Gegenbauer Polynomial Convolution for Bi-Univalent Functions with Applications to Image Enhancement

تخيل أنك تقف في مكتبة شاسعة وغير مرئية، حيث كل كتاب عبارة عن شكل فريد مرسوم على قطعة من الورق. علماء الرياضيات الذين يدرسون "نظرية الدوال الهندسية" يشبهون أمناء المكتبات الذين يحاولون تصنيف هذه الأشكال. هم مهتمون بشكل خاص بالدوال "أحادية التعيين" (univalent)، وهي أشكال لا تنطوي على نفسها أو تتداخل؛ فكر فيها كدائرة مثالية ناعمة لا تتجعد. لكن هناك مجموعة أخرى أكثر تعقيداً تسمى الدوال "ثنائية أحادية التعيين" (bi-univalent). هذه الأشكال تبدو مثالية ليس فقط عند النظر إليها، بل وأي أيضاً عند النظر إلى صورتها المرآتية (أو دالتها العكسية). الأمر يشبه حركة رقص تبدو رشيقة سواء كنت تؤديها للأمام أو في الاتجاه المعاكس.

لفهم هذه الأشكال، يستخدم علماء الرياضيات غالباً "كثيرات الحدود"، وهي تشبه كتل البناء المكونة من الأرقام والمتغيرات. إحدى العائلات الشهيرة لهذه الكتل تسمى "كثيرات حدود جيجنباور" (Gegenbauer polynomials). يمكنك التفكير فيها كقطع "ليغو" فائقة المرونة يمكن تركيبها معاً لوصف كافة أنواع الأنماط المعقدة، بدءاً من طريقة انتقال موجات الصوت وصولاً إلى مدارات الكواكب. وعندما تمزج هذه الكتل الرياضية مع عملية "الالتفاف" (convolution)، فإنك تحصل على أداة قوية. الالتفاف يشبه القالب أو "الاستنسل" الذي ينزلق فوق الصورة، باحثاً في كل مجموعة صغيرة من البكسلات ومزجها معاً لإبراز سمات محددة، مثل الحواف أو الأنسجة.

لماذا يهتم أي شخص بهذا؟ لأن القواعد التي تحكم هذه الأشكال الرياضية المجردة يمكن استخدامها لحل مشكلات واقعية، مثل جعل الصور الضبابية تبدو حادة وواضحة. إذا استطعنا معرفة "الحدود" الدقيقة لكيفية سلوك هذه الأشكال، يمكننا تحويل هذه الأرقام إلى تعليمات للحواسيب لتنظيف الصور. وهذا هو بالضبط ما سعى الباحثون في هذه الورقة للقيام به: أرادوا معرفة ما إذا كانت القواعد الصارمة لهذه الأشكال الرياضية الفاخرة يمكن أن تساعدنا في التقاط صور أفضل.

---

الورقة البحثية: تحويل الأشكال الرياضية إلى كمال صوري

في هذه الورقة، قدم فريق من الباحثين بقيادة تارال دي شاه، وفيه إسيفانكاري، وأو كارتيياييني، طريقة جديدة تماماً لتنظيم هذه الأشكال "ثنائية أحادية التعيين". لقد أنشأوا نادياً خاصاً، أطلقوا عليه الرمز $B_{\eta,\alpha}^{\Sigma}(f, g, h; x)$، حيث كل عضو فيه هو دالة تتصرف بشكل جيد عند مزجها مع كثيرات حدود جيجنباور. فكر في هذا النادي كقسم مخصص لكبار الشخصيات (VIP) حيث لا يُسمح إلا لأكثر الراقصين الرياضيين انضباطاً بالدخول، بشرط اتباع إيقاع محدد تحدده هذه كثيرات الحدود.

لم يكتفِ المؤلفون بدعوة الأشخاص إلى النادي فحسب، بل قاموا بقياسهم أيضاً. فقد حسبوا "تقديرات المعاملات" (coefficient estimates)، وهي أساساً الأرقام الأولى التي تصف حجم وشكل هذه الدوال. وقد وجدوا القيم القصوى والدنيا التي يمكن أن تصل إليها هذه الأرقام. كما أثبتوا نوعاً شهيراً من المتباينات يسمى "متباينة فيكيت-سيجوتو" (Fekete-Szegö inequality)، والتي تعمل بمثابة شبكة أمان، تضمن بقاء العلاقة بين هذه الأرقام ضمن نطاق يمكن التنبؤ به. بعبارات أبسط، لقد حددوا "حدود السرعة" الدقيقة لمدى سرعة نمو أو التواء هذه الأشكال الرياضية.

