آموزشبینایی ماشین

درس ۲ از ۸۱، هوش مصنوعی، حدود ۲۵ دقیقه خواندن

تفاوت بینایی ماشین و پردازش تصویر

جواب کوتاه

پردازش تصویر، به انگلیسی Image Processing، یه عکس می‌گیره و یه عکس دیگه پس می‌ده: روشن‌تر، تیزتر، صاف‌تر، چرخیده، یا با لبه‌های پررنگ. بینایی ماشین، به انگلیسی Computer Vision، یه عکس می‌گیره و یه معنی پس می‌ده: «این گربه‌ست»، «این پلاک، این عدده»، یا «یه آدم، از در وارد شد». مثل دو نفر که یه عکس قدیمی بهشون می‌دید: عکس‌پرداز، یه عکس تمیزتر پس می‌ده؛ کارآگاه، یه جمله درباره‌ی اینکه توی عکس، چی هست. طبق راهنمای رسمی یه کتابخونه‌ی رایگان شناخته‌شده‌ی بینایی ماشین، کارهای پردازش تصویر، چیزهایی مثل عوض کردن فضای رنگ، چرخوندن و جابه‌جا کردن، تبدیل به سیاه‌وسفید، صاف کردن و تار کردن، و پیدا کردن لبه‌ها رو شامل می‌شه؛ و یکی از ابزارهای اصلیش، فیلتر کردنه: یه پنجره‌ی کوچیک از عددها، که روی همه‌ی پیکسل‌ها حرکت می‌کنه. این دو، رقیب نیستن؛ یه زنجیرن: پردازش تصویر، عکس رو آماده می‌کنه، و بینایی ماشین، ازش معنی می‌سازه. و مرزشون، کمرنگه.

یه عکس قدیمی، دو نفر

درس قبل گفت بینایی ماشین، از عکس معنی بیرون می‌کشه، و یه رشته‌ی نزدیک هم داره، به اسم پردازش تصویر. فرض کنید یه عکس قدیمی، کهنه و کم‌نور، از یه مهمونی خانوادگی دارید. اون رو به دو نفر می‌دید.

اولی، یه عکس‌پرداز ماهره. چند ساعت بعد، یه عکس پس می‌ده: روشن‌تر، تمیزتر، با رنگ‌های زنده‌تر. دومی، یه کارآگاهه. چند ساعت بعد، یه یادداشت پس می‌ده: «توی این عکس، نه نفر هستن؛ این، توی حیاط یه خونه‌ست؛ و احتمالا، تابستونه». اولی، پردازش تصویره؛ دومی، بینایی ماشین.

خیلی کوتاه

پردازش تصویر، که به انگلیسی بهش Image Processing می‌گن، یه عکس می‌گیره و یه عکس دیگه پس می‌ده. بینایی ماشین، یعنی Computer Vision، یه عکس می‌گیره و یه معنی پس می‌ده: یه برچسب، یه کادر، یه عدد، یا یه جمله.

این، ساده‌ترین راه برای فرق گذاشتنه: ببینید خروجی، چیه. اگه خروجی، باز یه عکسه، احتمالا پردازش تصویره. اگه خروجی، یه چیزیه که درباره‌ی محتوای عکس، حرف می‌زنه، احتمالا بینایی ماشینه.

ورودی و خروجی

ورودی هر دو، یکیه: یه عکس، یا یه ویدیو؛ یعنی همون جدول عددی که درس قبل گفت. فرق، توی خروجیه. پردازش تصویر، عددهای جدول رو عوض می‌کنه، و یه جدول تازه، یعنی یه عکس تازه، می‌سازه.

بینایی ماشین، از عددهای جدول، یه چیز کاملا متفاوت می‌سازه: مثلا کلمه‌ی «گربه»، یا عدد «سه نفر»، یا مختصات یه کادر دور یه ماشین. یعنی از دنیای عددهای تصویر، به دنیای معنی، می‌ره.

پردازش تصویر، چی کار می‌کنه

پردازش تصویر، هر کاریه که عکس رو، بی اینکه لزوما بفهمه توش چیه، عوض می‌کنه. مثلا روشن‌تر کردن یه عکس تاریک، تیزتر کردن یه عکس تار، کم کردن نقطه‌های مزاحم، یا چرخوندن یه سند کج.

