Affine Transformation
يحوّل التحويل الأفيني إحداثيات الصورة عبر التدوير والتحجيم والقص والإزاحة، مما يدعم زيادة البيانات والمحاذاة والمعالجة المسبقة.
التحويل الأفيني هو تعيين للإحداثيات يجمع بين تحويل خطي وإزاحة. وفي الصور، يمكنه تدوير شبكة البكسلات أو تغيير حجمها أو عكسها أو قصّها أو إزاحتها مع الحفاظ على البنية الخطية. يُعد التحويل الأفيني والتطبيق الأفيني مصطلحين مترادفين. وفي الرؤية الحاسوبية، تدعم هذه التعيينات المحاذاة والمعالجة المسبقة للبيانات وزيادة البيانات.
استخدم ليونهارد أويلر مصطلح أفيني للمنحنيات ذات الصلة عام 1748، في الفصل الثامن عشر من Introductio in analysin infinitorum, volume 2.
ما الذي تحافظ عليه التحويلات الأفينية#
يحافظ التحويل الأفيني القابل للعكس على الخطوط المستقيمة والتوازي ونسب المسافات على امتداد خط. وتظل نقطة المنتصف نقطةً في المنتصف. وقد تتغير الأطوال والزوايا: إذ يمكن لـالقص والتحجيم غير المتساوي تحويل مستطيل إلى متوازي أضلاع أو دائرة إلى قطع ناقص.
تحافظ التحويلات الصلبة على المسافات والزوايا؛ وتسمح تحويلات التشابه أيضًا بالتحجيم المنتظم. أما التحويلات الأفينية فتسمح كذلك بالتحجيم غير المتساوي والقص. ويشمل التحويل الإسقاطي تأثيرات المنظور، مثل تقارب حافتي طريق متوازيتين نحو نقطة التلاشي. ويحافظ التعيين الأفيني على التوازي، ما يجعله ملائمًا لتغيرات الميل والتحجيم العامة.
آلية عمل المصفوفة الأفينية#
تتضمن المصفوفة الأفينية ثنائية الأبعاد ستة معاملات، وتُخزَّن عادةً في مصفوفة 2 x 3. تتحكم أربعة معاملات في الجزء الخطي، ويحدد اثنان الإزاحة الأفقية والعمودية. وتحدد ثلاثة أزواج من النقاط المصفوفة: يجب أن تكون نقاط المصدر الثلاث غير واقعة على استقامة واحدة، بحيث تشكّل مثلثًا. وفي OpenCV، تقدّر cv2.getAffineTransform المصفوفة من هذه المطابقات.
تؤدي إضافة إحداثي ثالث ثابت قيمته 1، يُسمى الإحداثي المتجانس، إلى تضمين الإزاحة في ضرب المصفوفات. وتكون المصفوفة الناتجة بحجم 3 x 3، ويكون صفها الأخير 0, 0, 1. ويمكن دمج تحويلات متعددة بضرب المصفوفات؛ إذ يختلف التدوير ثم الإزاحة عمومًا عن الإزاحة ثم التدوير.
يكون التحويل الأفيني خطيًا إذا وفقط إذا كانت إزاحته صفرًا. وفي الشبكة العصبية، تجمع الطبقة كاملة الاتصال بين الأوزان المتعلَّمة وانحياز الإزاحة. وتطبّق طبقة Linear في PyTorch تعيينًا أفينيًا افتراضيًا، يتبعه عادةً دالة تنشيط غير خطية.
الاستخدامات في الرؤية وتدريب النماذج#
- التصوير الطبي: تحاذي مطابقة الصور الأفينية المسوحات قبل المقارنة أو تصحيح التشوه. ويصحح مثال المطابقة الأفينية في SimpleElastix صورةً تعرضت للقص والتحجيم بمقدار 1.2 مرة والتدوير بزاوية 10 درجات والإزاحة على كلا المحورين.
- معالجة المستندات: يقلل تصحيح الميل من انحراف الأحرف قبل التعرّف الضوئي على الحروف. ويطبّق مصنّف الأرقام المكتوبة بخط اليد في OpenCV قصًا أفينيًا قبل استخراج السمات والتصنيف باستخدام آلة متجهات الدعم.
يدعم تدريب الكشف والتجزئة في Ultralytics YOLO26 زيادة البيانات الهندسية عبر degrees وtranslate وscale وshear، مع تحديث الصور والتعليقات التوضيحية معًا. ومع perspective=0.0، يكون التعيين أفينيًا؛ ويكون التدوير والقص معطلين افتراضيًا.
تطبيق تحويل أفيني في Python#
باستخدام pip install opencv-python numpy، يستعمل هذا المثال OpenCV لتدوير صورة وتصغيرها حول مركزها:
from urllib.request import urlopen
import cv2
import numpy as np
with urlopen("https://ultralytics.com/images/bus.jpg") as response:
encoded = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(encoded, cv2.IMREAD_COLOR)
height, width = image.shape[:2]
# يتطلب التدوير حول المركز أيضًا إجراء إزاحة.
center = (width / 2, height / 2)
matrix = cv2.getRotationMatrix2D(center, angle=20, scale=0.8)
warped = cv2.warpAffine(image, matrix, (width, height))
cv2.imwrite("affine_result.jpg", warped)تُظهر الصورة المحفوظة تدويرًا بزاوية 20 درجة وتحجيمًا إلى 80% من الأبعاد الأصلية داخل لوحة إخراج لم يتغير حجمها.
أخطاء إعادة أخذ العينات والتعليقات التوضيحية#
تُسقط عملية التحويل شبكة بكسلات متقطعة. وتمزج الاستيفاء الخطي الثنائي بين البكسلات المجاورة، بينما يختار استيفاء أقرب جار قيمة موجودة. ويكشف التدوير مناطق حدودية لا تحتوي على بكسلات مصدر، كما تقص اللوحة الثابتة المحتوى الواقع خارج حدودها. وتؤدي إعادة أخذ العينات الخطية الثنائية مرارًا إلى تنعيم التفاصيل الدقيقة، حتى عندما يكون تعيين الإحداثيات قابلاً للعكس.
في الرؤية الخاضعة للإشراف، تخضع الصور والتعليقات التوضيحية للتحويل نفسه. وتضع التسميات التي لم تتغير الأهداف في مواقع غير صحيحة. وتتطلب مربعات الإحاطة تحويل الزوايا الأربع جميعها قبل حساب مستطيل محيط بمحاذاة المحاور، وقد يتضمن هذا المستطيل خلفية إضافية بعد التدوير. وتتطلب النقاط المفتاحية الواقعة خارج مساحة الصورة تحديثات لحالة الظهور. وتستخدم أقنعة التجزئة الفئوية استيفاء أقرب جار للحفاظ على معرّفات الفئات المنفصلة.










