ما هي مطابقة القوالب؟ دليل سريع

غالبًا ما تحتوي الصور على تفاصيل دقيقة يمكن للبشر رصدها بسهولة. ومع ذلك، بالنسبة للآلات، ليست هذه المهمة مباشرة بهذا القدر. تدرك الآلات الصورة الرقمية كشبكة من قيم البكسل، وحتى التغييرات الطفيفة في الإضاءة أو الزاوية أو المقياس أو الحدة يمكن أن تكون مربكة لها.

تنبع إامكانيات تحليل الصور لدى الآلات عموماً من مجالين وثيقي الصلة في علوم الحاسوب: معالجة الصور وcomputer vision. وبينما يعمل المجلان غالباً معاً، إلا أن لكل منهما أغراضاً أساسية مختلفة.

تركز Image processing على الصور كبيانات خام. ويمكنها تحسين الصور، لكنها لا تحاول فهم محتوياتها. وهنا يأتي دور computer vision لإحداث الفارق. إن computer vision هو فرع من فروع artificial intelligence (AI) يتيح للآلات فهم الصور ومقاطع الفيديو.

توجد معالجة الصور الأساسية منذ سنوات عديدة، لكن ابتكارات الرؤية الحاسوبية المتطورة حديثة جدًا. هناك طريقة رائعة لفهم تاريخ هذا المجال وهي النظر إلى الوراء في كيفية اعتدنا على حل هذه المشكلات باستخدام طرق تقليدية أقدم.

خذ image matching على سبيل المثال. إنها مهمة رؤية شائعة حيث يتعين على النظام معرفة ما إذا كان كائن أو نمط معين موجوداً داخل صورة أكبر.

في الوقت الحاضر، يمكن القيام بذلك بسهولة ودقة باستخدام الذكاء الاصطناعي والتعلم العميق. ومع ذلك، قبل صعود الشبكات العصبية الحديثة في العقد الثاني من القرن الحادي والعشرين، كانت الطريقة المعتمدة تقنية أبسط بكثير تسمى مطابقة القالب.

الشكل 1. مثال على مطابقة القوالب (Source)

مطابقة القالب هي تقنية معالجة صور حيث يتم تمرير صورة قالب صغيرة عبر صورة أكبر بكسلًا تلو الآخر. تسمح عملية التمرير التي تشبه الالتفاف (convolution) للخوارزمية بالعثور على الموقع الذي يطابق ذلك النمط المحدد بشكل وثيق.

في هذه المقالة، سنستكشف ماهية مطابقة القالب وكيف تجعلها التحسينات الحديثة أكثر موثوقية في مواقف العالم الحقيقي. لنبدأ!

ما هي مطابقة القالب؟#

يمكن أيضًا الإشارة إلى مطابقة القالب كتقنية رؤية حاسوبية كلاسيكية، مما يعني أنها تعمل مباشرة مع بكسلات الصورة (أصغر وحدة في الصورة الرقمية). تُستخدم للعثور على نمط أصغر داخل صورة أكبر.

يتم تحديد طرق كهذه باستخدام الهندسة والبصريات والقواعد الرياضية بدلاً من تدريب نماذج كبيرة على مجموعات بيانات ضخمة. بعبارة أخرى، يقارن نظام مطابقة القالب السطوع واللون ومعلومات البكسل الأخرى عبر مدخلين: صورة الإدخال (الصورة الأكبر) وصورة قالب أصغر (النمط المراد العثور عليه).

الشكل 2. الصورة أ والصورة ب هما مثالان على القوالب. (Source)

الهدف الرئيسي من مطابقة القالب هو تحديد مكان ظهور القالب في المشهد الأكبر وقياس مدى تطابقه مع مناطق مختلفة من الصورة. تقوم خوارزمية مطابقة القالب بذلك عن طريق تمرير القالب عبر الصورة الأكبر وحساب درجة التشابه في كل موضع.

تعتبر المناطق ذات الدرجات الأعلى هي التطابق الأفضل، مما يعني أنها تشبه القالب بشكل وثيق. نظرًا لأن هذه الطريقة تعتمد على المقارنات بكسلًا بكسل، فهي تعمل بشكل أفضل في البيئات الخاضعة للرقابة، حيث لا يتغير مظهر الكائنات.

على سبيل المثال، يمكن استخدام مطابقة القالب في مهام التحقق من الملصقات في مراقبة الجودة. يمكنها بسهولة مطابقة صورة القالب للملصقات مع صور المنتج النهائي للتحقق مما إذا كانت الملصقات موجودة أم لا.

كيف تعمل مطابقة القالب#

إليك نظرة عامة خطوة بخطوة حول كيفية عمل مطابقة القالب:

• الخطوة 1 - تحضير الصور: تبدأ العملية بتحميل صورة الإدخال وصورة القالب، ثم تحويل كلتيهما إلى صورة بتدرج رمادي. نظرًا لأن مطابقة القالب تعتمد على مقارنة قيم البكسل، فإن إزالة معلومات اللون تقلل من الضوضاء وتسرع معالجة الصور.

