Recursive Class Connectivity Classification (R3C) Applied to Binary Image Segmentation for Improved Infant Fingerprint Enhancement

ملخص تقني: التصنيف التكراري لاتصال الفئات (R3C) لتحسين بصمات أصابع الرضع

بيان المشكلة
تواجه عملية التعرف على بصمات أصابع الرضع عقبات كبيرة مقارنة بالبصمات لدى البالغين، وذلك بسبب الاختلافات الفسيولوجية، بما في ذلك أبعاد الأصابع الأصغر، وهياكل الحواف الرقيقة، ومرونة الجلد. تؤدي هذه العوامل إلى جودة صورة رديئة، وتشويه في أنماط الحواف والأودية، وعدم اتساق في تعريف المعالم. وحتى عند استخدام ماسحات ضوئية عالية الدقة (مثل 5,000 ppi)، تظل هذه العوامل قائمة. وبينما تعد طرق التحسين القياسية (مثل مرشحات غابور أو نماذج التعلم العميق) فعالة للبالغين، إلا أنها غالباً ما تفشل في التقاط الهياكل ذات المعنى في بصمات الرضع، مما يؤدي إلى انخفاض معدلات تحديد الهوية. علاوة على ذلك، فإن ندرة مجموعات البيانات المصنفة لبصمات أصابع الرضع تحد من تطوير حلول التعلم العميق الخاضعة للإشراف والمصممة خصيصاً لهذه الفئة العمرية. وغالباً ما تنتج تقنيات التحسين الحالية أنماط حواف مجزأة أو تفشل في تقسيم المناطق منخفضة الجودة تماماً، مما يعيق استخراج المعالم والمطابقة.

المنهجية: التصنيف التكراري لاتصال الفئات (R3C)
تقترح الورقة إطار عمل R3C، وهو إطار مبتكر مصمم لتحسين مخرجات التقسيم الثنائي من طرق التحسين الموجودة بشكل تكراري دون الحاجة إلى بيانات تدريب أو تعديلات على المصنفات الأساسية. وخلافاً للمناهج السابقة التي تعتمد على نقاط بذر صريحة أو ميزات اتصال (مثل إطار عمل ELEMENT للأوعية الشبكية)، يعمل R3C عن طريق تغذية المخرج المصنف تكرارياً مرة أخرى في الصورة المدخلة.

تتضمن الآلية الجوهرية ما يلي:

1. التهيئة: تتم معالجة صورة مدخلة $M$ بواسطة مصنف ثنائي $f$ لإنتاج تقسيم أولي $C$.
2. الدمج التكراري: يتم دمج التقسيم $C$ مع المدخل الأصلي $M$ عبر مجموع موزون: $A = M + \alpha \times C$، حيث $\alpha$ هو معامل الدمج الذي يتحكم في شفافية تراكب التقسيم.
3. التكرار: تصبح الصورة المدمجة $A$ هي المدخل للدورة التالية من المصنف. تتكرر هذه العملية، مما يسمح للمصنف بـ "رؤية" تنبؤاته السابقة، وبالتالي نشر معلومات الفئة وتوسيع هياكل الحواف.
4. الإنهاء: يتوقف التكرار عندما يقل الفرق بين مخرجات التقسيم المتتالية، $d(C_i, C_{i-1})$، عن عتبة محددة مسبقاً $\epsilon$.
5. التنظيم: لمنع التوسع التكراري من تشويه عرض الحافة، تطبق الطريقة خطوة هيكلة (خوارزمية ترقيق Zhang وSuen) على مخرج المصنف قبل الدمج. بالإضافة إلى ذلك، يتم تطبيق عكس الألوان لضمان التوافق بين تمثيل الحافة الداكنة/الوادي الفاتح للصور الخام وتمثيل الحافة البيضاء/الوادي الداكن لبعض مرشحات التحسين.

المساهمات الرئيسية

• إطار عمل مبتكر: تقديم R3C، وهو منهج لا يتطلب تدريباً ومستقل عن نوع المصنف، يعمل على تحسين التقسيم الثنائي من خلال الاستففادة من اتصال البكسلات عبر حلقات التغذية الراجعة التكرارية.
• الاستقلالية عن البيانات: يعمل المنهج دون الحاجة إلى بيانات تدريب حقيقية (Ground Truth)، مما يعالج النقص الحاد في مجموعات بيانات بصمات أصابع الرضع المصنفة.
• قابلية التطبيق الواسعة: تم تصميم إطار العمل ليتكامل بسلاسة مع مختلف مصنفات التحسين، بما في ذلك الطرق التقليدية القائمة على المرشحات (Gabor, FFT) ونماذج التعلم العميق (CNNs, GANs).
• التحسين النوعي: يظهر المنهج قدرة على إعادة ربط أنماط الحواف المجزأة وتوسيع نطاق تغطية التقسيم إلى المناطق التي فاتتها المصنفات المستقلة سابقاً.

