Image Denoising via the Adaptive Rank-Cluster Filter

غالبًا ما تُعامل الصور باعتبارها سجلات مثالية للواقع، لكن المستشعرات التي تلتقطها هي أجسام مادية تخضع لقوانين الفيزياء. فعندما تلتقط الكاميرا مشهدًا، خاصة في ظروف الإضاءة المنخفضة أو عند استخدام تضخيم عالٍ، نادراً ما تكون البيانات الناتجة نقية؛ إذ غالبًا ما تكون ملوثة بنوعين متميزين من التداخل. يظهر النوع الأول على شكل نقاط ساطعة أو مظلمة متناثرة عبر الصورة، تشبه رشات الملح والفلفل على سطح ما. أما النوع الآخر فهو ضباب حبيبي يطمس التفاصيل، يشبه التشويش (الستاتيك) في شاشات التلفاز القديمة. وفي العالم الحقيقي، يظهر هذان الشكلان من الضجيج معًا في كثير من الأحيان، مما يخلق فوضى معقدة يصعب تنظيفها. إن إزالة هذا الضجيج دون طمس الصورة الفعلية يمثل تحديًا جوهريًا في التصوير الرقمي، لا سيما في مجالات مثل التشخيص الطبي حيث يمكن أن يكون تفويت تفصيل صغير له عواقب وخيمة.

لعقود من الزمن، اعتمد النهج المعياري لتنظيف الصور على التعلم العميق، حيث يتم تدريب الحواسيب على مكتبات ضخمة من الصور لتعلم كيفية تخمين الشكل الذي يجب أن تبدو عليه الصورة النظيفة. ورغم قوة هذه الأنظمة، إلا أن لها عيوبًا كبيرة؛ فهي تتطلب كميات هائلة من البيانات للتدريب، ويمكنها أحيانًا ابتكار تفاصيل لم تكن موجودة أصلاً، كما أنها تواجه صعوبة عند مواجهة أنماط ضجيج لم ترها من قبل. وقد حافظ هذا الأمر على مكانة الأساليب التقليدية الأقدم التي تعتمد على قواعد رياضية بسيطة بدلاً من الأنماط المتعلمة. هذه المرشحات الكلاسيكية سريعة، ويمكن التنبؤ بنتائجها، ولا "تهلوس" بتفاصيل جديدة، مما يجعلها ضرورية للأنظمة التي تعمل في الوقت الفعلي والأجهزة ذات الموارد المحدودة. ومع ذلك، فإن معظم هذه الأدوات التقليدية صُممت للتعامل مع نوع واحد فقط من الضجيج؛ فعند مواجهة المزيج الفوضوي من النقط والتحبب الموجود في العالم الحقيقي، غالبًا ما ينهار أداؤها، تاركةً الصورة إما شديدة الضبابية أو لا تزال مليئة بالضجيج.

ولمعالجة هذه الفجوة، طور ديمتري بوزدنياكوڤ طريقة جديدة تسمى "مرشح الرتبة العنقودية التكيفي" (Adaptive Rank-Cluster filter). كان الهدف هو إنشاء أداة يمكنها التعامل مع الضجيج المختلط مع الحفاظ على الحواف الحادة والقوام الدقيق للصورة الأصلية. اختبر الباحثون هذا المرشح الجديد مقابل مجموعة من الخوارزميات الراسخة، بما في ذلك مرشحات الوسيط (median filters)، وتغبيش غاوس (Gaussian blurs)، وتقنيات "المتوسط غير المحلي" (non-local means) الأكثر تعقيدًا. أجروا اختباراتهم على أربع صور معيارية، تتراوح من الأشكال الهندسية البسيطة إلى المشاهد الطبيعية المعقدة مثل فراء بابون، حيث أخضعوا كل منها لمستويات متفاوتة من ضجيج الملح والفلفل وضجيج غاوس الحبيبي. كان التقييم صارمًا، حيث لم يقيس فقط مقدار الضجيج الذي تمت إزالته، بل أيضًا مدى قدرة المرشح على الحفاظ على بنية الصورة وكمية القدرة الحاسوبية المطلوبة للقيام بالمهمة.

