Computer Vision PDF

‫‪Computer vision‬‬ ‫الرؤية الحاسوبية‬ Jens Martensson 2 Jens Martensson 3 Jens Martensson 4 Jens Martensson 5 Jens Martensson 6  ‫الذكاء االصطناعي والتعلم اآللي والتعلم العميق‬ ‫الذكاء االصطناعي‬ ‫قدرة اآلله على محاكات ذكاء اا...

‫‪Computer vision‬‬ ‫الرؤية الحاسوبية‬ Jens Martensson 2 Jens Martensson 3 Jens Martensson 4 Jens Martensson 5 Jens Martensson 6  ‫الذكاء االصطناعي والتعلم اآللي والتعلم العميق‬ ‫الذكاء االصطناعي‬ ‫قدرة اآلله على محاكات ذكاء االنسان‬ ‫التعلم االله‬ ‫خوارزميات لدمج الذكاء في االله عن طريق التعلم التلقائي للبيانات‬ ‫التعلم العميق‬ ‫خوارزميات محاكاة الدماغ البشري وتضمينه في الجهاز‬ ‫‪Jens Martensson‬‬ AI, Machine Learning and Deep Learning Jens Martensson What is computer vision? ‫ه الرؤية الحاسوبية؟‬ ‫ما ي‬ Jens Martensson ‫‪Computer vision‬‬ ‫ه الرؤية الحاسوبية؟ ?‪What is computer vision‬‬ ‫ما ي‬ ‫ "رؤية الكمبيوتر ي‬ ‫ه مجال من مجاالت علوم الكمبيوتر يعمل عىل تمكي أجهزة الكمبيوتر من‬ ‫رؤية الصور وتحديدها ومعالجتها بنفس الطريقة الت تعمل بها الرؤية ر‬ ‫البشية ومن ثم تقديم‬ ‫ي‬ ‫مخرجات مناسبة"‬ ‫البيولوج!‬ ‫ي‬ ‫ إنها يف األساس نمذجة اإلدراك‬ ‫طناع الذي‬ ‫ي‬ ‫ يشي إىل قدرة اآلالت عىل فهم وتفسي البيانات المرئية باستخدام الذكاء االص‬ ‫يستخدم الخوارزميات والنماذج الحسابية لتحليل الصور ومقاطع الفيديو وفهمها‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪10‬‬ ‫ه الرؤية الحاسوبية؟ ?‪What is computer vision‬‬ ‫ما ي‬ ‫تطبيق الرؤية الحاسوبية‬ ‫‪Jens Martensson‬‬  ‫ه الرؤية الحاسوبية؟ ?‪What is computer vision‬‬ ‫ما ي‬ ‫الرؤية الحاسوبية‬ ‫رؤية الكمبيوتر باستخدام ‪OpenCV‬‬ ‫وه مكتبة متعددة المنصات ومجانية االستخدام من الوظائف‪ ،‬تعتمد عىل رؤية الكمبيوتر يف‬ ‫‪ OpenCV‬رؤية الكمبيوتر مفتوحة المصد ‪ :‬ي‬ ‫األساس هو استخراج‬ ‫ي‬ ‫الت تساعد يف معالجة الصور والفيديو ‪.‬يف رؤية الكمبيوتر‪ ،‬العنرص‬ ‫والت تدعم أطر التعلم العميق ي‬ ‫الفعىل ي‬ ‫ي‬ ‫الوقت‬ ‫وبالتاىل فهم ما تحتويه ‪.‬‬ ‫ي‬ ‫وحدات البكسل من الصورة لدراسة الكائنات‬ ‫‪Jens Martensson‬‬  ‫ه الرؤية الحاسوبية؟ ?‪What is computer vision‬‬ ‫ما ي‬ ‫الرؤية الحاسوبية‬ ‫الت تسىع رؤية الكمبيوتر إىل التعرف عليها يف الصور‪:‬‬ ‫يىل بعض الجوانب الرئيسية ي‬ ‫فيما ي‬ ‫اكتشاف الكائنات ‪:‬موقع الكائن‪.‬‬ ‫التعرف عىل الكائنات ‪:‬الكائنات يف الصورة ومواضعها‪.‬‬ ‫الت يقع فيها الكائن‪.‬‬ ‫تصنيف الكائنات ‪:‬الفئة العريضة ي‬ ‫تنتم إىل هذا الكائن‪.‬‬ ‫ي‬ ‫الت‬ ‫تجزئة الكائنات ‪:‬وحدات البكسل ي‬ ‫حاجة رؤية الكمبيوتر‬ ‫‪Jens Martensson‬‬ ‫‪Computer vision‬‬ ‫لماذا الرؤية الحاسوبية مهمه للغاية‬ ‫‪Jens Martensson‬‬ ‫‪14‬‬  ‫‪Human Vision Vs. Computer Vision‬الرؤية ر‬ ‫البشية مقابل الرؤية الحاسوبية‬ ‫آليات المعالجة ‪:‬تعتمد الرؤية الحاسوبية عىل الخوارزميات والنماذج الحاسوبية لمعالجة البيانات‬ ‫المرئية‪ ،‬ف حي تتضمن الرؤية ر‬ ‫البشية شبكات عصبية معقدة وعمليات بيولوجية‪.‬‬ ‫ي‬ ‫‪Jens Martensson‬‬ ‫‪15‬‬  ‫‪Human Vision Vs. Computer Vision‬الرؤية ر‬ ‫البشية مقابل الرؤية الحاسوبية‬ ‫القدرة عىل التكيف والكفاءة ‪:‬الرؤية ر‬ ‫البشية قابلة للتكيف بدرجة عالية وفعالة يف التعرف عىل األنماط‪ ،‬حت يف‬ ‫المشاهد المعقدة أو ظروف اإلضاءة المتنوعة ‪.‬عىل الرغم من قوة خوارزميات الرؤية الحاسوبية‪ ،‬إال أنها قد‬ ‫تواجه صعوبات يف مثل هذه المواقف‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪16‬‬  ‫‪Human Vision Vs. Computer Vision‬الرؤية ر‬ ‫البشية مقابل الرؤية الحاسوبية‬ ‫ر‬ ‫البشية المعلومات من قنوات حسية‬ ‫التعامل مع المشاهد المعقدة والظروف المتنوعة ‪:‬تدمج الرؤية‬ ‫متعددة‪ ،‬مثل اللون والتباين وحدة البرص‪ ،‬لتشكيل إدراك متماسك ‪ً.‬‬ ‫غالبا ما تركز خوارزميات الرؤية‬ ‫الحاسوبية عىل ميات برصية محددة وقد تواجه صعوبات يف التعامل مع المشاهد المعقدة أو الظروف‬ ‫المتغية‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪17‬‬  ‫المفاهيم والتقنيات األساسية يف الرؤية الحاسوبية‬ ‫‪Fundamental concepts and techniques in computer vision‬‬ ‫اكتساب الصور ومعالجتها ‪Image acquisition and processing‬‬ ‫‪.1‬‬ ‫ تصفية الصور وتحسينها‪ :Image filtering and enhancement‬بمجرد الحصول عىل‬ ‫ه تحسي جودتها لمزيد من المعالجة‪.‬تتضمن تصفية الصور‬‫صورة‪ ،‬تكون الخطوة التالية ي‬ ‫ُ‬ ‫إزالة الضوضاء أو تحسي الميات داخل الصورة‪.‬تستخدم تقنيات مثل ‪RGB (Red, Green,‬‬ ‫الغاوس والتصفية المتوسطة وتحسي‬ ‫ي‬ ‫)‪ Blue), HSV (Hue, Saturation, Value‬التمويه‬ ‫المرئ للصورة أو تحويلها إىل‬ ‫ي‬ ‫الحواف بشكل شائع‪.‬يهدف تحسي الصورة إىل تحسي المظهر‬ ‫شكل أكي مالءمة للتحليل من خالل زيادة التباين أو السطوع أو شحذ التفاصيل‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪18‬‬  ‫المفاهيم والتقنيات األساسية يف الرؤية الحاسوبية‬ ‫‪Fundamental concepts and techniques in computer vision‬‬ ‫اكتساب الصور ومعالجتها ‪Image acquisition and processing‬‬ ‫‪.1‬‬ ‫الرقم ونظرية األلوان ‪: Digital imaging and color theory‬‬ ‫ي‬ ‫ التصوير‬ ‫يف قلب الرؤية الحاسوبية يكمن اكتساب الصور من خالل أجهزة االستشعار الرقمية‪.‬يتضمن‬ ‫ً‬ ‫رقميا‪.