راهنمای رسمی یه کتابخونه‌ی رایگان و شناخته‌شده‌ی بینایی ماشین، به اسم OpenCV، توی بخش پردازش تصویرش، یه فهرست از کارهای اصلی داره. بخش‌های بعدی، مهم‌ترین‌هاش رو، ساده، باز می‌کنن.

عوض کردن فضای رنگ

همون راهنما، اولین کار رو، عوض کردن عکس بین فضاهای رنگ مختلف می‌دونه؛ و می‌گه می‌شه با همین، یه چیز رنگی رو، توی ویدیو، دنبال کرد. فضای رنگ، یعنی روش نوشتن رنگ‌ها با عدد؛ مثلا همون سه کانال قرمز، سبز و آبی، یا خاکستری.

یه مثال ساده: تبدیل عکس رنگی به خاکستری، که درس قبل گفت. یا تبدیل به یه فضای رنگی که توش، «چه رنگی» و «چقدر روشن» جدا باشن؛ تا مثلا یه توپ نارنجی، توی نور کم و زیاد، هر دو، پیدا بشه.

چرخوندن، جابه‌جا کردن، و تغییر اندازه

همون راهنما، تبدیل‌های هندسی، مثل چرخوندن و جابه‌جا کردن، رو یکی از کارهای پردازش تصویر می‌دونه. یعنی عکس رو بچرخونیم، بزرگ و کوچیک کنیم، یا کج‌بودنش رو صاف کنیم.

مثلا وقتی از یه سند، با گوشی، یه کم کج، عکس می‌گیرید، برنامه‌ی اسکن، اول، عکس رو صاف می‌کنه، طوری که انگار از بالا، مستقیم، گرفته شده. این، پردازش تصویره. و بعد، اگه متنش رو بخونه، اون بخش، بینایی ماشینه.

تبدیل به سیاه و سفید خالص

همون راهنما، یه کار دیگه رو هم اسم می‌بره: تبدیل عکس به عکس دودویی، یعنی فقط سیاه و سفید، بی خاکستری؛ به انگلیسی Thresholding. ایده، ساده‌ست: یه مرز انتخاب کنید؛ هر پیکسلی روشن‌تر از مرز، سفید، و هر پیکسلی تیره‌تر، سیاه.

این کار، برای چیزهایی مثل جدا کردن نوشته از کاغذ، خیلی به کار میاد. همون راهنما، چند روش برای انتخاب مرز رو هم می‌گه: یه مرز ثابت برای کل عکس، یا مرزی که توی هر بخش عکس، با نور همون‌جا، تنظیم می‌شه.

فیلتر کردن

یکی از مهم‌ترین کارهای پردازش تصویر، فیلتر کردنه. همون راهنما، توی صفحه‌ی مخصوص این کار، می‌گه هدفش، یاد گرفتن تار کردن عکس با فیلترهای مختلف، و اعمال فیلترهای ساخت خودمون، روی عکسه.

و می‌گه مثل سیگنال‌های یک‌بعدی، مثل صدا، عکس‌ها رو هم، می‌شه با فیلترهای مختلف، فیلتر کرد. بخش‌های بعدی، دو نوع اصلی فیلتر، و روش کارشون رو، ساده، باز می‌کنن.

فیلتر نرم‌کننده

همون راهنما، می‌گه فیلترهای پایین‌گذر، به انگلیسی Low-Pass Filter، کمک می‌کنن نویز، یعنی نقطه‌های مزاحم، از عکس پاک بشه، و عکس، تار بشه. اسمش، از اینه که تغییرهای آروم رو نگه می‌داره، و تغییرهای تند و ریز رو، کم می‌کنه.

یه مثال روزمره: عکسی که توی نور کم گرفتید، پر از نقطه‌های ریز رنگیه. یه فیلتر نرم‌کننده، این نقطه‌ها رو، صاف می‌کنه؛ هر چند در عوض، جزئیات ریز رو هم، یه کم محو می‌کنه.

فیلتر لبه‌یاب

همون راهنما، می‌گه فیلترهای بالاگذر، به انگلیسی High-Pass Filter، کمک می‌کنن لبه‌ها، توی عکس، پیدا بشن. یعنی جاهایی که روشنایی، یهو، عوض می‌شه؛ مثل مرز یه شیء تیره، روی یه پس‌زمینه‌ی روشن.