• الخطوة 2 - تمرير القالب عبر الصورة: بعد ذلك، تقوم خوارزمية مطابقة القالب بتمرير القالب عبر الصورة الأكبر بكسلًا واحدًا في كل مرة (بدءًا من الزاوية العلوية اليسرى). كل خطوة في هذه الحركة هي تكرار، حيث تستخرج الخوارزمية رقعة صورة (image patch) من الصورة المصدر تطابق حجم القالب.

• الخطوة 3 - قياس مدى جودة التطابق: تتم مقارنة كل رقعة صورة مع القالب باستخدام طريقة مطابقة رياضية لتوليد مقياس ارتباط أو قيمة ارتباط لكل موضع ممكن. تشمل الأساليب الشائعة الفروق المربعة (التي تقيس المسافة الرقمية بين كثافة البكسلات لحساب إجمالي عدم التطابق)، والارتباط المتبادل الموحد (الذي يضرب قيم البكسل لتحديد مدى توافق أنماط الضوء والظلام)، ومعامل الارتباط (الذي يطرح متوسط السطوع لضمان بقاء التطابق دقيقًا حتى لو تغيرت الإضاءة قليلًا).

• الخطوة 4 - تحديد أفضل تطابق: بعد تقييم جميع المواضع، تختار الخوارزمية أفضل تطابق من خلال العثور على القيمة القصوى أو القيمة الدنيا، اعتمادًا على الطريقة المستخدمة. غالبًا ما يتم تطبيق عتبة (threshold) على هذه النتائج لضمان قبول التطابقات ذات درجة الثقة العالية بما يكفي فقط، مما يؤدي إلى تصفية الاكتشافات الضعيفة أو غير الصحيحة.

• الخطوة 5 - إبراز النتيجة: أخيرًا، يتم تعيين الموقع المكتشف مرة أخرى على الصورة الأصلية. عادةً ما يتم رسم مربع محيط (bounding box) حول المنطقة المتطابقة، مما يوضح بوضوح مكان ظهور القالب.

التطبيق العملي لمطابقة القالب#

في حين أن مطابقة القوالب القائمة على معالجة الصور لا تُستخدم عموماً في نشر حلول computer vision الديناميكية في العالم الحقيقي بسبب عيوبها، إلا أنه إذا كنت مهتماً بتجربتها، فإن مكتبات Python مثل OpenCV تجعل هذه العملية بسيطة وتقدم أيضاً دروساً تعليمية سهلة المتابعة. وهي تتميز بوظيفة matchTemplate مدمجة تتعامل مع المقارنات الرياضية المعقدة.

أيضًا، فهي تدعم وظائف أخرى تساعد في مهام بسيطة مثل تحميل الصور باستخدام دالة imread وتحويل اللون باستخدام دالة cvtColor لتحويل الصور إلى تدرج رمادي. يعد تحويل اللون خطوة بالغة الأهمية لأن تقليل الصورة إلى قناة كثافة واحدة يجعل المقارنة الرياضية داخل matchTemplate أسرع بكثير وأقل حساسية لضوضاء الألوان.

بمجرد إنشاء خريطة التشابه، يتضمن OpenCV أيضًا دالة minMaxLoc لإنهاء عملية الاكتشاف. يمكن استخدامها لمسح الخريطة بالكامل لتحديد القيم الدنيا والقصوى العالمية جنبًا إلى جنب مع إحداثياتها الدقيقة. اعتمادًا على طريقة المطابقة المستخدمة، تتيح لك minMaxLoc تحديد موقع أفضل تطابق على الفور من خلال العثور على أعلى ارتباط أو أقل قيمة خطأ في البيانات.

بالإضافة إلى OpenCV، تعد مكتبات مثل NumPy ضرورية للتعامل مع مصفوفات الصور وتطبيق عتبة على النتائج، بينما يُستخدم Matplotlib بشكل شائع لتصور خريطة التشابه والاكتشاف النهائي. معًا، توفر هذه الأدوات بيئة كاملة لبناء وتصحيح حل مطابقة القالب.

تطبيقات العالم الحقيقي لمطابقة القالب#

الآن وبعد أن أصبح لدينا فهم أفضل لكيفية عمل مطابقة القالب، دعونا نلقي نظرة فاحصة على تطبيقها في سيناريوهات العالم الحقيقي.

تحديد الأنماط المعمارية التقليدية#

في دراسات cultural heritage والعمارة، يتعين على الباحثين تحليل صور المباني التاريخية والمعابد والآثار لفهم كيف تختلف أنماط التصميم عبر المناطق. قبل أن تصبح نماذج computer vision المتقدمة مقبولة على نطاق واسع، استخدموا تقنيات مطابقة الصور لدراسة مثل هذه الهياكل.