‬تعتي نظرية األلوان ضورية يف‬ ‫الرقم فهم كيفية التقاط الصور وتمثيلها‬ ‫فهم التصوير‬ ‫ي‬ ‫تشح كيفية ترمي معلومات األلوان يف التنسيقات الرقمية‪.‬يتم تمثيل األلوان‬‫هذا السياق‪ ،‬ألنها ر‬ ‫ً‬ ‫يف الصور الرقمية عادة من خالل مساحات األلوان مثل ‪RGB‬ألحمر واألخرص واألزرق و ‪HSV‬‬ ‫الصبغة والتشبع والقيمة وغيها‪ ،‬ولكل منها أغراض مختلفة يف معالجة الصور‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪19‬‬  ‫المفاهيم والتقنيات األساسية يف الرؤية الحاسوبية‬ ‫‪Fundamental concepts and techniques in computer vision‬‬ ‫اكتشاف السمات ومطابقتها ‪Feature detection and matching‬‬ ‫‪.2‬‬ ‫يعد اكتشاف السمات ومطابقتها ً‬ ‫أمرا بالغ األهمية لفهم محتوى الصورة وبنيتها‪.‬‬ ‫ً‬ ‫وه بالغة األهمية لفهم األشكال‬‫ي‬ ‫الصور‬ ‫داخل‬ ‫ا‬‫حدود‬ ‫اكتشاف الحواف ‪:‬تمثل الحواف‬ ‫واألشياء ‪.‬تحدد خوارزميات اكتشاف الحواف‪ ،‬مثل طرق ‪Sobel‬أو ‪Canny‬أو ‪،Laplacian‬‬ ‫هذه الحدود من خالل اكتشاف عدم االستمرارية يف السطوع أو اللون يف الصورة‪.‬‬ ‫ُ‬ ‫وه مهمة لفهم هندسة الصورة ‪.‬تستخدم‬‫ه نقاط التقاء حافتي ي‬ ‫اكتشاف الزوايا ‪:‬الزوايا ي‬ ‫تقنيات مثل خوارزميات اكتشاف الزوايا ‪Harris‬و ‪Shi-Tomasi‬للعثور عىل هذه الميات‪.‬‬ ‫‪Local Binary Pattern‬‬ ‫‪Histogram of Oriented Gradients‬‬ ‫‪Jens Martensson‬‬ ‫‪20‬‬  ‫المفاهيم والتقنيات األساسية يف الرؤية الحاسوبية‬ ‫‪Fundamental concepts and techniques in computer vision‬‬ ‫اكتشاف السمات ومطابقتها ‪Feature detection and matching‬‬ ‫‪.2‬‬ ‫اكتشاف البقع ‪:‬يركز اكتشاف البقع عىل العثور عىل مناطق يف الصورة تختلف يف الخصائص‪،‬‬ ‫مثل السطوع أو اللون‪ ،‬مقارنة بالمناطق المحيطة ‪.‬وهذا مفيد يف تقسيم الصور إىل أجزاء ذات‬ ‫معت‪.‬‬ ‫أوصاف السمات ‪:‬بمجرد اكتشاف السمات‪ ،‬يجب وصفها بطريقة تسمح بمطابقتها عي صور‬ ‫مختلفة ‪.‬توفر األوصاف بصمة فريدة للسمات‪ ،‬مما يتيح مهام مثل التعرف عىل األشياء وإعادة‬ ‫بناء المشهد‪.‬‬ ‫‪Local Binary Pattern‬‬ ‫‪Histogram of Oriented Gradients‬‬ ‫‪Jens Martensson‬‬ ‫‪21‬‬  ‫المفاهيم والتقنيات األساسية يف الرؤية الحاسوبية‬ ‫‪Fundamental concepts and techniques in computer vision‬‬ ‫اآلىل يف مجال الرؤية الحاسوبية ‪Machine learning in computer vision‬‬ ‫التعلم ي‬ ‫‪.3‬‬ ‫ً‬ ‫يلعب التعلم اآلىل ً‬ ‫دورا محوريا يف تمكي أجهزة الكمبيوتر من التعلم واتخاذ القرارات بنا ًء عىل البيانات المرئية‪.‬‬ ‫ي‬ ‫لإلشاف مقابل التعلم غي الخاضع ر‬ ‫لإلشاف ‪Supervised vs. unsupervised learning :‬‬ ‫التعلم الخاضع ر‬ ‫ف التعلم الخاضع ر‬ ‫لإلشاف‪ ،‬تتعلم النماذج من البيانات المصنفة‪ ،‬مما يجعلها مثالية لمهام مثل التصنيف‬ ‫ي‬ ‫ر‬ ‫لإلشاف أنماط التعلم من البيانات غي‬ ‫واكتشاف الكائنات ‪.‬من ناحية أخرى‪ ،‬يتضمن التعلم غي الخاضع‬ ‫المصنفة‪ ،‬وهو مفيد يف التجميع واكتشاف الشذوذ‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪22‬‬  ‫المفاهيم والتقنيات األساسية يف الرؤية الحاسوبية‬ ‫‪Fundamental concepts and techniques in computer vision‬‬ ‫اآلىل يف مجال الرؤية الحاسوبية ‪Machine learning in computer vision‬‬ ‫التعلم ي‬ ‫‪.3‬‬ ‫الشبكات العصبية والتعلم العميق ‪: Neural networks and deep learning‬‬ ‫تتكون الشبكات العصبية‪ ،‬المستوحاة من بنية الدماغ ر‬ ‫البشي ووظيفته‪ ،‬من خوارزميات ماهرة يف التعرف عىل األنماط‬ ‫الت تتضمن طبقات‬‫اآلىل‪ ،‬يستخدم الشبكات العصبية ي‬‫يف البيانات ‪.‬التعلم العميق‪ ،‬وهو مجال متخصص ضمن التعلم ي‬ ‫متعددة‪ ،‬أو بنيات "عميقة"‪ ،‬لمعالجة البيانات‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪23‬‬  ‫المفاهيم والتقنيات األساسية يف الرؤية الحاسوبية‬ ‫‪Fundamental concepts and techniques in computer vision‬‬ ‫اآلىل يف مجال الرؤية الحاسوبية ‪Machine learning in computer vision‬‬ ‫التعلم ي‬ ‫‪.3‬‬ ‫الت لها بنية شبكية‪ ،‬مثل الصور‪.‬تم‬ ‫ه نوع متخصص من الشبكات العصبية لمعالجة البيانات ي‬ ‫الشبكات العصبية االلتفافية ‪CNN‬لشبكات العصبية االلتفافية ‪ :‬ي‬ ‫مكائ للميات من الصور المدخلة‪.‬تحتوي عىل طبقات مثل الطبقات التالفيفية‬ ‫هرم‬ ‫تكيف تسلسل‬ ‫ً‬ ‫تلقائيا وبشكل‬ ‫تصميم الشبكات العصبية التالفيفية لتتعلم‬ ‫ي‬ ‫ي‬ ‫ي‬ ‫استثنائ لمهام التعرف عىل الصور‪.‬‬ ‫وطبقات التجميع والطبقات المتصلة بالكامل والت تلعب كل منها ً‬ ‫دورا يف استخراج وتعلم الميات‪ ،‬مما يجعلها قوية بشكل‬ ‫ي‬ ‫ي‬ ‫‪Jens Martensson‬‬ ‫‪24‬‬  ‫كيف تعمل الرؤية الحاسوبية ‪How does computer vision work‬؟‬ ‫تعمل الرؤية الحاسوبية من خالل استخدام مجموعة من الخوارزميات والتقنيات لمعالجة وتفسي البيانات‬ ‫المرئية‪ ،‬مما يسمح ألجهزة الكمبيوتر بفهم الصور أو مقاطع الفيديو والتفاعل معها‬ ‫‪Jens Martensson‬‬ ‫‪25‬‬  ‫كيف تعمل الرؤية الحاسوبية ‪How does computer vision work‬؟‬ ‫اكتساب الصور‪ Image acquisition:‬تبدأ العملية بالتقاط أو الحصول عىل صور أو مقاطع فيديو باستخدام‬ ‫الكاميات أو أجهزة االستشعار ‪.‬يمكن أن تكون هذه من مصادر مختلفة مثل الكاميات أو الطائرات بدون طيار أو األقمار‬ ‫الطت‪.‬‬ ‫ي‬ ‫الصناعية أو حت أجهزة التصوير‬ ‫المعالجة المسبقة ‪ً Preprocessing:‬‬ ‫غالبا ما تحتوي الصور الخام عىل ضوضاء أو تشوهات أو معلومات غي ذات صلة ‪.