A New Robust Scheme for Salt and Pepper Noise Filtering Using Fuzzy Cellular Automata
تقترح هذه الورقة مخطط ترشيحاً قوياً ثنائي المراحل يجمع بين الأتمتة الخلوية الضبابية ومقاييس تشابه جاكارد ومسافة هامينج للكشف عن ضوضاء الملح والفلفل وإزالتها بفعالية مع الحفاظ على تفاصيل الصورة الدقيقة والتفوق على التقنيات الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن صورتك الرقمية المفضلة تشبه قمة جبل مغطاة بالثلوج البكر؛ فهي جميلة، واضحة، ومليئة بالتفاصيل. ولكن فجأة، تضرب عاصفة ثلجية مفاجئة، فتلقي بنقاط سوداء وبيضاء عشوائية في جميع أنحاء المشهد. في عالم التصوير الرقمي، يُطلق على هذا اسم "ضجيج الملح والفلفل" (salt and pepper noise). إنه المعادل الرقمي لخلل في الكاميرا، أو خطأ في الذاكرة، أو تعثر في الإرسال يحول صورة مثالية إلى فوضى مليئة بالتشويش. وبينما تعمل بعض المرشحات (filters) مثل مجرفة ثلج ثقيلة، حيث تقشط الضجيج ولكنها تُسطّح أيضاً التلال والوديان الدقيقة للجبل (مما يسبب ضبابية الصورة)، كان العلماء يبحثون عن أداة يمكنها التقاط تلك النقاط واحدة تلو الأخرى دون المساس بالمشهد. وهنا يأتي دور مجال معالجة الصور، باستخدام حيل رياضية ذكية لاستعادة الوضوح. ومن بين أكثر الأدوات إثارة للاه في هذه الحقيبة هما "الأتمتة الخلوية" (Cellular Automata) و"المنطق الضبابي" (Fuzzy Logic). فكر في الأتمتة الخلوية كشبكة من الجيران الصغار المطيعين الذين لا يهتمون إلا بالأشخاص الواقفين بجوارهم مباشرةً لاتخاذ قرار بشأن ما سيفعلونه. أما "المنطق الضبابي" فهو فن اتخاذ القرارات عندما لا تكون الأمور مقسمة بصرامة بين الأبيض والأسود، بل تقع في المنطقة الرمادية بينهما. ومن خلال الجمع بين هذه الأفكار، يأمل الباحثون في إنشاء نظام يكون ذكياً بما يكفي لمعرفة أي البكسلات هي "الضجيج" وأيها هي "الصورة"، حتى عندما يكون الضجيج طاغياً.
في هذه الورقة البحثية، يقدم محمد مهدي بيروزمندن مخططاً جديداً وقوياً مصمماً خصيصاً لمعالجة مشكلة ضجيج الملح والفلفل هذه باستخدام مزيج من ثلاث خوارزميات تم تطويرها حديثاً. تعمل الطريقة مثل عملية تحقيق تتكون من مرحلتين: أولاً، يجب العثور على الجناة (البكسلات المسببة للضجيج)، وثانياً، يجب إصلاحها دون إفساد بقية المشهد.
تتمحور المرحلة الأولى حول الكشف، وهي تستخدم عملية من خطوتين لضمان عدم تفويت أي ضجيج. الخطوة الأولى هي مسح سريع: تبحث الخوارزمية في جوار صغير بمساحة 3×3 حول كل بكسل وتحسب قيم السطوع القصوى والدنيا والمتوسطة. إذا كان البكسل ساطعاً بشكل مريب (مثل الملح) أو مظلماً (مثل الفلفل) مقارنة بجيرانه، فسيتم وضع علامة عليه. ومع ذلك، يدرك المؤلف أن الضجيج قد يكون مخادعاً وقد يبدو كبكسل طبيعي، لذا تمت إضافة خطوة ثانية أكثر صرامة. تستخدم هذه الخطوة مبادئ الأتمتة الخلوية وما يسمى بـ "مسافة هامينج" (Hamming distance) — وهي طريقة لقياس مدى اختلاف مجموعتين من الأرقام. تقوم هذه الخطوة بإعادة تقييم البكسلات التي فاتتها الخطوة الأولى، والتحقق مما إذا كان جيرانها يتصرفون بغرابة. إذا كان الجيران مختلفين للغاية، يتم تأكيد أن البكسل هو ضجيج.
