Gaussian Blur

التمويه الغاوسي تقنية لتنعيم الصور تستبدل كل بكسل بمتوسط مرجّح للبكسلات القريبة، مع إعطاء الجيران الأقرب تأثيرًا أكبر. تتبع الأوزان توزيعًا غاوسيًا على شكل جرس، ما ينتج تمويهًا ناعمًا يقلل الضوضاء والتفاصيل الدقيقة. ويُعرف أيضًا بالتنعيم الغاوسي، ويُستخدم على نطاق واسع في الرؤية الحاسوبية والمعالجة المسبقة للبيانات لإعداد الصور للتحليل.

آلية عمل التمويه الغاوسي#

يحرّك المرشح شبكة صغيرة من الأوزان، تُسمى نواة، عبر الصورة. وفي كل موضع، يضرب قيم البكسلات المجاورة في أوزانها ثم يجمع النتائج. تُسمى هذه العملية الالتفاف. ومجموع الأوزان يساوي واحدًا، لذا يبقى البكسل دون تغيير عندما تكون درجة سطوع جميع القيم التي تأخذها عينات النواة متساوية. يعمل التمويه الغاوسي كمرشح تمرير منخفض؛ إذ يثبط التغيرات السريعة من بكسل إلى آخر، بما فيها الضوضاء والأنسجة والحدود الحادة.

يحدد إعدادان النتيجة. يتحكم سيغما، وهو الانحراف المعياري للتوزيع الغاوسي، في مدى انتشار الأوزان؛ فزيادة سيغما تؤدي إلى تنعيم أقوى. ويحدد حجم النواة مساحة الصورة المحيطة التي تُضمَّن في الحساب. تستوعب النواة الأكبر توزيعًا غاوسيًا أوسع، بينما تقطع النواة الأصغر من اللازم أطرافه. يصف نصف قطر النواة المسافة من المركز إلى حافة النواة؛ فنصف قطر يبلغ ثلاثة بكسلات يعطي نواة بعرض سبعة بكسلات.

عند حدود الصورة، يقع جزء من النواة خارج نطاق البكسلات المتاحة. يؤدي عكس الصورة إلى تمديد المحتوى المجاور؛ أما ملء المنطقة المفقودة بأصفار فيُدخل قيماً داكنة قد تجعل الحدود أكثر قتامة. لذلك، تؤثر معالجة الحدود في الناتج المُرشَّح بالقرب من حواف الصورة.

تطبيقات في الرؤية الحاسوبية والتعلم الآلي#

يساعد التنعيم الغاوسي في استخراج السمات عبر التحكم في المقياس المكاني الذي تُحلَّل عنده بنية الصورة. ويعود استخدامه متعدد المقاييس إلى أبحاث فضاء المقياس الغاوسي لتايزو إيجيما بين عامي 1959 و1962، التي أرست أسس تمثيل الصور بمستويات مختلفة من التمويه.

في تطبيق scikit-image الخاص بـاكتشاف الحواف بطريقة Canny، يقلل التنعيم الغاوسي الضوضاء قبل تقدير التدرج باستخدام مؤثر Sobel. ومن دون التنعيم، تُحدث الضوضاء تغيرات إضافية في الشدة تنافس حدود الأجسام. كما أن زيادة مقياس التنعيم تزيل الحواف الدقيقة، ما يغيّر الخطوط التي تبقى بعد الاكتشاف.

في تجزئة الصور للمستندات، تدعم المتوسطات المحلية الموزونة وفقًا لتوزيع غاوسي تحديد العتبة التكيفي. تُسنَد إلى كل بكسل عتبة تُحسب بطرح قيمة إزاحة من المتوسط الموزون لقيم جواره. وهذا يفصل النص عن الخلفيات ذات الإضاءة غير المتجانسة، كما في تحديد العتبة محليًا لصفحة ممسوحة ضوئيًا.

بوصفه زيادة للبيانات، ينشئ التمويه الغاوسي نسخًا مخففة من صور التدريب، مع الحفاظ على إحداثيات مربعات الإحاطة والنقاط المفتاحية. يدعم Ultralytics YOLO استخدام A.GaussianBlur عبر تحويلات Albumentations المخصصة، ما يتيح تضمين تنويعات تمويه مضبوطة أثناء تدريب YOLO26.

مقارنة التمويه الغاوسي بالمرشحات الأخرى#

يغيّر اختيار أسلوب التنعيم معلومات الصورة التي تبقى:

• تمويه المتوسط، ويُسمى أيضًا تمويه الصندوق، يمنح كل بكسل في نافذته الوزن نفسه. أما التمويه الغاوسي فيبرز البكسلات القريبة، ما ينتج متوسطًا مرجّحًا يتدرج بسلاسة أكبر.
• التمويه الوسيط يستبدل البكسل بالقيمة الوسيطة في جواره. وهو فعال بصفة خاصة في إزالة ضوضاء الملح والفلفل، أي البكسلات الساطعة والداكنة المنفردة.
• الترشيح ثنائي الجانب يستخدم كلًا من المسافة المكانية وتشابه الشدة لتقليل الضوضاء مع الحفاظ على الحدود الحادة. أما التمويه الغاوسي فيوزن البكسلات بحسب مواضعها فقط، ولذلك يخفف الحواف أيضًا.

تطبيق التمويه الغاوسي في Python#

توفر OpenCV الدالة cv2.GaussianBlur لإجراء التنعيم الغاوسي. ثبّت حزمة Python باستخدام pip install opencv-python، ثم احفظ مقارنة جنبًا إلى جنب:

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    image_bytes = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(image_bytes, cv2.IMREAD_COLOR)

blurred = cv2.GaussianBlur(image, (15, 15), sigmaX=3)
comparison = cv2.hconcat([image, blurred])
cv2.imwrite("gaussian_blur_comparison.jpg", comparison)

تضع الصورة المحفوظة الصورة الأصلية على اليسار والنتيجة المنعّمة على اليمين. تستخدم النواة ذات الأبعاد 15 x 15 سيغما مقداره ثلاثة بكسلات في كلا الاتجاهين، لأن sigmaY المحذوف يأخذ قيمة sigmaX.

يمكن فصل النوى الغاوسية: إذ ينتج مرشحان أحاديا البعد، أفقي ورأسي، التمويه ثنائي الأبعاد المقابل. وبالنسبة إلى نواة 7 x 7، يقلل ذلك مساهمات أوزان النواة لكل بكسل من 49 إلى 14.