‬‬ ‫يتم تطبيق تقنيات المعالجة المسبقة مثل تقليل الضوضاء وتحسي الصورة وتغيي الحجم لتنظيف الصور وإعدادها لمزيد‬ ‫من التحليل‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪26‬‬  ‫كيف تعمل الرؤية الحاسوبية ‪How does computer vision work‬؟‬ ‫استخراج الميات ‪ Feature extraction‬تتضمن هذه الخطوة تحديد الميات أو األنماط الرئيسية داخل الصور ي‬ ‫والت تعد ضورية للتحليل ‪.‬يمكن أن تشمل الميات‬ ‫ً‬ ‫ً‬ ‫أشكاال أو ً‬ ‫ً‬ ‫قواما أو ألوانا ‪.‬يتم استخدام خوارزميات مختلفة مثل اكتشاف الحواف واكتشاف الزوايا واكتشاف الكتل الستخراج الميات‪.‬‬ ‫حوافا أو زوايا أو‬ ‫‪Jens Martensson‬‬ ‫‪27‬‬  ‫كيف تعمل الرؤية الحاسوبية ‪How does computer vision work‬؟‬ ‫اكتشاف الكائنات والتعرف عليها ‪ :Object detection and recognition‬بمجرد استخراج الميات‪ ،‬تكتشف خوارزميات الرؤية الحاسوبية‬ ‫الكائنات أو الكيانات داخل الصور وتتعرف عليها ‪.‬يمكن أن يتضمن هذا تقنيات مثل تحديد موقع الكائنات‪ ،‬حيث تحدد الخوارزمية موقع الكائنات يف الصورة‪،‬‬ ‫وتصنيف الكائنات‪ ،‬حيث تقوم بتعيي تسميات أو فئات للكائنات المكتشفة ‪.‬أظهرت تقنيات التعلم العميق‪ ،‬وخاصة الشبكات العصبية التالفيفية )‪،(CNNs‬‬ ‫ً‬ ‫ً‬ ‫نجاحا ملحوظا يف مهام اكتشاف الكائنات والتعرف عليها‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪28‬‬  ‫كيف تعمل الرؤية الحاسوبية ‪How does computer vision work‬؟‬ ‫التجزئة ‪ Segmentation‬تتضمن التجزئة تقسيم الصورة إىل أجزاء أو مناطق ذات مغزى ً‬ ‫بناء عىل سمات معينة مثل اللون أو الملمس أو الكثافة ‪.‬يمكن أن‬ ‫يساعد هذا يف فصل الكائنات عن الخلفية أو تحديد مناطق معينة ذات أهمية داخل الصورة‪.‬‬ ‫ً‬ ‫ً‬ ‫صورا متسلسلة‪ ،‬يعد تتبع الكائنات ً‬ ‫أمرا ضوريا لمراقبة حركة الكائنات بمرور‬ ‫تتبع الكائنات ‪ : Object tracking‬يف التطبيقات ي‬ ‫الت تتضمن مقاطع فيديو أو‬ ‫الوقت ‪.‬تتنبأ خوارزميات التتبع بمسار الكائنات وتربطها عي اإلطارات للحفاظ عىل االستمرارية‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪29‬‬  ‫كيف تعمل الرؤية الحاسوبية ‪How does computer vision work‬؟‬ ‫فهم المشهد ‪ : Scene understanding‬إىل جانب األشياء الفردية‪ ،‬تهدف الرؤية الحاسوبية إىل‬ ‫َّ‬ ‫المصور يف الصورة أو الفيديو‪.‬ويتضمن ذلك تحليل العالقات المكانية بي‬ ‫اإلجماىل‬ ‫فهم المشهد‬ ‫ي‬ ‫األشياء‪ ،‬واستنتاج سياق المشهد‪ ،‬وفهم الدالالت األساسية‪.‬‬ ‫اتخاذ القرار ‪ً : Decision-making‬‬ ‫بناء عىل المعلومات المستخرجة‪ ،‬يمكن ألنظمة الرؤية الحاسوبية‬ ‫اتخاذ القرارات أو اتخاذ اإلجراءات ‪.‬يمكن أن يياوح هذا من مهام بسيطة مثل عد الكائنات أو اكتشاف الشذوذ‬ ‫ً‬ ‫الطت‪.‬‬ ‫ي‬ ‫التشخيص‬ ‫أو‬ ‫المستقلة‬ ‫المالحة‬ ‫مثل‬ ‫ا‬ ‫تعقيد‬ ‫إىل مهام أكي‬ ‫‪Jens Martensson‬‬ ‫‪30‬‬ ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات تكوين الصورة ‪Fundamentals of Image Formation‬‬ ‫رقم‪.‬‬ ‫تكوين الصورة ‪ :‬هو تحويل الصورة من الشكل التناظري إىل الشكل ال ي‬ ‫معالجة الصور‬ ‫يمكن وصف معالجة الصور بأنها فعل تعديل وتحسي الصور الرقمية‬ ‫باستخدام الخوارزميات ‪.‬تتضمن المعالجة المسبقة أنشطة مثل اليشيح‬ ‫الت تعمل عىل تحسي جودة الصورة‬ ‫وتقليل الضوضاء وتصحيح األلوان ي‬ ‫واستخراج المعلومات‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات معالجة الصور الرقمية‬ ‫ه‪:‬‬ ‫الت تنطوي عليها معالجة الصور الرقمية ي‬ ‫الخطوات األساسية ي‬ ‫ضوئ‪ ،‬أو استياد‬ ‫ي‬ ‫اكتساب الصور ‪ Image acquisition:‬يتضمن ذلك التقاط صورة باستخدام كاميا رقمية أو ماسح‬ ‫صورة موجودة إىل جهاز كمبيوتر‪.‬‬ ‫تحسي الصورة ‪ : Image enhancement‬يتضمن ذلك تحسي الجودة المرئية للصورة‪ ،‬مثل زيادة التباين‬ ‫وتقليل الضوضاء وإزالة القطع األثرية‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات معالجة الصور الرقمية‬ ‫ه‪:‬‬ ‫الت تنطوي عليها معالجة الصور الرقمية ي‬ ‫الخطوات األساسية ي‬ ‫ترميم الصورة‪ Image restoration :‬يتضمن ذلك إزالة التدهور من الصورة‪ ،‬مثل عدم الوضوح والضوضاء والتشويه‪.‬‬ ‫تجزئة الصورة‪ Image segmentation :‬يتضمن ذلك تقسيم الصورة إىل مناطق أو أجزاء‪ ،‬يتوافق كل منها مع كائن أو‬ ‫مية محددة يف الصورة‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات معالجة الصور الرقمية‬ ‫ه‪:‬‬ ‫الت تنطوي عليها معالجة الصور الرقمية ي‬ ‫الخطوات األساسية ي‬ ‫تمثيل الصورة والوصف ‪ : Image representation and description‬يتضمن ذلك تمثيل الصورة بطريقة يمكن تحليلها‬ ‫والتالعب بها بواسطة جهاز كمبيوتر‪ ،‬ووصف ميات الصورة بطريقة مضغوطة وذات مغزى‪.‬‬ ‫تحليل الصورة ‪ : Image analysis‬يتضمن ذلك استخدام الخوارزميات والنماذج الرياضية الستخراج المعلومات من الصورة‪،‬‬ ‫مثل التعرف عىل الكائنات واكتشاف األنماط وقياس الميات‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات معالجة الصور الرقمية‬ ‫ه‪:‬‬ ‫الت تنطوي عليها معالجة الصور الرقمية ي‬ ‫الخطوات األساسية ي‬ ‫توليف الصورة وضغطها ‪ :Image synthesis and compression‬يتضمن ذلك إنشاء صور جديدة أو ضغط الصور‬ ‫الموجودة لتقليل متطلبات التخزين والنقل‪.‬‬ ‫ُ‬ ‫طت‪ ،‬واالستشعار‬ ‫تستخدم معالجة الصور الرقمية عىل نطاق واسع يف مجموعة متنوعة من التطبيقات‪ ،‬بما يف ذلك التصوير ال ي‬ ‫عن بعد‪ ،‬ورؤية الكمبيوتر‪ ،‬والوسائط المتعددة‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات معالجة الصور الرقمية‬ ‫ه الصورة؟‬‫ما ي‬ ‫عرف الصورة بأنها دالة ثنائية األبعاد‪ ،F(x,y) ،‬حيث ‪x‬و ‪y‬إحداثيات مكانية ‪.