همون راهنما، بخش‌های جدایی هم برای پیدا کردن شیب روشنایی و لبه‌ها، و یه روش معروف لبه‌یابی، داره. پیدا کردن لبه، یکی از قدیمی‌ترین پل‌های بین پردازش تصویر و بینایی ماشینه؛ که پایین‌تر، بیشتر درباره‌ش حرف می‌زنیم.

یه پنجره‌ی کوچیک، روی عکس

فیلتر، چطوری کار می‌کنه؟ همون راهنما، با یه مثال توضیح می‌ده: یه جدول کوچیک پنج در پنج از عددها، که بهش هسته، به انگلیسی Kernel، می‌گن، رو روی یه پیکسل بذارید، همه‌ی بیست و پنج پیکسل زیرش رو جمع کنید، میانگین بگیرید، و پیکسل وسط رو، با این میانگین، عوض کنید.

و می‌گه این کار، برای همه‌ی پیکسل‌های عکس، تکرار می‌شه. نتیجه؟ هر پیکسل، شبیه همسایه‌هاش می‌شه، و عکس، صاف‌تر و تارتر می‌شه. به این کار، که یه پنجره‌ی کوچیک، روی کل عکس حرکت می‌کنه، کانولوشن، به انگلیسی Convolution، می‌گن.

چرا این پنجره‌ی کوچیک مهمه

این ایده‌ی ساده، یعنی یه پنجره‌ی کوچیک از عدد که روی عکس حرکت می‌کنه، شاید مهم‌ترین ایده‌ی این مسیر باشه. با عوض کردن عددهای داخل پنجره، می‌شه کارهای خیلی متفاوتی کرد: با یه سری عدد، عکس تار می‌شه؛ با یه سری دیگه، لبه‌ها پیدا می‌شن؛ با یه سری دیگه، عکس تیزتر می‌شه.

و یه نکته‌ی جالب، که ایستگاه‌های بعدی این مسیر، کامل بازش می‌کنن: شبکه‌های عصبی‌ای که امروز، بیشتر کارهای بینایی ماشین رو انجام می‌دن، دقیقا از همین پنجره‌ها استفاده می‌کنن؛ با این فرق که عددهای داخل پنجره رو، خودشون، از داده، یاد می‌گیرن.

چند کار دیگه‌ی پردازش تصویر

همون راهنما، چند کار دیگه هم داره: تبدیل‌های ریخت‌شناسی، مثل نازک کردن و کلفت کردن شکل‌ها، که برای تمیز کردن عکس‌های سیاه‌وسفید به کار میاد؛ هرم تصویر، یعنی ساختن نسخه‌های کوچیک‌تر و کوچیک‌تر یه عکس؛ و نمودار روشنایی، که نشون می‌ده یه عکس، چقدر تیره و چقدر روشنه.

و چند کار که دیگه، به مرز بینایی ماشین نزدیکن: پیدا کردن خط‌ها و دایره‌ها توی عکس، و جست‌وجوی یه تیکه‌ی کوچیک عکس، توی یه عکس بزرگ‌تر. این آخری‌ها، دیگه فقط عکس رو عوض نمی‌کنن؛ یه چیزی رو، توی عکس، پیدا می‌کنن.

بینایی ماشین، چی کار می‌کنه

بینایی ماشین، همون‌طور که درس قبل گفت، به سه سوال جواب می‌ده: توی عکس، چی هست؟ کجاست؟ و چه اتفاقی داره می‌افته؟ یه درس‌نامه‌ی شناخته‌شده‌ی دانشگاهی، دسته‌بندی تصویر، یعنی دادن یه برچسب به یه عکس، رو، یکی از مسئله‌های اصلی این رشته می‌دونه.

خروجی بینایی ماشین، همیشه، یه چیزیه درباره‌ی محتوای عکس: یه کلمه، یه عدد، یه کادر، یه نقشه که نشون می‌ده هر پیکسل، مال چه چیزیه، یا یه جمله. هیچ‌کدوم از این‌ها، یه عکس تمیزتر نیست؛ همه، فهمیدنن.

