عدم التطابق الكلي)، والارتباط المتقاطع المعياري (الذي يضرب قيم البكسل لتحديد مدى محاذاة أنماط الفاتح والداكن)، ومعامل الارتباط (الذي يطرح متوسط السطوع لضمان بقاء التطابق دقيقًا حتى عند حدوث تغير طفيف في الإضاءة).
• الخطوة 4 - تحديد أفضل تطابق: بعد تقييم جميع المواضع، تختار الخوارزمية أفضل تطابق بالعثور على القيمة العظمى أو الصغرى، وفقًا للطريقة المستخدمة. وغالبًا ما تُطبَّق عتبة على هذه النتائج لضمان قبول التطابقات التي تتجاوز درجة ثقة كافية فقط، واستبعاد 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، ليُظهر بوضوح موضع ظهور القالب.

تطبيق عملي على مطابقة القوالب#

على الرغم من أن مطابقة القوالب القائمة على معالجة الصور لا تُستخدم عمومًا في عمليات نشر حلول الرؤية الحاسوبية الديناميكية في العالم الحقيقي بسبب عيوبها، فإن مكتبات Python مثل OpenCV تجعل تجربة هذه الطريقة سهلة وتوفر دروسًا تعليمية واضحة. وتتضمن OpenCV دالة matchTemplate مدمجة تتولى المقارنات الرياضية المعقدة.

كما تدعم دوالًا أخرى تساعد في المهام البسيطة، مثل تحميل الصور باستخدام الدالة imread وتحويل الألوان باستخدام الدالة cvtColor لتحويل الصور إلى تدرج الرمادي. ويُعد تحويل الألوان خطوة أساسية، لأن اختزال الصورة إلى قناة شدة واحدة يجعل المقارنة الرياضية داخل matchTemplate أسرع بكثير وأقل تأثرًا بضجيج الألوان.

بعد إنشاء خريطة التشابه، تتضمن OpenCV أيضًا الدالة minMaxLoc لإتمام عملية الاكتشاف. ويمكن استخدامها لمسح الخريطة كاملةً وتحديد القيمتين الصغرى والعظمى العامتين، إلى جانب إحداثياتهما الدقيقة. وبحسب طريقة المطابقة المستخدمة، تتيح لك minMaxLoc تحديد موضع أفضل تطابق فورًا عبر العثور على أعلى ارتباط أو أدنى قيمة خطأ في البيانات.

إلى جانب OpenCV، تُعد مكتبات مثل NumPy ضرورية للتعامل مع مصفوفات الصور وتطبيق عتبة على النتائج، في حين تُستخدم Matplotlib عادةً لتصور خريطة التشابه والاكتشاف النهائي. وتوفر هذه الأدوات مجتمعةً بيئة متكاملة لبناء حلول مطابقة القوالب وتصحيح أخطائها.

تطبيقات مطابقة القوالب في العالم الواقعي#

بعد أن فهمنا آلية عمل مطابقة القوالب على نحو أفضل، دعونا نلقي نظرة عن كثب على تطبيقاتها في سيناريوهات العالم الواقعي.

التعرف على الأنماط المعمارية التقليدية#

في دراسات التراث الثقافي والعمارة، يتعين على الباحثين تحليل صور المباني التاريخية والمعابد والآثار لفهم اختلاف أنماط التصميم بين المناطق. وقبل انتشار نماذج الرؤية الحاسوبية المتقدمة، استخدم الباحثون تقنيات مطابقة الصور لدراسة هذه المنشآت.

تتيح مطابقة القوالب للباحثين التركيز على سمات معمارية محددة مثل حدود الأسطح وترتيبات النوافذ والزخارف الجدارية. ومن خلال تمرير القوالب أو الصور المرجعية فوق صور أكبر، يمكنهم تحديد الأشكال المتكررة والحد من التحليل اليدوي للصور، الذي قد يستغرق ساعات.

يأتي مثال مثير للاهتمام من دراسة تتعلق بـالمنازل التقليدية الإندونيسية. أنشأ الباحثون قوالب صغيرة لسمات مميزة وقارنوها بصور كاملة الحجم. واستخدموا هذا النهج لإبراز مناطق الصور التي تطابقت عن كثب مع القوالب وتصنيف الأنماط المعمارية بين المناطق.