‬حيث تمثل ) ‪ f(x,y‬عند أي زوج من‬‫ُت َّ‬ ‫اإلحداثيات شدة تلك الصورة عند تلك النقطة‬ ‫بعبارة أخرى‪ ،‬يمكن تعريف الصورة من خالل مصفوفة ثنائية األبعاد مرتبة بشكل خاص يف صفوف وأعمدة‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات معالجة الصور الرقمية‬ ‫تتكون الصورة الرقمية من عدد محدود من العناض‪ ،‬ولكل عنرص منها قيمة معينة يف موقع معي‪.‬يشار إىل هذه‬ ‫ُ‬ ‫العناض باسم عناض الصورة وعناض الصورة والبكسالت‪.‬تستخدم البكسالت عىل نطاق واسع لإلشارة إىل عناض‬ ‫الصورة الرقمية‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أساسيات معالجة الصور الرقمية‬ ‫الصورة الرقمية ليست سوى مجموعة ثنائية األبعاد من األرقام‪.‬‬ ‫تعت التالعب بهذه األرقام‪.‬‬ ‫معالجة الصورة ي‬ ‫إذا أردنا إزالة الضوضاء من الصورة أو نريد زيادة سطوع الصورة‪ ،‬فهذا ليس سوى التالعب بهذه األرقام‪.‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أنواع الصورة‬ ‫يوج اسمها عىل عنرصين بكسل فقط‪ ،‬أي ‪ 0‬و‪ ،1‬حيث يشي ‪ 0‬إىل‬ ‫ي‬ ‫الصورة الثنائية ‪ -‬تحتوي الصورة الثنائية كما‬ ‫ً‬ ‫ُ‬ ‫اللون األسود ويشي ‪ 1‬إىل اللون األبيض‪.‬تعرف هذه الصورة أيضا باسم أحادية اللون‪.‬‬ ‫الت تتكون من اللوني األسود واألبيض فقط صورة باألبيض واألسود‪.‬‬ ‫الصورة باألبيض واألسود ‪ -‬تسم الصورة ي‬ ‫‪Jens Martensson‬‬ ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫ه أصغر كمية يمكن تقسيم الصورة إليها‪.‬‬ ‫تتكون الصورة من عدة وحدات بكسل‪ ،‬حيث تكون البكسل ي‬ ‫ ‬ ‫تعالج أجهزة الكمبيوتر الصور يف شكل مجموعة من وحدات البكسل‪ ،‬حيث تحتوي كل وحدة بكسل عىل‬ ‫ ‬ ‫مجموعة من القيم‪ ،‬تمثل وجود وكثافة األلوان األساسية الثالثة‪ :‬األحمر واألخرص واألزرق‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪40‬‬ ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫تتجمع جميع وحدات البكسل ً‬ ‫معا لتكوين صورة رقمية‪.‬‬ ‫ ‬ ‫وبالتاىل‪ ،‬تصبح الصورة الرقمية مصفوفة‪ ،‬وتصبح الرؤية الحاسوبية دراسة للمصفوفات‪.‬يف حي‬ ‫ي‬ ‫ ‬ ‫الخط للتالعب بهذه المصفوفات‪ ،‬فإن التطبيقات‬ ‫ي‬ ‫تستخدم أبسط خوارزميات الرؤية الحاسوبية الجي‬ ‫المعقدة تنطوي عىل عمليات مثل االلتفافات مع النوى القابلة للتعلم وتخفيض العينات عي التجميع‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪41‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫أنواع الصورة‬ ‫ً‬ ‫عموما باسم‬ ‫تنسيق األلوان ‪ 8‬بت ‪ -‬إنه تنسيق الصورة األكي شهرة‪.‬يحتوي عىل ‪ 256‬درجة لون مختلفة ويعرف‬ ‫صورة تدرج الرمادي‪.‬يف هذا التنسيق‪ ،‬يرمز ‪ 0‬إىل األسود‪ ،‬ويرمز ‪ 255‬إىل األبيض‪ ،‬ويرمز ‪ 127‬إىل الرمادي‪.‬‬ ‫ً‬ ‫ً ُ‬ ‫ً‬ ‫تنسيق األلوان ‪ 16‬بت ‪ -‬إنه تنسيق صورة ملونة‪.‬يحتوي عىل ‪ 65536‬لونا مختلفا‪.‬يعرف أيضا باسم تنسيق األلوان‬ ‫العاىل‪.‬يف هذا التنسيق‪ ،‬ال يكون توزي ع األلوان كما هو الحال يف صورة تدرج الرمادي‪.‬‬ ‫ي‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫يمكن تمثيل الصورة كمصفوفة من قيم البكسل‪.‬‬ ‫‪Jens Martensson‬‬ ‫‪43‬‬  ‫كيف يتعامل الحاسوب مع الصور وكيف يقوم بتمثيل الصورة عىل الشاشة؟‬ ‫‪How does computer handle images and how does it represent Image on screen‬‬ ‫ه يف األساس شبكات من وحدات البكسل‪.‬‬ ‫رقم ي‬ ‫ي‬ ‫الصور يف شكل‬ ‫ه أصغر وحدة معلومات يف الصورة‪.‬‬ ‫‪ -‬كل وحدة بكسل ي‬ ‫‪ -‬تمثل أجهزة الكمبيوتر هذه الصور كمصفوفات متعددة األبعاد‪ ،‬حيث يتوافق كل عنرص من عناض المصفوفة‬ ‫مع قيمة وحدة البكسل‪.‬‬ ‫ً‬ ‫‪ -‬باستخدام ‪ ndarray‬يف ‪ ،NumPy‬فإنه يستخدم أعدادا صحيحة غي موقعة مكونة من ‪ 8‬بتات لتمثيل القيم‬ ‫من ‪ 0‬إىل ‪.255‬‬ ‫‪Jens Martensson‬‬ ‫‪44‬‬  ‫كيف يتعامل الحاسوب مع الصور وكيف يقوم بتمثيل الصورة عىل الشاشة؟‬ ‫‪How does computer handle images and how does it represent Image on screen‬‬ ‫لتوضيح هذا المفهوم‪ ،‬دعونا ن ي‬ ‫لف‬ ‫نظرة عىل صورة بحجم ‪35×35‬‬ ‫بكسل وتمثيل المصفوفة المقابلة‬ ‫لها‪:‬‬ ‫‪Jens Martensson‬‬  ‫كيف يتعامل الحاسوب مع الصور وكيف يقوم بتمثيل الصورة عىل الشاشة؟‬ ‫‪How does computer handle images and how does it represent Image on screen‬‬ ‫ً‬ ‫الصورة اليشى توضح كيف ندرك برصيا الصورة ي‬ ‫الت يبلغ حجمها ‪35 × 35‬‬ ‫بكسل‪.‬‬ ‫‪ -‬تعرض الصورة اليمت القيم الرقمية الفعلية المخزنة يف ذاكرة الكمبيوتر‪.‬‬ ‫‪ -‬كل رقم يف المصفوفة يتوافق مع بكسل يف الصورة‪.‬‬ ‫‪ -‬تمثل القيم المنخفضة (األلوان الداكنة) بكسالت داكنة‪ ،‬بينما تمثل القيم‬ ‫األعىل (األلوان الفاتحة) بكسالت أفتح‪.‬‬ ‫‪Jens Martensson‬‬  ‫كيف يتعامل الحاسوب مع الصور وكيف يقوم بتمثيل الصورة عىل الشاشة؟‬ ‫‪How does computer handle images and how does it represent Image on screen‬‬ ‫تمثيل البكسل‪: Pixel Representation:‬‬ ‫الصور الثنائية‪:‬‬ ‫ً‬ ‫ً‬ ‫‪ -‬يتم تمثيل كل بكسل إما ب ‪( 0‬عادة أسود) أو ‪( 1‬عادة أبيض)‪.‬‬ ‫‪ -‬تستخدم يف مهام معالجة الصور البسيطة أو عند التعامل مع الصور‬ ‫باألبيض واألسود‪.‬‬ ‫صور التدرج الرمادي‪:‬‬ ‫‪ -‬يتم تمثيل كل بكسل بقيمة واحدة تياوح من ‪( 0‬أسود) إىل ‪( 255‬أبيض)‪.‬‬ ‫‪ -‬تمثل القيم الموجودة بينهما درجات مختلفة من اللون الرمادي‪.‬‬ ‫‪ -‬ال تحتوي الصور ذات التدرج الرمادي عىل معلومات عن اللون‪ ،‬بل‬ ‫تحتوي فقط عىل كثافة اللون‪.