یه زنجیر، نه دو رقیب

توی خیلی از سیستم‌های واقعی، این دو، پشت سر هم کار می‌کنن. اول، دوربین، عکس می‌گیره. بعد، پردازش تصویر، عکس رو آماده می‌کنه: صافش می‌کنه، نورش رو درست می‌کنه، نویزش رو کم می‌کنه، و اندازه‌ش رو مناسب می‌کنه.

بعد، بینایی ماشین، از عکس آماده، معنی می‌سازه. و آخر، یه سیستم دیگه، بر اساس اون معنی، تصمیم می‌گیره. مثل یه آشپزخونه: یکی، مواد رو می‌شوره و خرد می‌کنه؛ یکی دیگه، غذا رو می‌پزه. هیچ‌کدوم، بی اون یکی، غذای خوب نمی‌سازه.

همین مرحله‌ی آماده کردن، کمتر از همه دیده می‌شه؛ ولی کیفیت کل زنجیر، تا حد زیادی، به اون بستگی داره، و نباید دست‌کم گرفته بشه.

چرا آماده کردن مهمه

یه مدل بینایی ماشین، روی عکس‌هایی آموزش دیده که یه شکل خاصی داشتن: مثلا یه اندازه‌ی مشخص، یه روشنایی معمولی، و یه جهت درست. اگه یه عکس خیلی تاریک، کج، یا خیلی بزرگ بهش بدید، ممکنه درست جواب نده.

پردازش تصویر، کمک می‌کنه عکس‌های واقعی، که هر کدوم یه جورن، به شکلی برسن که مدل، انتظارش رو داره. برای همین، حتی توی سیستم‌هایی که با شبکه‌های عصبی پیشرفته کار می‌کنن، یه مرحله‌ی پردازش تصویر ساده، تقریبا همیشه، هست.

مرز، کمرنگه

مرز بین پردازش تصویر و بینایی ماشین، همیشه روشن نیست. بیشتر، یه طیفه: یه طرف، کارهایی که فقط عکس رو عوض می‌کنن، مثل روشن‌تر کردن؛ طرف دیگه، کارهایی که کامل، معنی می‌سازن، مثل «این گربه‌ست»؛ و وسط، کارهایی که یه کم از هر دو دارن.

مثلا پیدا کردن لبه‌ها: خروجیش، یه عکسه، پس پردازش تصویره؛ ولی همین لبه‌ها، اولین قدم برای فهمیدن شکل چیزهاست، پس به بینایی ماشین هم، نزدیکه. نگران دقیق بودن مرز نباشید؛ مهم، فهمیدن جهتشه: از عکس، به معنی.

لبه، یه پل بین دو دنیا

برای سال‌ها، پیدا کردن لبه‌ها، یکی از قدم‌های اول بیشتر سیستم‌های بینایی ماشین بود. ایده، این بود: اول، لبه‌ها رو پیدا کن؛ بعد، از لبه‌ها، شکل‌ها رو بساز؛ و بعد، از شکل‌ها، بفهم چی توی عکسه.

امروز، شبکه‌های عصبی، این قدم‌ها رو، معمولا، با هم و خودکار انجام می‌دن؛ و دیگه کسی، لبه‌یاب رو با دست، جلوشون نمی‌ذاره. ولی فهمیدن لبه‌یابی، هنوز، بهترین راه برای فهمیدن اینه که یه پنجره‌ی کوچیک عدد، چطوری از یه عکس، یه ویژگی به‌دردبخور بیرون میاره؛ و این، همون کاریه که شبکه‌ها، در مقیاس خیلی بزرگ‌تر، انجام می‌دن.

ویژگی: یه قدم به سمت معنی

بین عکس خام و معنی، یه مرحله‌ی وسط هم هست: ویژگی؛ به انگلیسی Feature. ویژگی، یه چیز قابل اندازه‌گیری توی عکسه، که به فهمیدن کمک می‌کنه؛ مثل لبه‌ها، گوشه‌ها، رنگ غالب، یا شکل کلی.

توی روش‌های قدیمی‌تر، آدم‌ها، با دست، تعیین می‌کردن چه ویژگی‌هایی، از عکس بیرون کشیده بشه؛ و بعد، یه الگوریتم، از روی این ویژگی‌ها، تصمیم می‌گرفت. توی روش‌های تازه، شبکه‌ی عصبی، ویژگی‌ها رو هم، خودش، یاد می‌گیره.

