تجزئة الصور باستخدام خوارزمية مستجمعات المياه: دليل شامل

تعد تجزئة الصور مهمة أساسية في رؤية الحاسوب، حيث تمكّن الآلات من فهم وتحليل البيانات المرئية بفعالية أكبر. تتضمن هذه العملية تقسيم الصورة إلى مناطق متعددة، كل منها يتوافق مع كائن مميز أو جزء من كائن. من بين تقنيات تجزئة الصور المختلفة المتاحة، تبرز خوارزمية مستجمعات المياه كطريقة قوية ومتعددة الاستخدامات. يستكشف هذا الدليل الشامل مبادئ وتطبيقات وتنفيذ خوارزمية مستجمعات المياه، مما يوفر فهمًا مفصلاً لإمكانياتها وقيودها.

ما هي خوارزمية مستجمعات المياه؟

خوارزمية مستجمعات المياه هي تقنية لتجزئة الصور قائمة على المناطق ومستوحاة من الجيومورفولوجيا. تخيل الصورة كمنظر طبيعي طبوغرافي، حيث تمثل شدة البكسل الارتفاعات. تحاكي الخوارزمية إغراق هذا المشهد بالماء. سيتراكم الماء في النقاط الدنيا المحلية، مكونًا بحيرات منفصلة. مع ارتفاع منسوب المياه، تلتقي البحيرات الناشئة من نقاط دنيا مختلفة في النهاية. لمنع الاندماج، يتم بناء حواجز (مستجمعات المياه) عند نقاط الالتقاء. النتيجة النهائية هي صورة مقسمة إلى مناطق مفصولة بخطوط مستجمعات المياه، حيث تمثل كل منطقة جزءًا مميزًا.

في جوهرها، تحدد خوارزمية مستجمعات المياه وترسم حدود الكائنات بناءً على حدودها، وتعاملها كأحواض تجميع في تضاريس طبوغرافية.

كيف تعمل خوارزمية مستجمعات المياه: شرح خطوة بخطوة

تتضمن خوارزمية مستجمعات المياه عادةً الخطوات التالية:

1. حساب التدرج (Gradient): غالبًا ما تبدأ الخوارزمية بحساب حجم تدرج الصورة المدخلة. يبرز التدرج الحواف والحدود، وهي أمور حاسمة للتجزئة. تشمل عوامل التدرج الشائعة سوبل (Sobel) وبرويت (Prewitt) ولابلاسيان (Laplacian).
2. اختيار العلامات (Markers): هذه خطوة حاسمة. العلامات هي نقاط بداية تشير إلى المناطق المراد تجزئتها. هناك نوعان من العلامات:
• علامات المقدمة (Foreground Markers): تمثل الكائنات التي نريد تجزئتها.
• علامات الخلفية (Background Markers): تمثل مناطق الخلفية.

تؤثر جودة العلامات بشكل كبير على نتيجة التجزئة النهائية. يجب أن تكون العلامات الجيدة موجودة داخل الكائنات محل الاهتمام وفي الخلفية، على التوالي. يمكن أن يؤدي تداخل العلامات أو وضعها بشكل سيئ إلى التجزئة المفرطة أو التجزئة غير الكافية.

3. المعالجة المسبقة (العمليات المورفولوجية): كثيرًا ما تستخدم العمليات المورفولوجية مثل التآكل (erosion) والتمدد (dilation) لتنظيف الصورة وتحسين اختيار العلامات. يمكن للتآكل فصل الكائنات المتلامسة، بينما يمكن للتمدد ملء الثقوب الصغيرة وربط المناطق المجاورة. تساعد هذه العمليات على تحسين صورة التدرج وإنشاء أحواض تجميع أكثر تميزًا.
4. تحويل المسافة (Distance Transform): يحسب تحويل المسافة المسافة من كل بكسل إلى أقرب بكسل في الخلفية. يؤدي هذا إلى إنشاء صورة بتدرج الرمادي حيث تمثل شدة كل بكسل بعدها عن أقرب خلفية. غالبًا ما يستخدم تحويل المسافة مع خوارزمية مستجمعات المياه لتعزيز فصل الكائنات.
5. تحويل مستجمعات المياه (Watershed Transformation): هذا هو جوهر الخوارزمية. يقوم تحويل مستجمعات المياه بتصنيف كل بكسل بناءً على حوض التجميع الذي ينتمي إليه، باستخدام العلامات كنقاط انطلاق. تخيل هطول المطر على صورة التدرج؛ ستتدفق كل قطرة مطر إلى أسفل حتى تصل إلى نقطة دنيا. كل وحدات البكسل التي تتدفق إلى نفس النقطة الدنيا تشكل حوض تجميع. الحدود بين هذه الأحواض هي خطوط مستجمعات المياه.