‬‬ ‫‪Jens Martensson‬‬  ‫كيف يتعامل الحاسوب مع الصور وكيف يقوم بتمثيل الصورة عىل الشاشة؟‬ ‫‪How does computer handle images and how does it represent Image on screen‬‬ ‫تمثيل البكسل‪: Pixel Representation:‬‬ ‫صور ‪ RGB‬ملونة‪:‬‬ ‫‪ -‬يتم تمثيل كل بكسل بثالث قيم‪ ،‬تياوح كل منها من ‪ 0‬إىل ‪.255‬‬ ‫التواىل‪.‬‬ ‫ي‬ ‫‪ -‬تتوافق هذه القيم مع كثافة اللون األحمر واألخرص واألزرق عىل‬ ‫‪ -‬من خالل الجمع بي هذه األلوان األساسية الثالثة‪ ،‬يمكننا تمثيل ماليي‬ ‫األلوان‪.‬‬ ‫صور ‪RGBA:‬‬ ‫‪-‬مشابهة ل ‪ ،RGB‬ولكن مع قناة ألفا إضافية‪.‬‬ ‫ً‬ ‫أيضا من ‪( 0‬شفافة ً‬ ‫تماما) إىل ‪255‬‬ ‫‪ -‬تمثل قناة ألفا الشفافية‪ ،‬وتياوح‬ ‫(معتمة ً‬ ‫تماما)‪.‬‬ ‫‪Jens Martensson‬‬  ‫كيف يتعامل الحاسوب مع الصور وكيف يقوم بتمثيل الصورة عىل الشاشة؟‬ ‫‪How does computer handle images and how does it represent Image on screen‬‬ ‫تمثيل البكسل‪: Pixel Representation:‬‬ ‫ صور )‪HSV ) HSV (Hue, Saturation, Value‬‬ ‫‪Images‬الصبغة والتشبع والقيمة)‪:‬‬ ‫‪ -‬يتم تمثيل كل بكسل بثالث قيم‪:‬‬ ‫ً‬ ‫‪.1‬الصبغة ‪ : Hue‬تمثل اللون نفسه‪ ،‬وتياوح عادة من ‪ 0‬إىل ‪ 360‬درجة‪.‬‬ ‫‪.2‬التشبع ‪ : Saturation‬تمثل شدة أو نقاء اللون‪ ،‬وتياوح من ‪ 0‬إىل‬ ‫‪.%100‬‬ ‫‪.3‬القيمة ‪ : Value‬تمثل سطوع اللون‪ ،‬وتياوح من ‪ 0‬إىل ‪.%100‬‬ ‫‪Jens Martensson‬‬  ‫كيف يتعامل الحاسوب مع الصور وكيف يقوم بتمثيل الصورة عىل الشاشة؟‬ ‫‪How does computer handle images and how does it represent Image on screen‬‬ ‫تمثيل البكسل‪: Pixel Representation:‬‬ ‫‪ HSV‬أقرب إىل كيفية إدراك العي ر‬ ‫البشية لأللوان‪:‬‬ ‫ ‬ ‫‪ -‬يشبه تميي الصبغة كيفية تسمية األلوان‪.‬‬ ‫‪ -‬يشبه التشبع حيوية اللون‪.‬‬ ‫‪ -‬تشبه القيمة كيفية إدراكنا للسطوع أو الظالم‪.‬‬ ‫ً‬ ‫‪ً -‬‬ ‫غالبا ما يتم استخدامه يف الرؤية الحاسوبية الكتشاف الكائنات وتقسيمها استنادا إىل اللون‪.‬‬ ‫‪ -‬يفصل ‪HSV‬معلومات اللون (الصبغة) عن الشدة (القيمة)‪ ،‬مما يجعله أكي متانة يف مواجهة تغييات‬ ‫اإلضاءة‪.‬‬ ‫ً‬ ‫مالحظة ‪:‬بينما يتم تخزين قيم ‪RGB‬عادة كأعداد صحيحة من ‪0‬إىل ‪،255‬‬ ‫ً‬ ‫غالبا ما يتم تطبيع قيم ‪HSV:‬‬ ‫‪-‬الصبغة ‪:‬من ‪0‬إىل ) ‪360‬درجة (أو من ‪0‬إىل ‪1‬‬ ‫‪-‬التشبع ‪:‬من ‪0‬إىل ‪1‬أو من ‪0%‬إىل ‪10- 0%‬‬ ‫‪-‬القيمة ‪:‬من ‪0‬إىل ‪1‬أو من ‪0%‬إىل ‪100%‬‬ ‫‪Jens Martensson‬‬  ‫معالجة الصور الرقمية ‪Digital Image Processing‬‬ ‫الخطوات االساسيه لمعالجة الصور‪:‬‬ ‫‪.1‬استياد الصورة عي أدوات الحصول عىل الصور؛‬ ‫‪.2‬تحليل الصورة ومعالجتها؛‬ ‫‪.3‬إخراج يمكن أن تكون النتيجة فيه صورة معدلة أو تقرير يعتمد عىل تحليل تلك الصورة‪.‬‬ ‫‪Jens Martensson‬‬ Thank You  ‫‪Computer vision‬‬ ‫الرؤية الحاسوبية‬  ‫استخراج الميزات ‪Feature Extraction‬‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫‪Image Edge Detection Operators in Digital Image Processing‬‬ ‫اكتشاف الحواف‬ ‫كبية في الكثافة في الصورة الرقمية ‪.‬‬ ‫تغييات ر‬ ‫الحواف ‪:‬هي ر‬ ‫ً‬ ‫فصلتي ‪.‬هناك‬ ‫ر ي‬ ‫منطقتي من‬ ‫ر ي‬ ‫يمكن تعريف الحافة عىل أنها مجموعة من وحدات البكسل المتصلة التي تشكل حدودا ر ي‬ ‫بي‬ ‫ثالثة أنواع من الحواف‪:‬‬ ‫‪.1‬الحواف األفقية‬ ‫‪.2‬الحواف الرأسية‬ ‫‪.3‬الحواف القطرية‬ ‫يتيح اكتشاف الحواف ألنظمة‬ ‫معالجة الصو ير الرقمية تسليط‬ ‫الرئيسية‬ ‫التغييات ي‬ ‫ر‬ ‫الضوء عىل عىل‬ ‫في مستويات االلوان‪ ،‬مميا يسهل‬ ‫تحليل وفهم محتوى الصورة‪.‬‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫‪.1‬الحواف األفقية‬ ‫تغييي‬ ‫ر‬ ‫الحواف األفقية ‪:‬في الصورة‪ ،‬يتم إنشاء حافة أفقية عند حدوث‬ ‫ً‬ ‫تشي هذه الحواف إىل انتقاالت أو حد يود‬ ‫وعادة ما ر ي‬ ‫ي‬ ‫مفاجي في اللون أو الكثافة ‪.‬‬ ‫ربيي مناطق أو أشياء أفقية في المقام األول‪.‬‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫‪.2‬الحواف الرأسية‬ ‫تغي مفاجي في اللون أو‬ ‫الحواف الرأسية ‪:‬عىل العكس من ذلك‪ ،‬فإن الحافة الرأسية هي ر ي‬ ‫تشي هذه الحواف إىل هذه الحدود أو االنتقاالت ب ر ي‬ ‫ي‬ ‫الكثافة داخل الصورة ‪ً.‬‬ ‫غالبا ما ر ي‬ ‫المناطق أو الكائنات ذات الخصائص الرأسية في الغالب‪.‬‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫‪.3‬الحواف القطرية‬ ‫ُ‬ ‫الحواف القطرية ‪:‬تظهر الحواف القطرية تحوالت في اللون أو الكثافة ال تكون أفقية أو‬ ‫تماما ‪.‬ورغم قلة تكرار حدوثهيا‪ ،‬إال أن هذه الحواف قد تكون مهمة في بعض‬ ‫ً‬ ‫رأسية‬ ‫المواقف‪ ،‬مثل الصور التي تحتوي عىل أشياء مائلة أو أنسجة معقدة‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫يعد اكتشاف الحواف طريقة لتقسيم الصورة إىل مجموعاتيمثل‪:‬‬ ‫‪.1‬التعرف عىل األنماط ‪:‬تحديد وتصنيف الكائنات أو األنماط داخل الصورة هي أهداف التعرف عىل األنماط ‪.‬وبفضل اكتشاف‬ ‫بي كائن وآخر‪.‬‬ ‫التميي ر ي‬ ‫ري‬ ‫الحواف‪ ،‬فإن العثور عىل حواف العنارص يجعل من األسهل‬ ‫ُ‬ ‫‪.2‬مورفولوجيا الصورة ‪:‬يعرف التالعب بأشكال وهياكل الصورة باستخدام تقنيات مثل التآكل والتمدد باسم مورفولوجيا الصورة‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫‪.3‬التجزئة‪ :‬تتضمنيعمليةيتجزئةيالصورةيتقسيمهايإىليمناطقيأويعنارصيمفيدة‪.‬تبدأيهذهيالعمليةيباكتشافيالحواف‪،‬يوالذيييحددي‬ ‫الحدوديالمحتملةيبييالكائناتيأويالمواقع‪.