تسمح مطابقة القالب للباحثين بالتركيز على إشارات معمارية محددة مثل مخططات الأسطح، وترتيبات النوافذ، أو زخارف الجدران. من خلال تمرير القوالب أو الصور المرجعية عبر صور أكبر، يمكنهم تحديد الأشكال المتكررة وتقليل تحليل الصور اليدوي، الذي قد يستغرق ساعات.

مثال ممتع يأتي من دراسة تتعلق بـ Indonesian traditional houses. أنشأ الباحثون قوالب صغيرة للميزات المميزة وقارنوها بصور فوتوغرافية كاملة الحجم. استُخدم هذا النهج لتحديد مناطق الصور التي تطابق القالب عن قُرب وتصنيف الأنماط المعمارية عبر المناطق.

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

اكتشاف الكائنات في أنظمة الرؤية الصناعية#

يمكن أن تستفيد البيئات الصناعية من أنظمة الرؤية التي يمكنها اكتشاف المكونات بسرعة، أو التحقق من التجميعات، أو رصد العيوب. قبل أن ينتشر التعلم العميق في مجال manufacturing، جربت العديد من الفرق طرق مطابقة الصور لأتمتة هذه المهام.

ببساطة، يمكن استخدام قالب مرجعي للمكون لمسح الصور من خط الإنتاج وإبراز المناطق التي تطابق القالب. يعمل هذا بشكل جيد عندما تظهر الأجزاء في مواضع ثابتة، وتكون الإضاءة مستقرة.

مطابقة القالب لاكتشاف أورام الرئة#

حتى مع تأثير التقنيات المتطورة في الرعاية الصحية، لا يزال تشخيص المشكلات الصحية من medical imaging مثل التصوير المقطعي المحوسب أمراً صعباً. تقليدياً، كان على أطباء الأشعة مراجعة كل شريحة فحص يدويًا، وهي عملية تتطلب دقة متناهية وقتاً طويلاً.

قبل تطبيق التعلم العميق في الرعاية الصحية، حاول الباحثون استخدام مطابقة القالب لتبسيط سير العمل والمساعدة في تحديد التشوهات. مثال جيد على هذه التقنية يتعلق باكتشاف أورام الرئة أو العقيدات.

في هذه الطريقة، ينشئ الباحثون قوالب مرجعية تمثل الشكل النموذجي وكثافة الورم. ثم يقوم النظام بتمرير هذه القوالب عبر فحوصات المريض، وقياس التشابه عند كل إحداثي.

الشكل 4. اكتشاف ورم الرئة باستخدام مطابقة القوالب (Source)

إيجابيات وسلبيات مطابقة القالب#

فيما يلي بعض الفوائد الرئيسية لاستخدام مطابقة القالب:

• بديهية ومباشرة: مطابقة القالب سهلة الفهم والتنفيذ، مما يجعلها نقطة انطلاق مثالية للمبتدئين في الذكاء الاصطناعي والرؤية الحاسوبية.
• موثوقة في ظل ظروف خاضعة للرقابة: تعمل بشكل جيد على الصور ذات التدرج الرمادي تحت إضاءة ثابتة، مما يعطي نتائج دقيقة عندما تكون الأنماط والخلفيات مستقرة.
• سهولة التكامل: باستخدام مكتبات Python مثل OpenCV، يمكن تطبيق مطابقة القالب بسرعة على مشاريع حقيقية دون إعداد معقد أو حسابات ثقيلة.

في حين أن مطابقة القالب توفر العديد من الفوائد، إلا أن لها قيودًا أيضًا. إليك بعض التحديات التي يجب وضعها في الاعتبار:

• حساسة للمقياس والدوران: التباين في حجم القالب أو اتجاهه يمكن أن يقلل من الدقة.
• الاعتماد على الإضاءة والتباين: التغيرات في الإضاءة أو التباين بين القالب والصورة يمكن أن تسبب تطابقات غير صحيحة أو تجعل من الصعب اكتشاف القالب.
• قدرة محدودة على التكيف: على عكس الطرق القائمة على الذكاء الاصطناعي، لا يمكن لمطابقة القالب التعلم من البيانات أو التحسن بمرور الوقت. إنها تعمل بشكل أفضل في الإعدادات الخاضعة للرقابة أو المتكررة.

أبرز النقاط#

الرؤية الحاسوبية مجال واسع ويغطي تقنيات مختلفة. تعلم تقنيات معالجة الصور التقليدية، مثل مطابقة القالب، هو نقطة انطلاق رائعة لفهم كيفية عمل تحليل الصور. تعتمد ابتكارات الرؤية بالذكاء الاصطناعي المتطورة على نفس المفاهيم الأساسية وتحل مشكلات مماثلة.

هل تريد استكشاف المزيد عن الذكاء الاصطناعي؟ انضم إلى community وتحقق من GitHub repository. تعرف على كيفية قيادة AI in retail وvision AI in manufacturing للتغيير. استكشف licensing options لبناء مشاريعك باستخدام vision AI اليوم!