یه مثال: خوندن پلاک

خوندن پلاک ماشین، یه مثال خوب از کار کردن این دو با همه. اول، پردازش تصویر: عکس رو خاکستری می‌کنه، نورش رو درست می‌کنه، و نویز رو کم می‌کنه. بعد، بینایی ماشین: پلاک رو توی عکس پیدا می‌کنه، یعنی «کجا».

بعد، دوباره پردازش تصویر: تیکه‌ی پلاک رو صاف می‌کنه و به سیاه‌وسفید تبدیل می‌کنه. و آخر، باز بینایی ماشین: حرف‌ها و عددها رو می‌خونه، یعنی «چی». یه رفت و برگشت، بین دو دنیا.

یه مثال دیگه: اسکن سند

وقتی با یه برنامه‌ی اسکن روی گوشی، از یه سند عکس می‌گیرید، چند اتفاق پشت سر هم می‌افته. اول، بینایی ماشین، چهار گوشه‌ی کاغذ رو، توی عکس، پیدا می‌کنه. بعد، پردازش تصویر، کاغذ رو صاف می‌کنه، سایه‌ها رو کم می‌کنه، و متن رو پررنگ‌تر می‌کنه.

و اگه برنامه، قابلیت خوندن متن داشته باشه، بینایی ماشین، دوباره، وارد می‌شه و متن رو، به نوشته‌ای تبدیل می‌کنه که می‌شه کپی و جست‌وجوش کرد. باز هم، یه زنجیر.

یه مثال صنعتی

توی یه خط تولید، که دوربین، محصول‌ها رو بررسی می‌کنه، معمولا، اول، پردازش تصویر، نور و اندازه رو یکسان می‌کنه، و شاید، با تبدیل به سیاه‌وسفید، شکل محصول رو، از پس‌زمینه جدا می‌کنه.

بعد، بینایی ماشین، تصمیم می‌گیره: این محصول، سالمه یا معیوب؟ گاهی، اگه کار ساده باشه، مثلا فقط شمردن اینکه چند سوراخ، روی یه قطعه هست، پردازش تصویر و چند قانون ساده، کافیه، و حتی یادگیری ماشین هم لازم نیست.

یه مثال پزشکی

توی عکس‌های پزشکی، مثل عکس‌های رادیولوژی، هر دو، کنار همن. پردازش تصویر، کمک می‌کنه عکس، واضح‌تر بشه: کنتراست بیشتر، نویز کمتر، و جزئیات مهم، پیداتر. این، به پزشک، کمک می‌کنه بهتر ببینه.

بینایی ماشین، یه قدم جلوتر می‌ره: مثلا یه ناحیه‌ی مشکوک رو، روی عکس، علامت می‌زنه، تا پزشک، با دقت بیشتری نگاهش کنه. ولی همون‌طور که درس قبل گفت، توی کارهای مهم، تصمیم آخر، با آدمه؛ و بینایی ماشین، فقط یه کمک‌دسته.

کدوم رو لازم دارم

یه سوال ساده، جواب رو روشن می‌کنه: «خروجی‌ای که می‌خوام، چیه؟». اگه یه عکس بهتره، مثل عکس روشن‌تر، صاف‌تر، یا بی‌نویز، پردازش تصویر، کافیه؛ و معمولا، ساده‌تر، سریع‌تر، و ارزون‌تره.

اگه یه معنیه، مثل «چند نفر توی عکسن» یا «این محصول، معیوبه یا نه»، بینایی ماشین لازمه. و یه قانون خوب: همیشه، اول، ساده‌ترین راه رو امتحان کنید. خیلی وقت‌ها، چند قدم پردازش تصویر، و یه قانون ساده، از یه مدل پیچیده، بهتر جواب می‌ده.

کدوم قدیمی‌تره

هر دو، از دهه‌ها پیش، وجود داشتن. پردازش تصویر، از روزهایی که عکس‌ها، تازه دیجیتال می‌شدن، برای بهتر کردن عکس‌ها، مثل عکس‌هایی که از فضا یا با دستگاه‌های پزشکی گرفته می‌شد، به کار می‌رفت.