بمجرد تحديد البكسلات المسببة للضجيج، تبدأ المرحلة الثانية: الاستعادة. بدلاً من مجرد استبدال البكسل السيئ بمتوسط بسيط لجيرانه (وهو ما يؤدي غالباً إلى ضبابية الصورة)، تستخدم هذه الطة الجديدة "الأتمتة الخلوية الضبابية" ومفهًماً يسمى "تشابه جاكارد" (Jaccard similarity). تخيل أن البكسل المركزي هو قطعة أحجية مكسورة؛ تنظر الخوارومة إلى أربعة أنماط مختلفة من ستة بكسلات محيطة (مثل مجموعات مختلفة من الجيران) وتسأل: "أي مجموعة تبدو أكثر شبهاً بالصورة الأصلية غير المكسورة؟". تستخدم الخوارزمية مقياس تشابه جاكارد لمقارنة هذه المجموعات، حيث تسأل جوهرياً عن مدى التشابه بينها. ثم تستخدم الخوارزمية هذه المقارنات الضبابية لحساب قيمة جديدة ومثالية للبكسل المكسور، مما يؤدي فعلياً إلى "شفاء" الصورة مع الحفاظ على الحواف الحادة والتفاصيل الدقيقة.
تعرض الورقة نتائج تجريبية لتوضيح مدى فعالية هذا المخطط الجديد. اختبر المؤلف الطريقة على صور قياسية متنوعة، مثل "Barbara" و"Boat" و"Bridge"، مع تلويثها بضجيج الملح والفلفل بمستويات تتراوح من 15% وصولاً إلى مستوى كثيف جداً يبلغ 90%. تم قياس النتائج باستخدام أربعة بطاقات تقييم: PSNR (نسبة ذروة الإشارة إلى الضجيج)، وSSIM (مؤشر التشابه الهيكلي)، وNCC (الارتباط المتبادل الطبيعي)، وIEF (عامل تحسين الصورة). في هذه المحاكاة، تفوقت الطريقة المقترحة باستمرار على التقنيات الموجودة، بما في ذلك كواشف الشبكات العصبية وفلاتر الوسيط (median filters) المختلفة. على سبيل المثال، في صورة بحجم 256×256 بكسل مع ضجيج بنسبة 90%، حققت الطريقة المقترحة PSNR قدره 34.4، بينما سجلت طرق أخرى مثل NNANFIS 24.4 بشكل أقل بكثير. كما أظهرت النتائج المرئية أن هذه الطريقة كانت أفضل في الحفاظ على الحواف الحادة للصور، بينما تميل المرشحات الأخرى إلى ترك الصورة تبدو ضبابية أو لا تزال مليئة بالنقاط.
علاوة على ذلك، تسلط الورقة الضوء على أن هذه الطريقة ليست دقيقة فحسب، بل هي فعالة أيضاً. في الاختبارات التي تقيس وقت المعالجة على صور بحجم 512×512 مع ضجيج بنسبة 60%، استغرقت الطريقة المقترحة حوالي 68 ثانية لاستعادة صورة "Barbara"، وهو أسرع من الـ 106 ثوانٍ التي استغرقها مرشح MDBUTM والـ 170 ثانية التي استغرقها منهج A. Selmani. ويخلص المؤلف إلى أنه نظراً لأن الطريقة تعتمد على قواعد محلية (مثل جيران الأتمتة الخلوية)، فإنها قابلة للتوازي بشكل كبير، مما يعني أنه يمكن جعلها أسرع بكثير إذا تم تشغيلها على أجهزة مصممة للقيام بأشياء كثيرة في وقت واحد. وبينما تركز الورقة على الصور ذات التدرج الرمادي وأنواع محددة من الضجيج، يشير المؤلف إلى أن هذا النهج قد يكون حلاً واعداً لمهام معالجة الصور في العالم الحقيقي حيث يكون الحفاظ على التفاصيل أمراً بالغ الأهمية، وقد يستكشف العمل المستقبلي تطبيق هذه الأفكار على الصور الملونة أو أنواع أخرى من الضجيج.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.