Directional Edge Detection Algorithm via Analytic Function-Based Convolution and q-Calculus Framework

في عالم التصوير الرقمي والرؤية الحاسوبية، يبرز تحدٍ جوهري يتمثل في تعليم الآلات رؤية العالم كما يراه البشر: من خلال التعرف على الحدود التي ينتهي عندها جسم ما ويبدأ آخر. تُعرف هذه العملية باسم "كشف الحواف" (edge detection)، وهي المعادل الرقمي لتتبع الخطوط الخارجية لشكل ما. وتنجز الحواسيب ذلك من خلال تحليل شبكة من الأرقام التي تمثل سطوع كل بكسل في الصورة؛ فعندما تتغير الأرقام بشكل مفاجئ من بكسل إلى الذي يليه، يحدد البرنامج خطاً أو حداً. ولعقود من الزمن، اعتمد المهندسون على أدوات رياضية قياسية لإيجال هذه التغييرات، باستخدام شبكات صغيرة من الأرقام تُسمى "النوى" (kernels)، لمسح الصورة وإبراز هذه الانتقالات. ورغم أن هذه الطرق التقليدية مفيدة، إلا أنها غالباً ما تعاني من مشكلة شائعة: فقد تخطئ في اعتبار النقط العشوائية الناتجة عن الضجيج حوافاً حقيقية، أو قد تتسبب في طمس الخطوط التي تحاول إيجادها، مما يجعل الصورة النهائية تبدو ضبابية أو غير دقيقة.

وقد اقترح فريق من الباحثين من مؤسسات في الهند طريقة جديدة لزيادة حدة هذه الخطوط الرقمية، عبر دمج منطق معالجة الصور مع فرع متخصص من الرياضيات يُعرف باسم "حساب q" (q-calculus). ويقدم عملهم منهجية تسمى "خوارزمية كشف الحواف الاتجاهية عبر الالتفاف القائم على الدالة التحليلية وإطار حساب q". وبدلاً من الاعتماد على قواعد ثابتة وغير متغيرة لإيجاد الحواف، يستخدم هذا النهج نظاماً رياضياً مرناً لتوليد ثماني مجموعات مختلفة من أدوات المسح. وقد صُممت هذه الأدوات للنظر إلى الصورة من كل زاوية ممكنة، من الأفقي إلى القطري، ثم دمج نتائجها في صورة واحدة أكثر وضوحاً. واختبر الباحثون هذه الطالة الجديدة مقابل تقنيات راسخة عدة، بما في ذلك مؤثرات "سوبل" (Sobel) و"برويت" (Prewitt) واسعة الانتشار، باستخدام مجموعة من الصور الاختبارية القياسية التي تراوحت من صورة بجعة إلى صورة مسح للدماغ البشري ومبنى.

ويكمن جوهر الطريقة الجديدة في كيفية تحديد شكل الحافة. فبينما تستخدم الأدوات التقليدية أرقاماً ثابتة لمسح الصورة، يستخدم هذا الإطار الجديد دالة رياضية ديناميكية لإنشاء الأرقام الخاصة بأدوات المسح هذه. وقد استخدم الباحثون نوعاً معيناً من المنحنيات الرياضية، يُعرف باسم "ليماسون" (limaçon)، لتوجيه عملية إنشاء هذه الأرقام. ومن خلال ضبط بعض المعلمات داخل هذا النظام الرياضي، استطاعوا ضبط حساسية الأدوات بدقة؛ مما سمح لهم بتحقيق توازن دقيق: جعل الحواف حادة بما يكفي لتكون متميزة، ولكن ليست حادة جداً بحيث يتم الخلط بين الضجيج العشوائي في الصورة وبين الخط الحقيقي. وتتضمن العملية أخذ صورة، وتشغيلها عبر ثمانية عمليات مسح اتجاهية مختلفة بناءً على هذه الأرقام المشتقة رياضياً، ثم حساب متوسط النتائج. وتساعد خطوة حساب المتوسط هذه في تنعيم الأخطاء والخطوط الزائفة، مما يترك وراءه تمثيلاً نظيفاً ودقيقاً لحدود الجسم.

وللتحقق مما إذا كان هذا النهج قد نجح بالفعل، قارن الفريق نتائجه بطرق شائعة أخرى باستخدام مجموعة متنوعة من المقاييس الصارمة. فقد نظروا في مدى جودة حفظ الصور الجديدة لهيكل المشهد الأصلي ومدى تغير نسيج الصورة. وفي اختبار محدد تضمن مؤثر "برويت"، المعروف بكونه أقل حساسية للضجيج، حققت الطريقة الجديدة درجة تشابه هيكلي بلغت 0.513. وكان هذا تحسناً كبيراً مقارنة بطريقة متقدمة منافسة سجلت 0.054 فقط على نفس المقياس. ووجد الباحثون أن نهجهم حافظ باستمرار على رؤية أفضل وسلامة هيكلية أعلى، مما يعني أن الخطوط الخارجية للأجسام ظلت مطابقة للصورة الأصلية دون أن تصبح ضبابية للغاية أو مشوهة. وتشير النتائج إلى أنه باستخدام هذه الأدوات الموجهة والمولدة رياضياً، من الممكن إنشاء كشف للحواف يكون أكثر دقة وأكثر إرضاءً للعين البشرية.

كما سلطت الدراسة الضوء على أن ليست كل الأدوات التقليدية تعمل بنفس الكفاءة عند تعزيزها بهذا الإطار الجديد. فقد لاحظ الباحثون أن مؤثر "برويت"، عند دمجه مع النهج الرياضي الجديد، تفوق على مؤثر "سوبل" الأكثر شهرة في اختباراتهم. ويرجع ذلك على الأرجح إلى أن طريقة "برويت" أقل تفاعلاً بطبيعتها مع الضجيج العشوائي الذي غالباً ما يعيب الصور الرقمية، مما يسمح للتحسينات الرياضية الجديدة بالعمل بفعالية أكبر. وخلص الفريق إلى أن خوارزميتهم توفر طريقة أكثر دقة واتساقاً بصرياً لكشف الحواف، لا سيية في الحالات التي يكون فيها الحفاظ على الشكل الحقيقي للجسم أهم من مجرد إيجاد أي خط. ومن خلال إثبات أن هذه الدوال الرياضية المعقدة يمكن تطبيقها في معالجة الصور العملية، فتح الباحثون الباب أمام طرق أكثر تطوراً لتعليم الحواسيب رؤية العالم بوضوح.