بینایی ماشین، هدف بلندپروازانه‌تری داشت: فهمیدن. برای مدت زیادی، بینایی ماشین، بیشتر، روی ابزارهای پردازش تصویر، مثل فیلتر و لبه‌یاب، تکیه می‌کرد. امروز، با یادگیری ماشین، خیلی جلوتر رفته؛ ولی هنوز، پردازش تصویر، پایه‌ی کارشه.

ابزار رایگان

همون کتابخونه‌ی رایگان و متن‌باز، یعنی OpenCV، هر دو رو پوشش می‌ده: هم کارهای پردازش تصویر، مثل فیلتر، چرخش، و تبدیل رنگ؛ و هم کارهای بینایی ماشین، مثل پیدا کردن چهره یا اشیا.

برای همین، یاد گرفتن پردازش تصویر با همین ابزار، قدم اول خوبیه؛ و مهارت‌هایی که یاد می‌گیرید، وقتی به بینایی ماشین و شبکه‌های عصبی رسیدید، هنوز به کارتون میاد. ایستگاه بعدی این مسیر، با همین ابزار، پیکسل‌ها و فیلترها رو، عملی، یاد می‌ده.

اشتباه‌های رایج

یه اشتباه رایج، اینه که برای کاری که فقط پردازش تصویر لازم داره، مثل روشن‌تر کردن عکس‌ها، سراغ یه مدل پیچیده‌ی هوش مصنوعی برید. کار، سخت‌تر، کندتر و گرون‌تر می‌شه، بی فایده‌ی بیشتر.

اشتباه برعکس هم هست: فکر کنید با چند فیلتر ساده، می‌شه یه کار پیچیده‌ی فهمیدن، مثل شناختن چهره‌ها توی هر نور و زاویه‌ای، رو انجام داد. فیلترها، توی شرایط کنترل‌شده، خوبن؛ ولی توی دنیای واقعی و شلوغ، معمولا، به تنهایی، کافی نیستن.

برای صاحب‌های کسب‌وکار

برای یه صاحب کسب‌وکار، این فرق، مستقیم به هزینه ربط داره. اگه مثلا می‌خواید عکس‌های محصولتون، یه‌دست‌تر و روشن‌تر باشن، یه ابزار ساده‌ی ویرایش عکس، یعنی پردازش تصویر، کافیه؛ و تقریبا هزینه‌ای نداره.

ولی اگه می‌خواید یه سیستم، خودکار، بفهمه کدوم محصول، توی قفسه، تموم شده، این بینایی ماشینه، و کار بیشتری می‌بره. پیش از سفارش دادن یه پروژه، با همون سوال «خروجی چیه؟»، روشن کنید دقیقا، کدوم رو لازم دارید.

برای هر سنی

هر کسی که با یه برنامه‌ی ساده‌ی گوشی، یه عکس رو روشن‌تر کرده یا فیلتر زده، پردازش تصویر انجام داده. و هر کسی که توی گالری عکس‌هاش، کلمه‌ی «دریا» رو جست‌وجو کرده و عکس‌های دریا اومده، از بینایی ماشین استفاده کرده.

یه بازی ساده برای بچه‌ها: یه عکس رو با یه فیلتر عوض کنید، و بپرسید «این، عکس رو عوض کرد یا فهمید توش چیه؟». همین سوال، فرق این دو رو، برای همیشه، توی ذهن می‌ذاره.

چند واژه

Image Processing، یعنی پردازش تصویر. Computer Vision، یعنی بینایی ماشین. Filter، یعنی فیلتر. Kernel، یعنی هسته؛ پنجره‌ی کوچیک عدد. Convolution، یعنی کانولوشن؛ حرکت پنجره روی عکس.

Low-Pass Filter، یعنی فیلتر پایین‌گذر؛ نرم‌کننده. High-Pass Filter، یعنی فیلتر بالاگذر؛ لبه‌یاب. Thresholding، یعنی تبدیل به سیاه و سفید خالص. Edge Detection، یعنی لبه‌یابی. Feature، یعنی ویژگی. Color Space، یعنی فضای رنگ.

