Wavelet-based multilevel framework for $\ell_1$-regularized image deblurring

في عالم التصوير الرقمي، غالبًا ما يكون الوضوح هو الضحية الأولى للمسافة أو الحركة أو العدسات غير المثالية. فعندما تلتقط الكاميرا مشهدًا، تكون الصورة الناتجة في كثير من الأحيان نسخة باهتة من الواقع، محجوبة بضبابية تطمس الخطوط الحادة وتجعل الأشكال المتميزة عكرة. هذه الظاهرة، المعروفة باسم التغبيش (blurring)، هي مثال كلاسيكي على "المسألة العكسية": فالعلماء والمهندسون يعرفون القواعد التي حولت الصورة الحادة إلى صورة مغبشة، لكن عكس هذه العملية لاستعادة الأصل أمر صعب للغاية. يكمن التحدي الرياضي في حقيقة أن العديد من الصور الحادة المختلفة يمكن أن تنتج نظريًا نفس النتيجة المغبشة، كما أن الضجيج المتأصل في أي مستشعر رقمي يجعل المهمة أكثر عدم استقرار. ولحل ذلك، يستخدم الباحثون أدوات رياضية تسمى "التنظيم" (regularization)، والتي تعمل كمجموعة من القواعد لتوجيه عملية الاستعادة نحو الإجابة الأكثر منطقية. ومن بين هذه الأدوات، أصبح هناك نوع محدد من القواعد التي تفضل الحواف الحادة على التدرجات الناعمة معيارًا لاستعادة الصور التي تحتاج إلى الاحتفاظ بالتفاصيل الدقيقة، مثل النصوص أو الخطوط المعمارية.

ومع ذلك، فإن الصعوبة تكمن في تطبيق هذه القواعد على الصور الكبيرة عالية الدقة، وهو أمر مرهق حاسوبيًا. الأمر يشبه محاولة حل أحجية قطع (jigsaw puzzle) ضخمة حيث تكون كل قطعة خاطئة قليلاً، ويجب عليك تعديل ملايين القطع في وقت واحد للعثور على الصورة الحقيقية. الطرق التقليدية التي تحاول إصلاح الصورة بأكملة دفعة واحدة غالبًا ما تستغرق وقتًا غير عملي، خاصة مع نمو حجم الصورة. وهنا يأتي دور عمل داني تولا، مالينا إي. إسبانيول، وميشا إي. كيلمر؛ فقد طوروا استراتيجية جديدة تقسم المشكلة الضخمة إلى طبقات أصغر يمكن التحكم فيها، وتحل الأحجية من الأسفل إلى الأعلى. يجمع نهجهم، المفصل في دراسة حديثة، بين تقنية رياضية محددة للتعامل مع الحواف الحادة وإطار عمل متعدد المستويات يسرع الحساب دون التضحية بجودة الصورة النهائية.

ركز الباحثون على ثلاثة محركات رياضية مختلفة تُستخدم عادةً لإجراء عملية استعادة الصور هذه. تعمل هذه المحركات عن طريق تحسين تقدير الصورة الحادة بشكل متكرر، وتعديل إعداداتها الداخلية مع كل تمريرة للاقتراب من الحقيقة. ورغم قوة هذه المحركات، إلا أنها بطيئة عند تطبيقها على الصور الكبيرة لأنها يجب أن تعالج كل بكسل في الدقة الكاملة في كل خطوة. وللتغلب على ذلك، قام الفريق بتغليف هذه المحركات داخل إطار عمل "متعدد المستويات". تخيل الصورة كمجموعة من الخرائط المتداخلة، تتراوح من عرض شارع شديد التفصيل وصولاً إلى رسم تخطيطي بسيط ومنخفض الدقة لمخطط المدينة. يبدأ نهج الباحثين بحل المشكلة على أبسط وأصغر رسم تخطيطي. وبمجرد العثور على حل هناك، يتم تمريره إلى الطبقة التالية الأكثر تفصيلاً، وهكذا، حتى يصل الحل إلى الصورة عالية الدقة الكاملة. يسمح هذا بالقيام بالعمل الشاق في الطبقات الصغيرة والسريعة، بينما تحتاج الطبقات النهائية المفصلة فقط إلى إجراء تعديلات صغيرة وسريعة.

كان جزء حاسم من ابتكارهم هو تحديد المعلومات التي يتم تمريرها بالضبط من طبقة إلى أخرى. لقد اختبروا طريقتين متميزتين لنقل هذه المعلومات. الطريقة الأولى، التي يسمونها "نهج نقل الحل"، تأخذ ببساطة الصورة الضبابية منخفضة الدقة الموجودة في المستوى الخشن وتمددها لتكون بمثابة تخمين أولي للمستوى التالي. أما الطريقة الثانية، المسماة "نهج النقل المساعد"، فهي أكثر تطورًا؛ فبدلاً من تمرير الصورة نفسها فحسب، فإنها تمرر "التلميحات" الداخلية أو البيانات المساعدة التي كان المحرك الرياضي يستخدمها لحل المشكلة في المستوى الخشن. هذه التلميحات تخبر المحرك في المستوى الأكثر دقة ليس فقط أين ينظر، بل كيف كان يفكر في الحواف والتدرجات عند الدقة المنخفضة.