‬‬ ‫ر‬ ‫‪.4‬تقليليالبيانات‪ :‬تتمتعيتقنيةياكتشافيالحوافيبالقدرةيعىليتقليليكميةيالبياناتيفيالصورةيمعيالحفاظيعىليالمعلوماتيالبنيويةي‬ ‫المهمة‪.‬‬ ‫ً‬ ‫يمكنيللمعالجةيالالحقةيأنيتركزيعىليمناطقياالهتماميالتيتميتحديدهايمنيخالليالحوافيالمكتشفةيبداليمنيمعالجةي‬ ‫ ‬ ‫الصورةيبالكامل‪.‬وهذاييحسنيمنيفعاليةينقليالصوريوتخزينهايويرسعيمنيالمعالجة‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫نماذج الحافة‬ ‫هي هياكل نظرية تستخدم لوصف وفهم األنواع المختلفة من الحواف التي يمكن أن تظهر في الصورة‪.‬‬ ‫تساعد هذه النماذج في تطوير خوارزميات الكتشاف الحافة من خالل تصنيف أنواع تغيرات الكثافة التي تشير إلى الحواف‪.‬‬ ‫ ‬ ‫أ‬ ‫نماذج الحافة الساسية‬ ‫تغيرا مفاجئًا في الكثافة‪ ،‬حيث تنتقل كثافة الصورة من قيمة إلى أخرى في خطوة واحدة‬ ‫الخطوة ‪ :Step‬تمثل حافة الخطوة ً‬ ‫ ‬ ‫ً‬ ‫انتقال تدريجيًا في الكثافة على مسافة معينة‪ ،‬بدلً من التغيير المفاجئ ‪.‬‬ ‫المنحدر ‪ :Ramp‬حافة المنحدر‬ ‫ ‬ ‫السقف ‪ :Roof‬تمثل حافة السقف ذروة أو سلسلة في ملف تعريف الكثافة‪ ،‬حيث تزداد الكثافة إلى الحد األقصى ثم تنخفض‪.‬‬ ‫ ‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫دالة كثافة الصورة ‪Image Intensity Function‬‬ ‫تمثل دالة كثافة سطوع الصورة أو الكثافة ‪،‬كل بكسل‬ ‫في صورة بدرجات الرمادي ‪.‬وفي صورة ملونة‪ ،‬يمكن‬ ‫توسيع دالة الكثافة لتشمل قنوات متعددة عىل سبيل‬ ‫صورة)‬ ‫المثال‪( RGB ،‬األحمر واألخضي واألزرق في ال ي‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫المشتقة ‪Derivative‬‬ ‫ُ‬ ‫التغي اللحظي في كمية ما بالنسبة إىل كمية أخرى‪.‬‬ ‫ري‬ ‫تعرف المشتقة بأنها معدل‬ ‫المشتقة األوىل‪:‬‬ ‫التغي في الصورة (البكسل)‪.‬وهي مفيدة في‬ ‫ري‬ ‫تقيس المشتقة األوىل معدل شدة‬ ‫تتغي فيهيا الشدة برسعة‪.‬‬ ‫اكتشاف الحواف ألن الحواف هي مواقع في الصورة ر ي‬ ‫الكبية في الشدة‪.‬يويمكن‬ ‫ر‬ ‫التغيات‬ ‫ر‬ ‫وهي تكتشف الحواف من خالل تحديد‬ ‫تقريب المشتقة األوىل باستخدام مشغالت التدرج مثل مشغالت ‪Sobel‬أو‬ ‫‪f'(x) = limx→a f(x) – f(a) / x – a‬‬ ‫‪Prewitt‬أو ‪Scharr.‬‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫المشتقة الثانية‬ ‫تغي المشتقة األوىل‪.‬وهي‬ ‫تقيس المشتقة الثانية معدل ر ي‬ ‫مفيدة في اكتشاف الحواف ألن التقاطع الصفري (النقاط‬ ‫ً‬ ‫غالبيا ميا تتوافق مع‬ ‫تتغي فيهيا إشارة المشتقة الثانية)‬ ‫ري‬ ‫التي‬ ‫الحواف‪.‬وهي تكتشف الحواف من خالل تحدي يد التقاطع‬ ‫الصفري في معدل ر ي‬ ‫تغي الشدة‪.‬ويمكن تقريب المشتقة‬ ‫الثانية باستخدام مشغل البالس‪.‬‬ ‫)‪d/dx{df(x)/dx} = d2y/dx2 = f”(x‬‬ ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫طرقيمعامالتياكتشافيالحوافيمنينوعي‪:‬‬ ‫ر ي‬ ‫‪.1‬مشغليقائميعىليالتدرجييحسبياالشتقاقات مني‬ ‫الدرجةياألوىليفيصورةيرقميةيمثليمشغليس يوبل‪،‬ي‬ ‫ومشغليبريويت‪،‬يومشغليروبرت‬ ‫‪.2‬مشغليقائميعىليالغاوسييحسبياالشتقاقاتي‬ ‫منيالدرجةيالثانيةيفيصورةيرقميةيمثليكاشفي‬ ‫الحوافيكان‪،‬يومشغليالبالسيأويغاوسي‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫‪ : Sobel Edge Detection‬تقنيةيشائعةياالستخداميفيمعالجةيالصوريوالرؤيةيالحاسوبيةيالكتشافيالحوافيفيالصورة‪.‬‬ ‫إنهايطريقةيتعتمديعىليالتدرجيوتستخدميعملياتيااللتفافيمعينوىيمحددةيلحسابيمقداريالتدرجيواتجاههيعنديكليبكسليفيالصورة‪.‬‬ ‫ ‬ ‫المزايا‪:‬‬ ‫حساب بسيط وفعّال من حيث الوقت‬ ‫ ‬ ‫سهل للغاية في البحث عن الحواف الناعمة‬ ‫ ‬ ‫القيود‪:‬‬ ‫ال يتم االحتفاظ بنقاط االتجاه القطري دائمًا‬ ‫ ‬ ‫حساس للغاية للضوضاء‬ ‫ ‬ ‫ليس دقيقًا جدًا في اكتشاف الحواف‬ ‫ ‬ ‫ال يعطي الكشف باستخدام الحواف السميكة والخشنة نتائج مناسبة‬ ‫ ‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫ً‬ ‫هذايالعامليمشابهيتقريبايلعاملي ‪ Sobel.‬كمايأنهييكتشفيالحوافيالرأسيةيواألفقيةيللصورة‪.‬وهويأحدي‬ ‫‪: Prewitt Operator‬‬ ‫أفضليالطرقيالكتشافياتجاهيوحجميالصورة‪.‬وهوييستخدميالنواة‪.‬‬ ‫المزايا‪:‬‬ ‫أداء جيد في اكتشاف الحواف الرأسية واألفقية‪.‬‬ ‫ ‬ ‫أفضل مشغل الكتشاف اتجاه الصورة‪.‬‬ ‫ ‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫‪:Robert Operator‬‬ ‫ً‬ ‫يحسبيهذايالمشغليالقائميعىليالتدرجيمجموعيمربعاتياالختالفاتيبييوحداتيالبكسليالمتجاورة قطريايفي‬ ‫ر‬ ‫مشغليروبرت‪:‬‬ ‫صورةيمنيخالليالتمايزيالمنفصل‪.‬ثمييتميإجراءيتقريبيالتدرج‪.‬ويستخدميالنواةيأوياألقنعةيالتاليةي‪2 × 2‬‬ ‫المزايا‪:‬‬ ‫ الكشفيعنيالحوافيواالتجاهاتيسهليللغاية‬ ‫ يتميالحفاظيعىلينقاطياالتجاهيالقطرية‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫ً‬ ‫المعروفةيغالبايباسمي‪ ،Canny Operator‬منيالطرقيالمشهورةيللغايةيفيالكشفيعنيالحوافيفيمعالجةي‬ ‫تعديطريقةي‪،Canny Edge Detector‬‬ ‫ً‬ ‫ً‬ ‫ً‬ ‫يخيارايمفضاليبسببيدقتهايفيالكشفيعنيالحوافيوتقليليالضوضاءيوإنشاءيخطوطيحافةيرفيعةيومحددةيجيدا‬ ‫الصوريالرقمية‪,.‬وه‬ ‫‪ ‬تعديطريقةي ‪Canny Edge Detector‬طريقةيقويةيللكشفيعنيالحوافيمعروفةيبتحديديالحوافيبدقةيفيالصوريالرقمية‪.‬‬ ‫‪ ‬تعديأداةيمفيدةيللعديديمنيتطبيقاتيمعالجةيالصور‪،‬يحيثيتساعديإجراءاتهايمتعددةيالمراحليفيالتخلصيمنيالضوضاءي يوإنتاجيخطوطي‬ ‫حافةيرفيعةيوتوصيليأجزاءيالحافة‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫عمليةيالبالس‪:‬‬ ‫يتمياستخداميمجموعيالمشتقاتي‬ ‫ي‬ ‫يتميتنعيميالصورةيباستخدامينواةيغاوسية‪،‬يثمييتمياستخداميعامليالبالسيلتحديديالبالسيللصورة‪.