ولكن هنا يكم Christian الجزء الأكثر إثارة: لم يتوقفوا عند حصة الرياضيات، بل تساءلوا: "ماذا لو استخدمنا حدود السرعة هذه لإصلاح الصور؟".

لقد طوروا أداة جديدة لتحسين الصور تسمى خوارزمية تعزيز الالتفاف لكثيرات حدود جيجنباور (GCEA). تخيل أن لديك صورة لثمرة تفاح، أو زهرة، أو صورة أشعة سينية لساق، تبدو ضبابية قليلاً أو باهتة. يحتاج الكمبيوتر إلى مجموعة من التعليمات ("قناع" أو "نواة") للمرور عبر بكسلات الصورة وتوضيح الحواف. عادةً، تكون هذه التعليمات مجرد أرقام عشوائية أو أنماط قياسية. في هذه الورقة، استخدم المؤلفون الأرقام الدقيقة التي حسبوها من نادي الرياضيات الجديد هذا لإنشاء تلك التعليمات.

لقد حولوا الأرقام الرياضية إلى شبكة 3×3 (نافذة صغيرة) تنزلق فوق الصورة. وصنعوا أربع نسخ مختلفة من هذه الشبكة، كل منها يشير إلى اتجاه مختلف: أفقي (0 درجة)، ورأسي (90 درجة)، واثنين من الأقطار (45 و135 درجة). الأمر يشبه امتلاك أربعة كشافات ضوئية مختلفة، كل منها يسلط الضوء من زاوية مختلفة للكشف عن التفاصيل المخفية في الظلام.

لاختبار ما إذا كان هذا السحر الرياضي يعمل حقاً، جربوه على ثلاث صور مختلفة تماماً:

1. تفاحة: فاكهة ناعمة ذات منحنيات لطيفة.
2. زهرة جيربيرا: زهرة مزدحمة بالتفاصيل ذات بتلات صغيرة وكثيرة.
3. أشعة سينية لساق: صورة طبية تظهر العظام ودبوساً معدنياً، حيث يعد رؤية الشقوق الدقيقة أمراً بالغ الأهمية.

كانت النتائج مبهرة. عندما استخدموا أقنعة الرياضيات الخاصة بهم، أصبحت الصور أكثر حدة، وبرزت حواف الأجسام بوضوح أكبر. وقد قاسوا الجودة باستخدام ثلاثة اختبارات قياسية:

• نسبة ذروة الإشارة إلى الضجيج (PSNR): تتحقق من مقدار "الضجيج" أو التشويش الذي تمت إضافته. كلما ارتفعت القيمة كان أفضل.
• مؤشر التشابه الهيكلي (SSIM): يتحقق مما إذا كانت الصورة لا تزال تشبه الجسم الأصلي، ولكن بشكل أكثر حدة.
• معامل ارتباط بيرسون (PCC): يقيس مدى تطابق الصورة الجديدة مع الأصلية من حيث أنماط السطوع.

وجد الفريق أن طريقتهم حافظت على بقاء الصور مطابقة جداً للأصل. وبالنسبة للأشعة السينية، كان القناع الرأسي (90 درجة) هو الأفضل، حيث حقق PSNR قدره 34.81 ديسيبل و SSIM قدره 0.9518، وهي درجات عالية جداً. وهذا منطقي لأن عظام الساق تكون رأسية في الغالب. أما بالنسبة للزهرة، فقد حافظت الطريقة على النسيج المعقد بشكل رائع، محققة SSIM قدره 0.982. وعبر جميع الاختبارات، كانت قيم PCC جميعها أعلى من 0.996، مما يعني أن الصور المحسنة كانت متطابقة تقريباً مع الأصول من حيث أنماط السطوع.

خلص الباحثون إلى أنه من خلال تحويل القواعد الصارمة والمجردة للدوال ثنائية أحادية التعيين إلى خوارزمية عملية، استطاعوا تحسين الصور بفعالية دون فقدان هيكلها. لقد أثبتوا أن "حدود السرعة" التي حسبوها لهذه الأشكال الرياضية ليست مجرد نظريات، بل يمكن استخدامها كأداة واقعية لجعل الصور الرقمية أكثر وضوحاً وتفصيلاً. وبينما لم يدعوا إلى أن هذا هو الحل النهائي لكل مشكلة تتعلق بالصور، إلا أن تجاربهم تشير إلى أن هذا الجسر بين الهندسة المعقدة والتصوير الرقمي هو مسار واعد، خاصة للصور الطبية حيث تهم رؤية التفاصيل الدقيقة.