كما جرب الفريق نوعين مختلفين من المرشحات الرياضية، المعروفة باسم "المويجات" (wavelets)، والتي تعمل كعدسات لضغط الصورة إلى هذه الطبقات المختلفة. النوع الأول، وهو "مويجة هار" (Haar wavelet)، ينشئ تقريبًا كتليًا وثابتًا جزئيًا للصورة، وهو ممتاز في تحديد مكان بدء ونهاية الحافة بدقة. أما النوع الآخر، وهو "مويجة دوبيشيز" (Daubechies wavelet)، فينشئ تقريبًا أكثر نعومة يحافظ على الشكل العام للخطوط والمنحنيات ولكنه يطمس الموقع الدقيق للحافة قليلاً. واكتشف الباحثون تفاعلاً مثيرًا للاهتمام ومحددًا بين نوع المرشح المستخدم وطريقة نقل المعلومات. فعندما استخدموا مويجة "هار" الكتلية، كان النهج الذي يمرر التلميحات الداخلية يؤدي بشكل أفضل بكثير من النهج الذي يمرر الصورة فقط. وعلى العكس من ذلك، عندما استخدموا مويجة "دوبيشيز" الأكثر نعومة، كان النهج الذي يمرر الصورة ببساطة هو الأفضل.

يشير هذا الاكتشاف إلى أن طبيعة المعلومات التي يتم نقلها يجب أن تتوافق مع طبيعة الأداة الرياضية التي تضغط الصورة. فمويجة "هار" الكتلية تحافظ على الموقع الحاد للحواف بشكل جيد للغاية بحيث يسم يسمح تمرير التلميحات الداخلية للمحلل بالتمكن من تلك الحواف فورًا في المستويات الأكثر دقة. ومع ذلك، فإن مويجة "دوبيشيز" الأكثر نعومة تنتج شكلًا عامًا أكثر دقة للصورة عند المستوى الخشن، لذا فإن تمرير هذا الشكل ببساطة يوفر نقطة انطلاق أفضل من التلميحات الداخلية، والتي قد تكون أقل دقة لهذا المرشح المحدد. اختبر الباحثون هذه المجموعات على صور ذات أحجام متفاوتة، بما في ذلك نمط هندسي معقد ورمز استجابة سريعة (QR code)، ووجدوا أن هذا التفاعل ظل صحيحًا في جميع الحالات.

كانت النتائج مذهلة من حيث السرعة. فبالنسبة لأحد المحركات الرياضية الثلاثة التي اختبروها، جعل النهج متعدد المستويات العملية أسرع بأكثر من خمس عشرة مرة من الطريقة التقليدية لحل الصورة دفعة واحدة. وبالنسبة للمحركين الآخرين، كانت زيادة السرعة أقل حدة، لكن جودة الصور المستعادة ظلت عالية، وفي بعض الحالات، أنتجت الطرق متعددة المستويات نتائج أكثر وضوحًا مع أخطاء أقل. لاحظ الفريق أيضًا أن اختيار المجموعة التي يجب استخدامها يعتمد على الهدف المحدد. فإذا كانت الأولوية هي السرعة وكانت الصورة تحتوي على حواف حادة ومتميزة، فإن المرشح الكتلي مع نهج تمرير التلميحات هو الأمثل. أما إذا كانت الصورة تحتوي على تدرجات أنعم أو إذا كان الهدف هو الحفاظ على الشكل العام للأشياء، فإن المرشح الأكثر نعومة مع نهج تمرير الصورة هو الأفضل.

لم تدعِ الدراسة حل كل مشاكل استعادة الصور الممكنة، ولم تقترح أن هذه الأساليب تعمل بشكل مثالي لكل نوع من أنواع التغبيش أو الضجيج. في الواقع، وجدوا حالة محددة تتعلق بصورة رمز QR ثنائية، حيث أشار مقياس الخطأ القياسي إلى فائز مختلف عن مقياس التشابه الهيكلي، مما يشير إلى أن "أفضل" طريقة يمكن أن تعتمد على كيفية اختيارك للحكم على النتيجة. ومع ذلك، يظل الاكتشاف الجوهري قويًا: من خلال المطابقة الدقيقة بين الطريقة التي تُنقل بها المعلومات بين المستويات المختلفة لصورة ما مع الأدوات الرياضية المستخدمة لضغط تلك المستويات، يمكن استعادة صور حادة وواضحة بسرعة أكبر بكثير من ذي قبل. يوفر هذا العمل خارطة طريق واضحة للمهندسين والعلماء الذين يحتاجون إلى استعادة التفاصيل من البيانات المغبشة، موضحين أن مفتاح الكفاءة لا يكمن فقط في امتلاك محلل قوي، بل في معرفة كيفية تغذيته بالمعلومات الصحيحة في الوقت المناسب تمامًا.