‬‬ ‫الثانيةيالمتعلقةيباإلحداثياتيالمكانيةيللصورةي(‪)x,y‬لتحديديالبالسيالخاصةيبها‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫تطبيقاتياكتشافيحافةيالصورةيفيالعالميالحقيقي‪:‬‬ ‫يعتيياكتشافيالحافةيطريقةيأساسيةيفيمعالجةيالصوريالرقمية‪،‬يولهيالعديديمنياالستخداماتيالعمليةيفيمختلفيالصناعات‪.‬‬ ‫ً‬ ‫وريايلتحديديوإبرازيالهياكل ر‬ ‫ً‬ ‫ر‬ ‫الترسيحيةيفيصورياألشعةي‬ ‫‪،‬ييعديالكشفيعنيالحافةيأمرايرص‬‫الكشفيعنيالبنيةيالترسيحية‪ :‬فيالتصويريالطت‬ ‫يالمحوسبيوالتصويريبالرنييالمغناطيسي‪.‬يسهليذلكيالتخطيطيللتشخيصاتيوالعالجاتيالفعالة‪.‬‬ ‫ر‬ ‫السينيةيوالتصويريالمقطع‬ ‫التعرفيعىلياألشياءيواكتشافها‪:‬‬ ‫يعديالكشفيعنيالحافةيتقنيةيتصويريباألقماريالصناعيةيوالجويةيالكتشافياألشياءيأويالهياكليوالتعرفيعليها‪.‬وهذايأمريبالغياألهميةي‬ ‫لوظائفيمثليالتخطيطيالحضييواإلغاثةيمنيالكوارثيوالمراقبةيالبيئية‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫تطبيقاتياكتشافيحافةيالصورةيفيالعالميالحقيقي‪:‬‬ ‫يعتيياكتشافيالحافةيطريقةيأساسيةيفيمعالجةيالصوريالرقمية‪،‬يولهيالعديديمنياالستخداماتيالعمليةيفيمختلفيالصناعات‪.‬‬ ‫ً‬ ‫يالتصنيعيلفحصيالمنتجاتيبحثايعنيالعيوبيأوي‬ ‫ي‬ ‫التفتيشيالتجاري‪ :‬يعديالكشفيعنيالحافةيتقنيةيمراقبةيالجودةيالمستخدمةيف‬ ‫الشذوذ‪.‬ويمكنهياكتشافيعيوبيالسطحيوالشقوقيواألجزاءيالمفقودةيفيالسلعيالمصنعة‪.‬‬ ‫الروبوتات‪ :‬تستخدميالروبوتاتيالكشفيعنيالحافةيللعثوريعىلياألشياءيوالحواجزيفيبيئتها‪.‬تحديديموقعياألشياء‪.‬وهذاييسهلي‬ ‫التجميعياآلىليوالتالعبيباألشياءيوالمالحة‪.‬‬ ‫الكشفيعنيالمسار‪ :‬تستخدميالسياراتيذاتيةيالقيادةيالكشفيعنيالحافةيلتحديديعالماتيالمساريعىليالطرق‪.‬وللمالحةياآلمنةي‬ ‫والتحكميفيالمركبات‪،‬يتعديهذهيالمعلوماتيرصورية‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫تطبيقاتياكتشافيحافةيالصورةيفيالعالميالحقيقي‪:‬‬ ‫يعتيياكتشافيالحافةيطريقةيأساسيةيفيمعالجةيالصوريالرقمية‪،‬يولهيالعديديمنياالستخداماتيالعمليةيفيمختلفيالصناعات‪.‬‬ ‫القياساتيالحيوية‪ :‬يتمياستخداميالكشفيعنيالحافةيفيأنظمةيالتعرفيعىليالوجهيكخطوةيمعالجةيمسبقة‪.‬يساعديفي فصليالسماتي‬ ‫الفرديةيللوجهيويحسنيدقةيخوارزمياتيالتعرفيعىليالوجه‪.‬‬ ‫منيخالليالحفاظيعىليالمياتيالمهمة‪،‬ي‬ ‫ر‬ ‫ضغطي ‪ JPEG:‬يتمياالحتفاظيبمعلوماتيالحافةيعنديضغطيالصوريباستخداميتنسيقي ‪JPEG.‬‬ ‫يساعديهذايفيالحفاظيعىليجودةيالصورة‪.‬‬ ‫التعرفيعىليبصماتياألصابع‪ :‬تحليليبصماتياألصابع‪ :‬يتمياستخدامياكتشافيالحافةيالستعادةيالتالليوالنقاطيالدقيقةيالخاصةي‬ ‫ببصماتيأصابعيكليشخصيوللتعرفيالبيوميي‪.‬‬  ‫معامالت اكتشاف حواف الصورة في معالجة الصور الرقمية‬ ‫اكتشاف الحواف‬ ‫تطبيقاتياكتشافيحافةيالصورةيفيالعالميالحقيقي‪:‬‬ ‫يعتيياكتشافيالحافةيطريقةيأساسيةيفيمعالجةيالصوريالرقمية‪،‬يولهيالعديديمنياالستخداماتيالعمليةيفيمختلفيالصناعات‪.‬‬ ‫يبييالنصي‬ ‫عىليالتميي ر‬ ‫ر‬ ‫تقييميالمستنداتياستخراجيالنص‪ :‬يساعدياكتشافيالحافةيفيأنظمةيالتعرفيالضونيعىليالحروفي( )‪OCR‬‬ ‫ً‬ ‫يالمستنداتيالممسوحةيضوئيا‪،‬يمماييجعليالتعرفيعىليالنصيورقمنتهيأسهل‪.‬‬‫والخلفيةيف‬ ‫رصديالتغيياتيفي‬ ‫ر‬ ‫مراقبةيصحةيالمحاصيل‪ :‬يتمياستخدامياكتشافيالحافةيفيتطبيقاتياالستشعاريعنيبعديلتتبعيصحةيالمحاصيلي يو‬ ‫الغطاءيالنبان‪،‬يمماييدعميالزراعةيالدقيقة‪.‬‬ ‫ر‬ ‫الطبيالرسعي‪ :‬تفحصيخوارزمياتياكتشافيالحافةيالصوريفيالتحقيقاتيالجنائيةيوتكتشفيالعبثيأويالتعديالت المحتملة‪.‬‬ Thank You  ‫‪Computer vision‬‬ ‫الرؤية الحاسوبية‬  ‫استخراج الميزات ‪Feature Extraction‬‬ ‫اكتشاف الزوايا ونقاط االهتمام‬ ‫‪Corner and Interest Point Detection‬‬ ‫ئ‬ ‫مفاج‬ ‫تغيي‬ ‫ر ن‬ ‫حافتي (حيث تكون الحافة عبارة عن ر‬ ‫تفسي الزاوية عىل أنها تقاطع‬ ‫ر‬ ‫يمكن‬ ‫ن‬ ‫يف سطوع الصورة)‬ ‫‪.1‬اكتشاف الزوايا ‪:‬‬ ‫هي نقطة في الصورة تتغير فيها شدة الصورة بشكل كبير في اتجاهات متعددة‪.‬‬ ‫إنها نقاط تلتقي فيها حافتان أو يحدث فيها تغيير كبير في الملمس‪.‬‬ ‫لماذا تعتبر الزوايا مهمة؟‬ ‫المتانة‪ :‬تكون مستقرة بشكل عام وال تتغير تحت التحويالت مثل الدوران والتدرج‪.‬‬ ‫التميز‪ :‬الزوايا مميزة للغاية ويمكن استخدامها لوصف الكائنات بشكل أكثر فعالية من الحواف‪.‬‬ ‫إمكانية التتبع‪ :‬يمكن تتبعها عبر اإلطارات في الفيديو أو من وجهات نظر مختلفة في الرؤية المجسمة‪.‬‬ ‫استخراج الميزات ‪Feature Extraction‬‬ ‫اكتشاف الزوايا ونقاط االهتمام‬ ‫‪Corner and Interest Point Detection‬‬ ‫خوارزميات اكتشاف الزوايا الشائعة‪:‬‬ ‫كاشف زوايا هاريس‪:‬‬ ‫يعتمد على فكرة أن الزوايا تظهر تغييرات كبيرة في الشدة في اتجاهات متعددة‪.‬‬ ‫ ‬ ‫الفكرة األساسية هي البحث عن مناطق ذات تدرجات عالية في جميع االتجاهات‬ ‫ ‬ ‫(تغيرات حادة في الشدة)‪.‬‬ ‫كاشف الزوايا شي‪-‬توماسى‪:‬‬ ‫صا لتحديد الزوايا بشكل أفضل‪.‬‬ ‫تحسين على كاشف هاريس‪ ،‬مصممه خصي ً‬ ‫ ‬ ‫يستخدم الحد األدنى من القيمة الذاتية للمصفوفة‬ ‫ ‬  ‫استخراج الميزات ‪Feature Extraction‬‬ ‫اكتشاف الزوايا ونقاط االهتمام‬ ‫‪Corner and Interest Point Detection‬‬ ‫‪.2‬خوارزميات كشف نقاط االهتمام‬ ‫نقاط االهتمام‪ ،‬المعروفة أيضًا باسم النقاط الرئيسية‪ ،‬هي مواقع في الصورة تبرز بسبب تميزها وغال ًبا ما تُستخدم في التعرف على‬ ‫الكائنات ومطابقة الميزات والتتبع‪.‬يمكن أن تكون زوايا‪ ،‬ولكن نقاط االهتمام يمكن أن تكون أيضًا بقعًا أو ميزات مميزة أخرى‪.