إطار اندماج صور قائم على نموذج باستخدام الشيرلت المحدود النطاق المتقطع

لماذا الصور الأفضل مهمة

من جرب تصوير غروب الشمس أو أفق ليلي يعرف الإحباط: إذا بدا السماء بشكل صحيح، تكون المباني مظلمة جداً؛ وإذا كانت المباني واضحة، يتحول السماء إلى بقعة بيضاء. يتناول هذا البحث تلك المشكلة اليومية. يعرض طريقة جديدة لدمج عدة صور لنفس المشهد التُقِطت بمستويات سطوع مختلفة في صورة واحدة تحافظ على تفاصيل الظلال واللمعان، دون الاعتماد على حيل تعلم عميق مغلقة المصدر.

تحويل عدة لقطات إلى رؤية واضحة واحدة

لا تستطيع حساسات الكاميرات الحديثة مطابقة عين الإنسان، التي ترى بسهولة تفاصيل في السحب المضيئة والشوارع الخافتة في آن واحد. يتعامل المصورون غالبًا مع ذلك بأخذ سلسلة لقطات لنفس المشهد: لقطة منخفضة التعريض لحماية المناطق الساطعة، وأخرى عادية، وثالثة مرتفعة التعريض لإظهار المناطق الداكنة. هدف دمج الصور متعددة التعريض هو الجمع بين هذه اللقطات في صورة واحدة تبدو طبيعية ومفصّلة في كل مكان. الطرق السابقة إما خلطت البيكسلات مباشرة أو استخدمت حيلًا بسيطة لتجنب التكرار الشبحى، لكنها غالبًا أنتجت نتائج باهتة أو غطّت النسيج الدقيق.

بديل واضح لصندوق التعلم الأسود

انتشرت مؤخرًا أنظمة التعلم العميق في هذه المهمة، تتعلم كيف تدمج الصور من مجموعات تدريب ضخمة. يمكن لتلك الأنظمة إنتاج صور ملفتة، لكن تدريبها مكلف، وتعتمد بشدة على البيانات المستخدمة، كما يصعب تفسيرها. بالمقابل، يطور المؤلفون طريقة شفافة تمامًا وخالية من التدريب تقوم على رياضيات مفهومة جيدًا. بدل تعلم الدمج من أمثلة، تتبع طريقتهم قواعد محددة يمكن فحصها وإعادة إنتاجها وضبطها، وهو أمر جذاب في السياقات العلمية أو الطبية أو الحرجة للسلامة حيث الثقة وقابلية التتبّع أمران أساسيان.

استخدام اتجاهات ذكية لتتبع التفاصيل

جوهر النهج الجديد أداة تسمى تحويل الشيرلت المتقطع المحدود النطاق. وبعبارة بسيطة، تكسر هذه الأداة كل صورة إدخال إلى طبقات تلتقط البنى بأحجام واتجاهات مختلفة، مثل الحواف والخطوط والمنحنيات. خلافًا للتقنيات القديمة التي تعامل التفاصيل بنفس الشكل في كل الاتجاهات، فإن هذا التحويل ممتاز في تتبع الميزات المائلة والمنحنية مثل حواف الأسطح والصور الظلية وتموجات الماء. تُحوّل كل صورة مصدر أولاً إلى طبقات تردد منخفض تحمل السطوع والشكل العام، وطبقات تردد عالي تحمل الحواف الدقيقة والملمس. ثم يدمج الأسلوب هذه الطبقات باستخدام قواعد منتقاة بعناية قبل إعادة بناء الصورة النهائية.

اختيار ما يحتفظ به من كل تعريض

لتحديد أي التفاصيل من كل تعريض يجب أن تظهر في الصورة النهائية، يختبر المؤلفون استراتيجيتين بسيطتين. للمحتوى الخلفي بطيء التغير، يأخذون متوسط الطبقات منخفضة التردد بحيث يبدو السطوع العام وبنية المشهد طبيعية. للتفاصيل الدقيقة، يجربون فكرتين متنافستين. قاعدة واحدة تفضّل المناطق التي يكون فيها التباين في جوار صغير قويًا باستمرار، ما يميل إلى الحفاظ على النسيج المستقر مع مقاومة الضوضاء. القاعدة الأخرى تختار ببساطة، عند كل موقع، التغير المحلي الأكثر بروزًا بالنسبة لمحيطه، ما قد يشحذ الحواف لكنه قد يكون أكثر حساسية للضوضاء. تُظهر التجارب على مشاهد اختبار معيارية، مثل مناظر قناة ومؤدي شارع مقنع، أن السلوكين يتقاربان عندما يقترنان بطبقات الاتجاه القوية لتحويل الشيرلت.

ملاحظة المكاسب بالأرقام والمشاهد

يُقارن الفريق طريقتهم بعدة أدوات مستخدمة على نطاق واسع تفكك الصور بطرق مختلفة، بما في ذلك الموجات الكلاسيكية وأساليب أكثر تقدمًا قائمة على الكونتور والشير. باستخدام مقاييس جودة شائعة تقيس الحدة ومحتوى المعلومات والتشابه البنيوي، تنتج طريقتهم باستمرار صورًا بحواف أنقى وتفاصيل أغنى من هذه الأساليب الأقدم. تظهر الصور المندمجة نسيجًا مقروءًا في القوارب والمباني والسماء التي كانت إما مفقودة في الوهج أو مغلفة بالظلال في التعريضات الأصلية. ومع أن الطريقة الجديدة أبطأ من بعض البدائل، لأنها تعمل في المجال الترددي مع مرشحات اتجاهية عديدة، إلا أنها تظل عملية للمعالجة خارج الوقت الحقيقي حيث تهم جودة الصورة وقابلية التفسير أكثر من السرعة.

ماذا يعني هذا لصور أفضل أوضح

بعبارة بسيطة، يُظهر هذا العمل أن أداة رياضية مصممة بعناية قادرة على منافسة وحتى التفوق على النهجين التقليدي والمتعلّم لدمج صور متعددة التعريض، دون الحاجة إلى بيانات تدريب. من خلال التركيز على كيفية ظهور الحواف والملمس بأحجام واتجاهات مختلفة، يمكن للطريقة استخلاص أفضل الأجزاء المرئية من كل لقطة مدخلة ونسجها في صورة واحدة متوازنة. للمصورين والمهندسين والعلماء الذين يحتاجون إلى تحسين صور موثوق وقابل للتكرار، يقدم هذا مسارًا واضحًا ومفسّرًا إلى صور نطاق ديناميكي عالي تبدو أقرب إلى ما تراه عين الإنسان بطبيعتها.

الاستشهاد: Ji, W., Chen, X. A model-based image fusion framework using discrete band-limited shearlets. Sci Rep 16, 15204 (2026). https://doi.org/10.1038/s41598-025-34942-z

الكلمات المفتاحية: دمج صور متعددة التعريض, تصوير النطاق الديناميكي العالي, تحويل الشيرلت, تعزيز تفاصيل الصورة, التصوير الحاسوبي