تجزئة مستجمعات المياه الموجهة بالعلامات

خوارزمية مستجمعات المياه القياسية معرضة للتجزئة المفرطة، خاصة في الصور ذات القوام المعقد أو التشويش. يحدث هذا لأن حتى الاختلافات الطفيفة في شدة البكسل يمكن تفسيرها على أنها نقاط دنيا محلية، مما يؤدي إلى إنشاء العديد من المناطق الصغيرة. لمعالجة هذه المشكلة، يتم استخدام نهج مستجمعات المياه الموجهة بالعلامات بشكل شائع.

تستفيد مستجمعات المياه الموجهة بالعلامات من المعرفة المسبقة بالصورة لتوجيه عملية التجزئة. من خلال توفير علامات تمثل المقدمة (الكائنات محل الاهتمام) ومناطق الخلفية، يمكن للخوارزمية تقييد تحويل مستجمعات المياه بشكل فعال ومنع التجزئة المفرطة.

تتضمن العملية ما يلي:

1. تحديد علامات المقدمة والخلفية (كما هو موضح أعلاه).
2. تطبيق تحويل مستجمعات المياه باستخدام هذه العلامات. ستقوم الخوارزمية بعد ذلك فقط بإنشاء مستجمعات مياه بين المناطق المحددة بواسطة العلامات.

تطبيقات خوارزمية مستجمعات المياه

تجد خوارزمية مستجمعات المياه تطبيقات في مجموعة واسعة من المجالات، بما في ذلك:

• التصوير الطبي الحيوي: تعد تجزئة الخلايا وتجزئة الأعضاء وتحليل الأنسجة تطبيقات شائعة في تحليل الصور الطبية. على سبيل المثال، يمكن استخدامها لعد الخلايا في صورة مجهرية أو لتحديد الأورام في فحص الأشعة المقطعية. تساعد الخوارزمية على أتمتة المهمة اليدوية الشاقة المتمثلة في تحديد الخلايا وعدها. ضع في اعتبارك تطبيق تحديد الأنوية الفردية في الصور النسيجية المصبوغة بالهيماتوكسيلين والإيوسين (H&E). بعد المعالجة المسبقة المناسبة واختيار العلامات، يمكن لخوارزمية مستجمعات المياه فصل الأنوية المتداخلة بفعالية، مما يوفر أعدادًا دقيقة ومعلومات مورفولوجية.
• الاستشعار عن بعد: كشف الكائنات في صور الأقمار الصناعية، مثل تحديد المباني والطرق والحقول الزراعية. في المراقبة الزراعية، يمكن استخدام الخوارزمية لتحديد حقول المحاصيل الفردية من صور الأقمار الصناعية، مما يتيح تقديرًا دقيقًا لمساحة المحاصيل والإنتاج. يمكن دمج النطاقات الطيفية المختلفة لإنشاء صورة تدرج تبرز الحدود بين أنواع مختلفة من الغطاء الأرضي. على سبيل المثال، تحليل صور الأقمار الصناعية لغابات الأمازون المطيرة للكشف عن إزالة الغابات عن طريق تجزئة مناطق الغابات والأراضي التي تم تطهيرها.
• الفحص الصناعي: كشف العيوب والتعرف على الكائنات في عمليات التصنيع. تخيل فحص المكونات الإلكترونية بحثًا عن عيوب. يمكن لخوارزمية مستجمعات المياه تجزئة المكونات الفردية، مما يسمح بالفحص الآلي للأجزاء المفقودة أو التالفة. يمكن أيضًا تطبيقها لتحديد عيوب السطح على السلع المصنعة، مما يضمن مراقبة الجودة.
• القيادة الذاتية: كشف المسار وتجزئة العقبات للسيارات ذاتية القيادة. على سبيل المثال، تجزئة المشاة والمركبات من الخلفية في الوقت الفعلي لتمكين الملاحة الآمنة. يمكن اشتقاق معلومات التدرج من بيانات LiDAR بالإضافة إلى صور الكاميرا لتجزئة أكثر قوة.
• علم المواد: كشف حدود الحبيبات في صور المجهر للمواد. تحليل البنية المجهرية للمعادن والسبائك باستخدام المجهر الإلكتروني لتحديد حجم الحبيبات وتوزيعها. هذه المعلومات حاسمة لفهم الخصائص الميكانيكية للمواد.

