مقدمة في تمييز الأنماط ومعالجة الصور
Introduction to Pattern Recognition and Image Processing

وهو فرع من فروع الذكاء الاصطناعي، ومعنى تمييز الأنماط ومعالجة الصور يوضحهما الـرسم التالي Block diagrams:

بمعنى أن أي برنامج لتمييز الأنماط يدخل له صورة فيعطي تصنيف أو تعرف للصورة، وأي برنامج للعمليات على الصور يدخل له صورة فيعطي صورة تمت بعض العمليات عليها.

نحصر حديثنا عن تمييز الأنماط والتعرف عليها ونشرح أشهر الطرق المستخدمة فيها.

لو سألنا سؤال: كيف يتعرف الإنسان أو الطفل على صورة السيارة كمثال بسيط؟! لكان الجواب البديهي هو لأنه يعلم أنها سيارة. من هنا نتفق أن أي طريقة للتعرف على الأنماط أو أي شئ في العالم لابد من أن يسبقها مرحلة تعلم لهذه الأنماط وهذه الأشياء، إذن مراحل التعرف على أي نمط مرحلتين:

• مرحلة التعلم learning.

• مرحلة التصنيف classification or recognition.

يوجد أربعة طرق أساسية مستخدمة في عالم تمييز الأنماط Pattern Recognition Approaches or Methods:، ألا وهي:

1. Template-Matching and Correlation Method.
2. Statical Approach.
3. Syntactic and Structural Approach.
4. Neural Networks Approach.

سنشرح كل طريقة مروراً بالمرحلتين:

1. كيف تتم مرحلة التعليم learning فيها.

2. وأخيراً كيف تتم مرحلة تمييز أو تصنيف الأنماط فيها.

بسم الله نبدأ...

 

الطريقة الأولى Template-Matching and Correlation Method

 

مرحلة التعليم في هذه الطريقة تقوم على تخزين مجموعة من القوالب Templates أوالنماذج Prototypes، قالب من كل صنف في الحاسوب كما يوضح الرسم:

وفي مرحلة التصنيف تقارن الصورة الداخلة Input pattern مع templates كل صنف فإن كانت نتيجة مقارنتها مع الصنف س أكبر من نتيجة مقارنتها مع الصنف ص فإنها تصنف ضمن الصنف س وهكذا. كما يوضح الرسم:

ربما تتساءلون كيف تتم عملية المقارنة، ببساطة تخزن الصورة الداخلة على شكل مصفوفة وتقارن مع القوالب الموجودة في الجهاز pixel by pixel وتعطي قيمة للمقارنة.

كما ترون تعتبر هذه الطريقة طريقة سهلة وبدائية جداً، الصعوبة الوحيدة في هذه الطريقة هي الاختيار الجيد للقوالب من كل صنف بالإضافة إلى تحديد معايير المقارنة وخصوصاً لو كانت الصورة الداخلة تحمل تشوهات!
فمثلاُ لو استخدمنا هذه الطريقة للتعرف على المجرميين، لابد أن نأخذ لكل مجرم عدة لقطات كي تخزن على جهاز الحاسوب: لقطتان جانبيتان واحدة من كل جهة، لقطة أمامية، ولقطتان بزاوية نظر 45 درجة عن الكاميرا. ولكم أن تتخيلوا المساحات التخزينية اللازمة لكل هذه القوالب!

الطريقة الثانية Statical Approach

في هذه الطريقة، يوصّف كل pattern بواسطة مجموعة من الخصائص set of features والتي من الممكن أن نعبر عنها بقيم حقيقية. في مرحلة التعلم: يقدّم كل نمط pattern كمتجه من الخصائص feature vector كما توضح الصورة:

 

أما في مرحلة التعرف او التمييز أو التصنيف، فهذه عادة تتم عن طريق تقسيم مساحة الصورة إلى مناطق مجزأة، كل منطقة تقارن مع صنف كما توضح الصورة:

 

فمثلاً لو كنّا نريد التعرف على صورة تفاحة، ماهي خصائص التفاحة التي نخزنها في مرحلة التعلم؟! هي على سبيل المثال: اللون، الشكل، الدوران، المنطقة السفى، المنطقة العليا.... ألخ. وكذلك يتم التعرف على التفاحة، تقسم الصورة إلى أجزاء وكل جزأ نقارن الخصائص الموجودة فيه مع خصائص الصنف المخزنة وهكذا.

الصعوبة هنا هي في اختيار مجموعة الخصائص لكل فئة وقواعد القرار في التعرف على النمط.

بهذا نكون انتهينا من طريقتين في الدرس الأول، تابعنا في الدرس الثاني لتتعرف على بقية الطرق