النتائج التجريبية
تم تقييم R3C على ثلاث مجموعات بيانات: CMBD (أطفال من 18 شهراً إلى 4 سنوات)، وNITG (أطفال، الإبهام فقط)، وUTFPR-NFD (حديثو الولادة، من 3 ساعات إلى 3 أيام). تم اختبار أربعة مصنفات: مرشحات غابور، وNBIS (FFT)، وSegV4 (شبكة عصبية تلافيفية تجارية)، وFingerGAN (شبكة توليدية لتحسين الميزات الكامنة).

• مكاسب الأداء:
  • حديثو الولادة (UTFPR-NFD): حقق R3C أهم التحسينات. بالنسبة لمصنف SegV4، ارتفع معدل القبول الحقيقي (TAR) عند معدل القبول الخاطئ (FAR) بنسبة 1.0% من 5.04% إلى 7.42% (زيادة نسبية تبلغ حوالي 47%). أما FingerGAN، الذي فشل في إنتاج مطابقات في الوضع المستقل عند FAR=0.1%، فقد حقق TAR بنسبة 0.27% عند دمجه مع R3C.
  • الأطفال الأكبر سناً (CMBD): قدم R3C مكاسب متواضعة ولكنها ثابتة. بالنسبة لمرشحات Gabor وNBIS، لوحظت تحسينات في TAR تصل إلى 4% عند FAR=1.0%.
  • مجموعة بيانات NITG: كانت النتائج مختلطة؛ فبينما لوحظت بعض المكاسب الهامشية، أدى دمج R3C مع FingerGAN وNBIS في الواقع إلى تدهور الأداء، مما يشير إلى أن العملية التكرارية يمكن أن تُدخل ضوضاء في سياقات معينة.
• القيود: يتسبب المنهج في تكلفة حوسبية بسبب استدعاء المصنف عدة مرات لكل صورة. وفي بعض الحالات (مثل FingerGAN على CMBD/NITG)، أدت العملية التكرارية إلى إدخال هياكل حواف زائفة (تفرعات كاذبة)، مما أدى إلى انخفاض دقة المطابقة.
• الأداء المطلق: على الرغم من التحسينات، لا تزال معدلات تحديد الهوية المطلقة لحديثي الولادة منخفضة (على سبيل المثال، أقصى TAR يبلغ 7.43% لحديثي الولادة عند FAR=1.0%)، مما يؤكد أن R3C هو أداة تحسين وليس حلاً كاملاً لتحدي بصمات أصابع الرضع.

الأهمية والادعاءات
يضع المؤلفون R3C كحل مرن وقابل للتطبيق على نطاق واسع لتحسين التقسيم الثنائي في السيناريوهات التي لا تتوفر فيها بيانات تدريب. وتدعي الورقة أن R3C يوسع فعلياً نطاق تغطية التحسين ليشمل مناطق بصمات الأصابع التي فاتتها الطرق الأساسية، مما يحسن الجودة البصرية للتقسيم ويساعد في استخراج المعالم.

تؤكد الدراسة أنه بينما يحسن R3C إمكانية المطابقة من خلال تحسين اتصال الحواف، فإنه لا يسد تماماً الفجوة في الأداء بين بصمات الرضع والبالغين. ويشير المؤلفون إلى أن "تأثير العمر" يظل عاملاً مهيمناً، حيث يمثل حديثو الولادة التحدي الأكبر. ويخلصون إلى أن R3C مفيد بشكل خاص لتسجيل بصمات حديثي الولادة، حيث يمكنه المساعدة في التقاط هياكل الحافة والوادي التي تضيع غالباً في المعالجة القياسية، لكنهم يحذرون من أن تطبيقه يتطلب ضبطاً دقيقاً للمعاملات (تحديداً $\alpha$ و $\epsilon$) لتجنب التقسيم الزائد وإدخال العيوب الاصطناعية. ويشير العمل إلى أن التطورات المستقبلية ستتطلب على الأرجح مزيجاً من بروتوكولات الاستحواذ المحسنة، ونماذج تعلم عميق متخصصة، وأطر عمل مثل R3C لتحقيق تحديد هوية موثوق للرضع.