التنفيذ باستخدام OpenCV (مثال بلغة بايثون)

OpenCV هي مكتبة مفتوحة المصدر شائعة لمهام رؤية الحاسوب. توفر تنفيذًا ملائمًا لخوارزمية مستجمعات المياه. إليك مثال بلغة بايثون يوضح كيفية استخدام خوارزمية مستجمعات المياه مع OpenCV:

            
import cv2
import numpy as np

# Load the image
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Thresholding to create initial markers
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# Noise removal
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)

# Sure background area
sure_bg = cv2.dilate(opening, kernel, iterations=3)

# Finding sure foreground area
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)

# Converting sure_fg to proper datatype
sure_fg = np.uint8(sure_fg)

# Finding unknown region
unknown = cv2.subtract(sure_bg, sure_fg)

# Marker labelling
ret, markers = cv2.connectedComponents(sure_fg)

# Add 1 to all labels so that sure background is not 0, but 1
markers = markers + 1

# Now, mark the region of unknown with zero
markers[unknown == 255] = 0

# Apply the watershed algorithm
markers = cv2.watershed(img, markers)
img[markers == -1] = [255, 0, 0]  # Mark watershed lines in red

# Display the result
cv2.imshow('Watershed Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

            

              
                Copy
              
            
          

الشرح:

• يقوم الكود أولاً بتحميل الصورة وتحويلها إلى تدرج الرمادي.
• ثم يطبق العتبة (thresholding) لإنشاء صورة ثنائية أولية.
• تُستخدم العمليات المورفولوجية (الفتح والتمدد) لإزالة التشويش وتحسين الصورة الثنائية.
• يتم حساب تحويل المسافة للعثور على علامات المقدمة.
• يتم تصنيف المكونات المتصلة لإنشاء العلامات لخوارزمية مستجمعات المياه.
• أخيرًا، يتم استدعاء دالة cv2.watershed() لتنفيذ تحويل مستجمعات المياه. ثم يتم تلوين حدود مستجمعات المياه باللون الأحمر.

اعتبارات هامة:

• ضبط المعلمات: قد تحتاج معلمات العتبة والعمليات المورفولوجية وتحويل المسافة إلى تعديل اعتمادًا على الصورة المحددة.
• اختيار العلامات: تعد جودة العلامات أمرًا حاسمًا لنجاح خوارزمية مستجمعات المياه. الاختيار الدقيق للعلامات ضروري لتجنب التجزئة المفرطة أو غير الكافية.
• المعالجة المسبقة: يمكن لخطوات المعالجة المسبقة مثل تقليل التشويش وتحسين التباين أن تحسن بشكل كبير أداء خوارزمية مستجمعات المياه.

المزايا والعيوب

المزايا:

• بسيطة وبديهية: المفهوم الأساسي سهل الفهم نسبيًا.
• فعالة في فصل الكائنات المتلامسة: تعد خوارزمية مستجمعات المياه مفيدة بشكل خاص لتجزئة الكائنات المتلامسة أو المتداخلة.
• يمكن دمجها مع تقنيات أخرى: يمكن استخدام خوارزمية مستجمعات المياه كخطوة معالجة مسبقة لطرق التجزئة الأخرى.
• متوفرة على نطاق واسع في مكتبات معالجة الصور: التنفيذات متاحة بسهولة في مكتبات مثل OpenCV.