جواب کوتاه

اگه کسی پرسید «فرق بینایی ماشین و پردازش تصویر چیه»:

پردازش تصویر، عکس می‌گیره و عکس پس می‌ده: روشن‌تر، صاف‌تر، چرخیده، سیاه‌وسفید، تار، یا با لبه‌های پیدا. بینایی ماشین، عکس می‌گیره و معنی پس می‌ده: «این گربه‌ست»، یا «این پلاک، این عدده». مثل عکس‌پرداز و کارآگاه. ابزار مهم پردازش تصویر، فیلتره: یه پنجره‌ی کوچیک از عدد که روی همه‌ی پیکسل‌ها حرکت می‌کنه؛ نرم‌کننده، نویز رو کم می‌کنه، و لبه‌یاب، لبه‌ها رو پیدا می‌کنه. این دو، یه زنجیرن، نه رقیب؛ و مرزشون، کمرنگه.

چند باور رایج

  • «این دو، یه چیزن.» یکی عکس می‌ده، یکی معنی.
  • «پردازش تصویر، قدیمی و بی‌فایده شده.» هنوز، پایه‌ی بیشتر سیستم‌هاست.
  • «برای هر کاری، هوش مصنوعی لازمه.» اول، ساده‌ترین راه.
  • «فیلتر، فقط برای قشنگ کردن عکسه.» لبه‌یابی، پل به فهمیدنه.
  • «مرزشون، کاملا روشنه.» یه طیفه.

یه مثال

یه کتابخونه‌ی شهر، می‌خواست هزاران صفحه‌ی روزنامه‌ی قدیمی رو، دیجیتال و قابل جست‌وجو کنه. اول، یه برنامه‌ی خوندن متن رو، مستقیم، روی عکس‌ها اجرا کردن؛ نتیجه، پر از اشتباه بود، چون صفحه‌ها، زرد، کج، و لکه‌دار بودن.

بعد، یه مرحله‌ی پردازش تصویر اضافه کردن: هر عکس رو صاف کردن، به خاکستری بردن، با یه فیلتر نرم، لکه‌های ریز رو کم کردن، و با یه مرز تنظیم‌شونده، به سیاه‌وسفید تبدیل کردن. همون برنامه‌ی خوندن متن، این بار، روی عکس‌های آماده، خیلی کمتر اشتباه کرد. عکس‌پرداز، کار کارآگاه رو آسون کرده بود.

تمرین امروز

امروز، فرق این دو رو، روی گوشی خودتون ببینید.

  1. یه عکس رو توی ویرایشگر گوشی، روشن‌تر و تیزتر کنید؛ این، پردازش تصویره.
  2. توی گالری عکس‌ها، یه کلمه مثل «غذا» یا «درخت» رو جست‌وجو کنید؛ این، بینایی ماشینه.
  3. سه برنامه‌ی روی گوشی‌تون رو بنویسید و جلوی هر کدوم، بنویسید کدوم کار رو می‌کنه.
  4. یه عکس رو با فیلتر سیاه‌وسفید ببینید و فکر کنید یه مرز روشنایی، چطوری اون رو می‌سازه.
  5. برای یه کار توی زندگی یا کارتون، بپرسید: خروجی که می‌خوام، عکسه یا معنی؟

درس بعدی، می‌گه چرا دیدن، برای ماشین، اینقدر سخته.

جمع‌بندی. آنچه از این درس با خودتان می‌برید.

  • پردازش تصویر: عکس به عکس.
  • بینایی ماشین: عکس به معنی.
  • مثل عکس‌پرداز و کارآگاه.
  • پردازش: رنگ، چرخش، سیاه‌وسفید، صاف کردن، لبه.
  • یه زنجیرن؛ پردازش آماده می‌کنه، بینایی می‌فهمه.

خودتون رو بسنجید

۱۵ پرسش، هر بار تازه از میان ۳۰ پرسش این درس. آخرش فقط کارنامه رو می‌بینید: چند تا درست، چند تا نادرست.

خودتون رو بسنجید

۱۵ پرسش

  • هر بار پرسش‌ها و ترتیب گزینه‌ها عوض می‌شه.
  • تا آخر نمی‌گیم کدوم جواب درست بوده؛ می‌تونید برگردید و جوابتون رو عوض کنید.
  • آخرش کارنامه می‌گیرید: چند تا درست، چند تا نادرست.
  • اگه وسطش بستید، دوباره که باز کنید از همون‌جا ادامه می‌دید.

فصل‌های این درس

درس بعد