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

اكتشاف الأجسام في أنظمة الرؤية الصناعية#

يمكن للبيئات الصناعية الاستفادة من أنظمة الرؤية القادرة على اكتشاف المكونات بسرعة والتحقق من التجميعات ورصد العيوب. وقبل انتشار التعلم العميق في التصنيع، جرّبت فرق كثيرة أساليب مطابقة الصور لأتمتة هذه المهام.

ببساطة، يمكن استخدام قالب مرجعي لمكوّن ما لمسح صور خط الإنتاج وإبراز المناطق المطابقة للقالب. وينجح ذلك عندما تظهر القطع في مواضع متسقة وتكون الإضاءة مستقرة.

مطابقة القوالب لاكتشاف أورام الرئة#

حتى مع أثر التكنولوجيا المتقدمة في الرعاية الصحية، يظل تشخيص المشكلات الصحية باستخدام التصوير الطبي مثل التصوير المقطعي المحوسب أمرًا صعبًا. وتقليديًا، كان على اختصاصيي الأشعة مراجعة كل مقطع من الفحص يدويًا، وهي عملية تتطلب دقة فائقة ووقتًا طويلًا.

قبل تطبيق التعلم العميق في الرعاية الصحية، حاول الباحثون استخدام مطابقة القوالب لتبسيط سير العمل والمساعدة في تحديد الشذوذ. ومن الأمثلة الجيدة على هذه التقنية اكتشاف أورام الرئة أو العُقيدات.

في هذه الطريقة، ينشئ الباحثون قوالب مرجعية تمثل الشكل والشدة المعتادين للورم. ثم يمرر النظام هذه القوالب فوق صور المرضى، ويقيس التشابه عند كل إحداثية.

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

إيجابيات مطابقة القوالب وسلبياتها#

فيما يلي بعض الفوائد الرئيسية لاستخدام مطابقة القوالب:

• بديهية وسهلة التطبيق: يسهل فهم مطابقة القوالب وتنفيذها، ما يجعلها نقطة انطلاق مثالية للمبتدئين في الذكاء الاصطناعي والرؤية الحاسوبية.
• موثوقة في الظروف المنضبطة: تحقق أداءً جيدًا مع الصور بتدرج الرمادي في ظل إضاءة ثابتة، وتنتج نتائج دقيقة عندما تكون الأنماط والخلفيات مستقرة.
• سهلة الدمج: باستخدام مكتبات Python مثل OpenCV، يمكن تطبيق مطابقة القوالب بسرعة في المشاريع الحقيقية دون إعداد معقد أو حسابات مكثفة.

رغم أن مطابقة القوالب تقدم فوائد عديدة، فإن لها أيضًا بعض القيود. إليك بعض التحديات التي ينبغي أخذها في الحسبان:

• حساسة لتغيّر المقياس والدوران: قد يؤدي اختلاف حجم القالب أو اتجاهه إلى انخفاض الدقة.
• الاعتماد على الإضاءة والتباين: قد تؤدي التغييرات في الإضاءة أو التباين بين القالب والصورة إلى تطابقات غير صحيحة أو تجعل اكتشاف القالب أصعب.
• محدودة القدرة على التكيف: على عكس الأساليب القائمة على الذكاء الاصطناعي، لا تستطيع مطابقة القوالب التعلم من البيانات أو التحسن بمرور الوقت. وتعمل على أفضل وجه في البيئات المنضبطة أو المتكررة.

أبرز النقاط#

الرؤية الحاسوبية مجال واسع يشمل تقنيات متنوعة. ويُعد تعلم تقنيات معالجة الصور التقليدية، مثل مطابقة القوالب، نقطة انطلاق ممتازة لفهم آلية تحليل الصور. وتستند نماذج الذكاء الاصطناعي للرؤية الحديثة إلى المفاهيم الأساسية نفسها، وتعالج مشكلات مشابهة.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ انضم إلى مجتمعنا واطّلع على مستودع GitHub. تعرّف على كيفية إحداث الذكاء الاصطناعي في قطاع التجزئة والذكاء الاصطناعي للرؤية في التصنيع للتغيير. استكشف خيارات الترخيص لبناء حلول باستخدام الذكاء الاصطناعي للرؤية اليوم!