يكمن جوهر المرشح الجديد في طريقة ذكية للنظر في الجوار الصغير من البكسلات المحيطة بالبكسل الذي تتم معالجته. فبدلاً من مجرد حساب متوسط الألوان أو اختيار القيمة الوسطى، تقوم الخوارزمية بفرز سطوع البكسلات في تلك المنطقة الصغيرة. ثم تتحقق مما إذا كانت هذه البكسلات تشكل مجموعة واحدة سلسة أو مجموعتين متميزتين. إذا شكلت البكسلات مجموعة واحدة، يفترض المرشح أن المنطقة سلسة ويستخدم قيمة وسيطة قياسية لتنظيفها. أما إذا انقسمت البكسلات إلى مجموعتين متميزتين، فإن الخوارزمية تتعرف على ذلك كحافة أو حد فاصل بين جسمين مختلفين. في هذه الحالة، تستخدم طريقة إحصائية لتقسيم البكسلات إلى عنقودين وتحدد إلى أي مجموعة ينتمي البكسل المركزي، مما يقرر فعليًا ما إذا كان البكسل جزءًا من الخلفية أم من الجسم. ثم يتم دمج هذا القرار مع عملية حسابية ضبابية (fuzzy calculation) لإنتاج قيمة نهائية تحترم الحافة بدلاً من طمسها.

تظهر نتائج الدراسة أن هذا النهج الجديد يقدم توازنًا فريدًا بين السرعة والجودة. ففي الاختبارات التي تضمنت ضجيجًا مختلطًا، تفوق المرشح الجديد باستمرار على العديد من الأساليب التقليدية، لا سيما في الحفاظ على حدة الخطوط والقوام. وبينما قد تنتج مرشحات أسلوب التعلم العميق الأكثر تقدمًا أعلى الدرجات الرقمية أحيانًا، إلا أنها غالبًا ما تجعل الصورة تبدو ناعمة بشكل غير طبيعي أو "بلاستيكية"، مما يفقدها الحبيبات الطبيعية للمشهد الأصلي. وقد تجنب المرشح الجديد هذا المظهر الاصطناعي تمامًا؛ فقد نجح في إزالة الضجيج مع الحفاظ على مظهر طبيعي للصورة، وهي جودة يصعب تحقيقها بالأساليب الأخرى. لاحظ الباحثون أن المرشح كان فعالًا بشكل خاص في التعامل مع مزيج من ضجيج النبض وضجيج غاوس، وهو سيناريو فشلت فيه العديد من المرشحات الأخرى أو أنتجت عيوبًا واضحة.

ومع ذلك، فإن هذا الأداء يأتي مع مقايضة في السرعة. فالمرشح الجديد أبطأ بكثير من مرشح الوسيط البسيط، حيث يستغرق أكثر من عشر مرات أطول لمعالجة صورة واحدة. وهو أيضًا أبطأ من مرشحات غاوس ووينر (Wiener filters)، المعروفة بكفاءتها الحسابية. ورغم ذلك، فهو أسرع بكثير من مرشح "المتوسط غير المحلي"، الذي كان أبطأ طريقة تم اختبارها واستغرق حوالي ثلاثين ضعف الوقت الذي يستغرقه مرشح الوسيط الأساسي. يشير المؤلف إلى أنه بالنسبة للتطبيقات التي تكون فيها السرعة حاسمة، مثل الفيديو المباشر على الأجهزة المحمولة، قد تظل المرشحات الأبسط هي المفضلة. ولكن بالنسبة للمهام التي تكون فيها جودة الصورة والحفاظ على التفاصيل الدقيقة أمرًا بالغ الأهمية، مثل التصوير الطبي مثل الأشعة السينية أو الموجات فوق الصوتية، فإن المرشح الجديد يقدم بديلًا مقنعًا؛ فهو يوفر وسيلة لتنظيف الضجيج الناتج عن الأجهزة دون المخاطرة بفقدان الآفات المرضية الصغيرة أو طمس المعالم الحرجة، مما يضمن بقاء الصورة النهائية تمثيلًا موثوقًا للواقع.

تخلص الدراسة إلى أن هذا النهج التكيفي يوفر حلاً مستقرًا وقويًا للضجيج المختلط، وهي مشكلة لطالما أرقت التصوير الرقمي. ومن خلال الجمع بين التجميع الإحصائي والمنطق الضبابي، يتكيف المرشح مع البنية المحلية للصورة، ويقرر آنيًا ما إذا كان يجب تنعيم منطقة ما أو شحذ حافة ما. لقد جعل الباحثون الكود الخاص بهم ونصوص الاختبار متاحة للجمهور، مما يسمح للآخرين بالتحقق من النتائج والبناء على هذا العمل. وفي مجال يهيمن عليه غالبًا الشبكات العصبية المعقدة وغير الشفافة، يثبت هذا العمل أن الخوارزميات المصممة بعناية والشفافة رياضيًا لا تزال قادرة على حل المشكلات الصعبة بأناقة وموثوقية. وتشير النتيات إلى أنه بالنسبة لتطبيقات محددة عالية المخاطر حيث يكون خطر "هلوسة" التفاصيل غير مقبول، فإن هذا النوع من الترشيح الكلاسيكي يظل ليس فقط ذا صلة، بل ضروريًا للغاية.