العيوب:

• حساسة للتشويش: يمكن أن يؤدي التشويش إلى التجزئة المفرطة.
• تتطلب اختيارًا دقيقًا للعلامات: تؤثر جودة العلامات بشكل كبير على النتائج.
• يمكن أن تكون مكلفة حسابيًا: خاصة بالنسبة للصور الكبيرة.
• التجزئة المفرطة: عرضة للتجزئة المفرطة إذا لم يتم اختيار العلامات بعناية أو إذا كانت الصورة مشوشة. يتطلب معالجة مسبقة دقيقة واختيار علامات للتخفيف من هذه المشكلة.

نصائح وأفضل الممارسات

• المعالجة المسبقة هي المفتاح: طبق تقنيات المعالجة المسبقة المناسبة لتقليل التشويش وتعزيز التباين قبل تطبيق خوارزمية مستجمعات المياه. هذا قد يشمل التمويه الغاوسي (Gaussian blur) أو الترشيح الوسيط (median filtering) أو معادلة المدرج التكراري (histogram equalization).
• جرّب العلامات: جرب طرقًا مختلفة لاختيار العلامات للعثور على أفضل نهج لتطبيقك المحدد. فكر في استخدام تقنيات مثل تحويل المسافة أو العمليات المورفولوجية أو التعلم الآلي لإنشاء العلامات تلقائيًا.
• استخدم مستجمعات المياه الموجهة بالعلامات: كلما أمكن، استخدم نهج مستجمعات المياه الموجهة بالعلامات لمنع التجزئة المفرطة.
• المعالجة اللاحقة: طبق تقنيات المعالجة اللاحقة لتحسين نتائج التجزئة. هذا قد يشمل إزالة المناطق الصغيرة أو تنعيم الحدود أو دمج المناطق المجاورة بناءً على معايير التشابه.
• تحسين المعلمات: اضبط بعناية معلمات خوارزمية مستجمعات المياه وأي خطوات معالجة مسبقة أو لاحقة. جرب قيم معلمات مختلفة للعثور على الإعدادات المثلى لتطبيقك المحدد.

تقنيات متقدمة ومتغيرات

• مستجمعات المياه الهرمية: تتضمن هذه التقنية تطبيق خوارزمية مستجمعات المياه على مقاييس متعددة لإنشاء تمثيل هرمي للصورة. هذا يسمح لتجزئة الكائنات على مستويات مختلفة من التفاصيل.
• مستجمعات المياه بمعلومات الشكل المسبقة: إن دمج معلومات الشكل المسبقة في خوارزمية مستجمعات المياه يمكن أن يحسن دقة التجزئة، خاصة عند التعامل مع الصور المعقدة أو المشوشة.
• اختيار العلامات المستند إلى التعلم الآلي: يمكن استخدام تقنيات التعلم الآلي لتعلم العلامات المثلى لخوارزمية مستجمعات المياه تلقائيًا. هذا يمكن أن يقلل بشكل كبير من الحاجة إلى التدخل اليدوي وتحسين متانة عملية التجزئة. يمكن تدريب الشبكات العصبية التلافيفية (CNNs) للتنبؤ باحتمالات المقدمة والخلفية، والتي يمكن استخدامها بعد ذلك لإنشاء العلامات.

الخاتمة

خوارزمية مستجمعات المياه هي تقنية قوية ومتعددة الاستخدامات لتجزئة الصور مع مجموعة واسعة من التطبيقات. من خلال فهم مبادئها ومزاياها وقيودها، يمكنك الاستفادة منها بفعالية في مهام تحليل الصور المختلفة. على الرغم من أنها يمكن أن تكون حساسة للتشويش وتتطلب اختيارًا دقيقًا للعلامات، إلا أن نهج مستجمعات المياه الموجهة بالعلامات وتقنيات المعالجة المسبقة المناسبة يمكن أن تحسن أداءها بشكل كبير. مع توفر تطبيقاتها بسهولة في مكتبات مثل OpenCV، تظل خوارزمية مستجمعات المياه أداة قيمة في ترسانة ممارسي رؤية الحاسوب.

مع استمرار تطور رؤية الحاسوب، من المرجح أن تظل خوارزمية مستجمعات المياه تقنية أساسية، خاصة عند دمجها مع طرق أكثر تقدمًا مثل التعلم الآلي. من خلال إتقان مبادئها واستكشاف متغيراتها، يمكنك فتح إمكانيات جديدة لتحليل الصور وحل المشكلات عبر مجالات متنوعة.