ميزة (رؤية الحاسوب)

في بعض التطبيقات، لا يكفي استخلاص نوع واحد فقط من الميزات للحصول على المعلومات المطلوبة من بيانات الصورة. بدلاً من ذلك، يتم استخلاص ميزتين أو أكثر، مما ينتج عنه وصفان أو أكثر للميزات عند كل نقطة في الصورة. ومن الممارسات الشائعة تنظيم المعلومات التي توفرها جميع هذه الواصفات كعناصر في متجه واحد، يُشار إليه عادةً باسم متجه الميزات . وتشكل مجموعة جميع متجهات الميزات الممكنة فضاء الميزات . ^{[ 1 ]}

يظهر مثال شائع لمتجهات الميزات عند تصنيف كل نقطة في الصورة ضمن فئة محددة. بافتراض أن لكل نقطة في الصورة متجه ميزات خاص بها بناءً على مجموعة مناسبة من الميزات، أي أن كل فئة منفصلة تمامًا في فضاء الميزات الخاص بها، يمكن تصنيف كل نقطة في الصورة باستخدام طريقة التصنيف القياسية.

مثال مبسط لتدريب شبكة عصبية في مجال اكتشاف الأجسام: يتم تدريب الشبكة باستخدام صور متعددة معروفة بتصويرها لنجم البحر وقنافذ البحر ، والتي ترتبط بـ"عُقد" تمثل السمات المرئية. يتطابق نجم البحر مع نسيج حلقي وشكل نجمي، بينما تتطابق معظم قنافذ البحر مع نسيج مخطط وشكل بيضاوي. ومع ذلك، فإن وجود قنفذ بحر ذي نسيج حلقي يُنشئ ارتباطًا ضعيفًا بينهما.

تشغيل الشبكة لاحقًا على صورة مُدخلة (يسار): ^{[ 2 ]} تكتشف الشبكة نجم البحر بشكل صحيح. مع ذلك، فإن الارتباط الضعيف بين النسيج الحلقي وقنفذ البحر يُعطي إشارة ضعيفة للأخير من إحدى الميزتين. إضافةً إلى ذلك، تُعطي صدفة لم تُدرج في التدريب إشارة ضعيفة للشكل البيضاوي، مما ينتج عنه أيضًا إشارة ضعيفة لقنفذ البحر. قد تُؤدي هذه الإشارات الضعيفة إلى نتيجة إيجابية خاطئة لقنفذ البحر. في الواقع، لا تُمثل الأنسجة والخطوط الخارجية بعقدة واحدة، بل بأنماط أوزان مُرتبطة بعقد متعددة.

مثال آخر ذو صلة يحدث عند تطبيق معالجة الصور باستخدام الشبكات العصبية . غالبًا ما تُعطى بيانات الإدخال للشبكة العصبية على شكل متجه خصائص من كل نقطة في الصورة، حيث يُبنى هذا المتجه من عدة خصائص مختلفة مُستخرجة من بيانات الصورة. خلال مرحلة التعلم، تستطيع الشبكة بنفسها تحديد أي توليفات من الخصائص المختلفة مفيدة لحل المشكلة المطروحة.

الحواف هي نقاط تفصل بين منطقتين في الصورة. عمومًا، يمكن أن تتخذ الحافة أشكالًا متنوعة، وقد تتضمن نقاط التقاء. عمليًا، تُعرَّف الحواف عادةً بأنها مجموعات من النقاط في الصورة ذات تدرج لوني قوي . علاوة على ذلك، تقوم بعض الخوارزميات الشائعة بربط النقاط ذات التدرج العالي معًا لتكوين وصف أكثر شمولًا للحافة. ​​عادةً ما تفرض هذه الخوارزميات بعض القيود على خصائص الحافة، مثل الشكل والنعومة وقيمة التدرج.

محلياً، تتميز الحواف ببنية أحادية البعد.