‬‬ ‫لماذا تعتي نقاط االهتمام مهمة؟‬ ‫ المطابقة ‪ :‬يمكن استخدامها لمطابقة النقاط المقابلة عبر صور أو إطارات مختلفة‪.‬‬ ‫ الثبات ‪ :‬عادة ما تكون نقاط االهتمام ثابتة في تحويالت الصور مثل التدرج والدوران والتغييرات التماثلية‪.‬‬ ‫ الواصفات ‪ :‬غالبا ما يتم وصف نقاط االهتمام باستخدام واصفات محلية‪ ،‬والتي تساعد في تحديدها بشكل فريد‪.‬‬  ‫استخراج الميزات ‪Feature Extraction‬‬ ‫اكتشاف الزوايا ونقاط االهتمام‬ ‫‪Corner and Interest Point Detection‬‬ ‫خوارزميات اكتشاف نقاط االهتمام الشائعة‬ ‫‪:FAST‬‬ ‫خوارزمية سريعة الكتشاف الزوايا مصممة للعمل في الوقت الفعلي‪.‬‬ ‫ ‬ ‫تستخدم دائرة مكونة من ‪16‬بكسل حول نقطة مرشحة لتحديد ما إذا كانت النقطة زاوية من خالل مقارنة فروق الكثافة‪.‬‬ ‫ ‬ ‫‪:SIFT‬‬ ‫ال يكتشف الزوايا فحسب‪ ،‬بل يقيسها ويوجهها أيضًا بنا ًء على خصائصها‪.‬‬ ‫ ‬ ‫‪ SIFT‬مفيد الكتشاف النقاط الرئيسية القوية عبر صور مختلفة يمكن تدويرها أو تغيير مقياسها أو إزاحتها‪.‬‬ ‫ ‬ ‫)‪HOG (Histogram of Oriented Gradients‬‬ ‫تقوم هذه الخوارزمية بالتحقق مباشرة من البكسالت المحيطة بكل بكسل على حدة‪.‬‬  ‫استخراج الميزات ‪Feature Extraction‬‬ ‫اكتشاف الزوايا ونقاط االهتمام‬ ‫‪Corner and Interest Point Detection‬‬ ‫كشف الدائرة‬ ‫يجد اكتشاف الدائرة مجموعة متنوعة من االستخدامات في التطبيقات الطبية الحيوية‪ ،‬بدءًا من اكتشاف القزحية‬ ‫وحتى تقسيم خاليا الدم البيضاء‪.‬‬ ‫‪Hough‬على الصورة ‪.‬‬ ‫خوارزمية تحويل هوف‬  ‫استخراج الميزات ‪Feature Extraction‬‬ ‫اكتشاف الزوايا ونقاط االهتمام‬ ‫‪Corner and Interest Point Detection‬‬ ‫كشف حقل المستند باستخدام مطابقة القالب‬ ‫مطابقة القالب هي تقنية معالجة الصور التي تستخدم للعثور على موقع األجزاء الصغيرة‪/‬القالب في صورة كبيرة‪.‬تُستخدم هذه التقنية على نطاق‬ ‫واسع في مشاريع اكتشاف الكائنات‪ ،‬مثل جودة المنتج وتتبع المركبات والروبوتات وما إلى ذلك‪.‬‬ ‫تعتبر الخوارزمية بسيطة لحل مشكلة اكتشاف المجال وتحديد موقع صور‬ ‫المستندات التي تنتمي إلى مجاالت محددة‪.‬‬ Thank You  ‫‪Computer vision‬‬ ‫الرؤية الحاسوبية‬  ‫تقسيم الصورة‬ ‫‪Image Segmentation‬‬ ‫ه عملية تقسيم الصورة إىل عدة مناطق ‪.‬وعادةى ما ر‬ ‫تشتك‬ ‫ى‬ ‫وحدات البكسل فى هذه المناطق فى خصائص معينة‪.‬‬ ‫الهدف من التجزئة هو تقسيم الصورة إىل مناطق ذات‬ ‫معنى أو صلة لغرضىمزيد من التحليل‪ ،‬مثل اكتشاف‬ ‫الكائنات‪ ،‬أو التعرف عىل الصو ىر‪ ،‬أو فهم المشهد‪.‬‬ ‫غالباىمايتم استخدام تقسيم الصورة اللتقاط حدود أكتى وضوحا لألشياء‪.‬‬  ‫تقسيم الصورة‬ ‫‪Image Segmentation‬‬ ‫‪Types of Image Segmentation‬‬ ‫أنواع تجزئة الصور‬ ‫التجزئة الداللية ‪Semantic Segmentation‬‬ ‫التعريف ‪ :‬يتم تصنيف كل بكسل من الصورة إلى فئة محددة مسبقًا على سبيل المثال‪ ،‬الخلفية‪،‬‬ ‫الشخص‪ ،‬السيارة‪ ،‬الشجرة‪ ،‬إلخ والهدف هو تعيين تسمية لكل بكسل‪.‬‬ ‫الخصائص ‪ :‬يتم تصنيف كل بكسل إلى فئة محددة‪ ،‬يتم التعامل مع الحاالت المختلفة من نفس‬ ‫نوع الكائن على أنها واحدة‪.‬‬ ‫مثال ‪:‬في صورة بها كلب وبقرة‪ ،‬سيتم تصنيف كل من الكلب والبقرة على أنهما "حيوان "في‬ ‫التجزئة الداللية‪.‬‬ ‫التجزئة الداللية مناسبة لتصنيف األشياء غير القابلة للعد مثل "السماء "أو "المحيط "أو‬ ‫األشياء التي نهتم بها فقط‪ ،‬مثل مجموعات مثل "األوراق "أو العشب‬  ‫تقسيم الصورة‬ ‫‪Image Segmentation‬‬ ‫‪Types of Image Segmentation‬‬ ‫أنواع تجزئة الصور‬ ‫تجزئة المثيالت ‪Instance segmentation‬‬ ‫إن تقسيم المثيالت يشبه إلى حد كبير التقسيم الداللي‪.‬والفرق الوحيد هو أنه يميز بين الكائنات المختلفة من نفس الفئة‪.‬‬ ‫التعريف ‪:‬تتجاوز عملية تقسيم الحاالت عملية التقسيم الداللي من خالل عدم تصنيف كل‬ ‫بكسل فحسب‪ ،‬بل وأيضًا التمييز بين الحاالت المختلفة لنفس فئة الكائن‪.‬‬ ‫الخصائص ‪:‬يتم فصل الكائنات المتعددة من نفس الفئة إلى حاالت مميزة‪ ،‬حتى لو كانت‬ ‫تنتمي إلى نفس الفئة‪.‬‬ ‫مثال ‪:‬في صورة بها ماعز متعددة‪ ،‬ستميز عملية تقسيم الحاالت بين الماعزالفردية‪ ،‬وليس‬ ‫فقط تجميع كل الماعز تحت فئة «الماعز‪".‬‬ ‫‪.‬التجزئة المثيلة مناسبة لفهم األشياء القابلة للعد‪.‬‬  ‫تقسيم الصورة‬ ‫‪Image Segmentation‬‬ ‫‪Types of Image Segmentation‬‬ ‫أنواع تجزئة الصور‬ ‫التجزئة الشاملة ‪Panoptic segmentation‬‬ ‫التعريف‪ :‬تجمع التجزئة البانوبتيكية بين نقاط قوة التجزئة الداللية وتجزئة المثيالت‪.‬‬ ‫فهي تعين تسمية فريدة لكل بكسل‪ ،‬مما يميز بين كل من مثيالت الكائنات وفئات‬ ‫الخلفية‪.‬‬ ‫الخصائص‪ :‬يتم تصنيف كل بكسل في الصورة إما ككائن أو خلفية‪ ،‬ويتم فصل كل مثيل‬ ‫كائن ووضع عالمة مميزة عليه‪.‬‬ ‫مثال‪ :‬في صورة مشهد شارع به سيارات متعددة ومشاة وأشجار‪ ،‬ستقوم التجزئة‬ ‫البانوبتيكية بتسمية كل سيارة ومشاة وشجرة وبكسل خلفية بشكل منفصل‪.‬‬  ‫تقسيم الصورة‬ Image Segmentation  ‫تقسيم الصورة‬ ‫‪Image Segmentation‬‬ ‫تقنيات التجزئة ‪Segmentation Techniques‬‬ ‫العتبة ‪Thresholding‬‬ ‫الوصف ‪:‬تقنية بسيطة يتم فيها تقسيم قيم البكسل بنا ًء على الكثافة ‪.‬يتم تجميع‬ ‫البكسالت التي تحتوي على قيم كثافة أعلى أو أقل من عتبة معينة معًا‪.‬‬ ‫األنواع‪:‬‬ ‫العتبة الشاملة ‪:‬يتم تطبيق قيمة عتبة واحدة على الصورة بأكملها‪.‬‬ ‫ ‬ ‫العتبة التكيفية ‪:‬يتم تطبيق عتبات مختلفة على مناطق مختلفة