يُستخدم مصطلحا "الزوايا" و"نقاط الاهتمام" بشكلٍ مترادف إلى حدٍ ما، ويشيران إلى معالم نقطية في الصورة ذات بنية ثنائية الأبعاد محلية. نشأ مصطلح "الزاوية" لأن الخوارزميات الأولى كانت تُجري في البداية عملية كشف الحواف ، ثم تُحلل هذه الحواف للعثور على التغيرات السريعة في الاتجاه (الزوايا). بعد ذلك، طُوّرت هذه الخوارزميات بحيث لم يعد الكشف الصريح عن الحواف ضروريًا، وذلك على سبيل المثال من خلال البحث عن مستويات عالية من الانحناء في تدرج الصورة . ثم لُوحظ أن ما يُسمى بالزوايا كان يُكتشف أيضًا في أجزاء من الصورة لم تكن زوايا بالمعنى التقليدي (على سبيل المثال، قد تُكتشف بقعة صغيرة ساطعة على خلفية داكنة). تُعرف هذه النقاط غالبًا باسم "نقاط الاهتمام"، ولكن مصطلح "الزاوية" هو الأكثر شيوعًا .

تُقدّم البقع وصفًا تكميليًا لبنية الصورة من حيث المناطق، على عكس الزوايا التي تُشبه النقاط. ومع ذلك، قد تحتوي مُعرّفات البقع غالبًا على نقطة مُفضّلة (قيمة عظمى محلية لاستجابة المُشغّل أو مركز ثقل)، مما يعني أنه يُمكن اعتبار العديد من كاشفات البقع مُشغّلات نقاط اهتمام. تستطيع كاشفات البقع اكتشاف مناطق في الصورة ناعمة جدًا بحيث لا يُمكن لكاشف الزوايا اكتشافها.

لنفترض تصغير صورة ثم إجراء عملية كشف الزوايا. سيستجيب الكاشف للنقاط الحادة في الصورة المصغرة، والتي قد تكون ناعمة في الصورة الأصلية. عند هذه النقطة، يصبح الفرق بين كاشف الزوايا وكاشف البقع غير واضح إلى حد ما. يمكن تبسيط هذا التمييز إلى حد كبير بإضافة مفهوم مناسب للمقياس. مع ذلك، ونظرًا لاختلاف خصائص استجابتهما لأنواع مختلفة من هياكل الصور عند مقاييس مختلفة، فقد ذُكر كاشفا البقع LoG وDoH أيضًا في مقال كشف الزوايا .

بالنسبة للأجسام الطويلة، يُعد مفهوم الحواف أداةً طبيعية. يمكن اعتبار مُعرِّف الحافة المُستخرج من صورة رمادية بمثابة تعميم للمحور المتوسط . من الناحية العملية، يُمكن اعتبار الحافة منحنىً أحادي البُعد يُمثل محور تناظر، بالإضافة إلى سمة عرض الحافة المحلي المرتبطة بكل نقطة من نقاطها. مع ذلك، يُعد استخراج خصائص الحواف من فئات الصور الرمادية العامة أصعب خوارزميًا من استخراج خصائص الحواف أو الزوايا أو الكتل. ومع ذلك، تُستخدم مُعرِّفات الحواف بكثرة لاستخراج الطرق في الصور الجوية، ولاستخراج الأوعية الدموية في الصور الطبية - انظر: اكتشاف الحواف .

• كشف الحواف
• كشف الزوايا
• الكشف عن الكتل
• كشف الحواف
• تحويل الميزات غير المتغيرة المقياس

• تحديد العتبة
• استخلاص الكتل
• مطابقة القوالب
• تحوّل هوف
  • خطوط
  • الدوائر/الأشكال البيضاوية
  • أشكال عشوائية (تحويل هوف المعمم)
  • يعمل مع أي ميزة قابلة للتخصيص (متغيرات الفئة، اكتشاف المجموعات، إلخ..)
• تحويل هوف المعمم

• أشكال قابلة للتشكيل ومُعَلمة
• الخطوط النشطة (الأفاعي)

من أمثلة خصائص الصورة: اتجاه الحواف المحلية والسرعة المحلية في سلسلة الصور. في حالة الاتجاه، قد تكون قيمة هذه الخاصية غير محددة تقريبًا إذا وُجد أكثر من حافة في الجوار المقابل. أما السرعة المحلية، فتكون غير محددة إذا لم تحتوي منطقة الصورة المقابلة على أي تباين مكاني. ونتيجةً لهذه الملاحظة، قد يكون من المناسب استخدام تمثيل للخاصية يتضمن مقياسًا لليقين أو الثقة المتعلقة بقيمة الخاصية. وإلا، فمن الشائع استخدام نفس الواصف لتمثيل قيم الخصائص ذات اليقين المنخفض وقيم الخصائص القريبة من الصفر، مما يُسبب غموضًا في تفسير هذا الواصف. وبحسب التطبيق، قد يكون هذا الغموض مقبولًا أو غير مقبول.

على وجه الخصوص، إذا كانت الصورة المميزة ستُستخدم في معالجة لاحقة، فقد يكون من المفيد استخدام تمثيل مميز يتضمن معلومات حول اليقين أو الثقة . يُمكّن هذا من حساب واصف مميز جديد من عدة واصفات، على سبيل المثال، محسوبة عند نفس نقطة الصورة ولكن بمقاييس مختلفة، أو من نقاط مختلفة ولكنها متجاورة، وذلك من خلال متوسط ​​مرجح حيث تُستمد الأوزان من مستويات اليقين المقابلة. في أبسط الحالات، يمكن تنفيذ الحساب المقابل كتصفية تمرير منخفض للصورة المميزة. ستكون الصورة المميزة الناتجة، بشكل عام، أكثر استقرارًا في مواجهة التشويش.

إضافةً إلى تضمين مقاييس اليقين في التمثيل، قد يكون تمثيل قيم الميزات المقابلة مناسبًا لعملية حساب المتوسط ​​أو غير مناسب. يمكن حساب متوسط ​​معظم تمثيلات الميزات عمليًا، ولكن في حالات معينة فقط يمكن إعطاء الواصف الناتج تفسيرًا صحيحًا من حيث قيمة الميزة. تُعرف هذه التمثيلات باسم التمثيلات القابلة لحساب المتوسط .

على سبيل المثال، إذا مُثِّل اتجاه حافة ما بزاوية، فلا بد أن يكون لهذا التمثيل انقطاعٌ حيث تنتقل الزاوية من قيمتها القصوى إلى قيمتها الدنيا. ونتيجةً لذلك، قد يحدث أن يُمثَّل اتجاهان متشابهان بزوايا يكون متوسطها بعيدًا عن متوسط ​​أيٍّ من الزاويتين الأصليتين، وبالتالي، لا يمكن حساب متوسط ​​هذا التمثيل. توجد تمثيلات أخرى لاتجاه الحافة، مثل موتر البنية ، وهي قابلة لحساب المتوسط.

مثال آخر يتعلق بالحركة، حيث لا يمكن في بعض الحالات استخلاص سوى السرعة العمودية بالنسبة لحافة معينة. إذا تم استخلاص خاصيتين من هذا القبيل، واعتُبرتا تشيران إلى نفس السرعة الحقيقية، فإن هذه السرعة لا تُعطى كمتوسط ​​لمتجهات السرعة العمودية. وبالتالي، لا يمكن حساب متوسط ​​متجهات السرعة العمودية. بدلاً من ذلك، توجد تمثيلات أخرى للحركة، باستخدام المصفوفات أو الموترات، تُعطي السرعة الحقيقية كمتوسط ​​لمؤشرات السرعة العمودية.