ثورة في إزالة الضوضاء من الصور فائقة الطيف: نموذج SqueezeNet

صور أوضح ما وراء الطيف

عندما تنظر الأقمار الصناعية أو الطائرات بدون طيار أو كاميرات المختبر إلى العالم بمئات الألوان بدلاً من الأحمر والأخضر والأزرق فقط، فإنها تلتقط تفاصيل مخفية عن المحاصيل والتلوث والمباني وحتى الأعمال الفنية. لكن هذه الصور «فائقة الطيف» الغنية تتعرض بسهولة للتلف بفعل الضوضاء الناتجة عن الغلاف الجوي والإلكترونيات، شبيهةً بالتشويش في تلفاز قديم. يقدم هذا البحث نموذج ذكاء اصطناعي مدمج ينظف تلك الصور بشكل أكثر فعالية وكفاءة، مما يساعد العلماء والمهندسين على الوثوق بما يرونه في هذا الطيف غير المرئي.

لماذا تهم كل هذه الألوان

الصور العادية تستخدم ثلاث قنوات لونية، أما الصور فائقة الطيف فتعزل الضوء إلى عشرات النطاقات الضيقة، بعضها خارج ما تراه أعيننا. كل بكسل يحمل طيفاً صغيراً يكشف عن خواص المواد — على سبيل المثال، ما إذا كانت الحقول مزروعة بنباتات صحية أو تربة جافة أو مياه ملوثة. ومع ذلك، فإن جمع مثل هذه البيانات التفصيلية صعب. المستشعرات المركبة على الطائرات أو الأقمار الصناعية أو الميكروسكوبات تعمل في ظروف إضاءة وحرارة متغيرة، والإشارة التي تستقبلها غالباً ما تكون ضعيفة. ونتيجة لذلك تتسلل أنواع متعددة من الضوضاء، بما في ذلك النمش العشوائي، والخطوط الفاتحة أو الداكنة، والبكسلات الميتة، والنبضات المفاجئة. لا تجعل هذه التشوهات الصور تبدو فقط حبيبية، بل تضلل أيضاً الأنظمة الآلية التي تعتمد على البصمات الطيفية الدقيقة.

حدود طرق التنقية التقليدية

لسنوات، عدّل الباحثون أدوات من تصوير الفوتوغرافيا اليومية لتنظيف الصور فائقة الطيف، معالجين كل شريط طيفي كصورة تدرج رمادي منفصلة. وعلى الرغم من أن هذا يساعد على تقليل الحبيبات، فإنه يتجاهل إلى حد كبير كيفية ترابط الأشرطة العديدة مع بعضها، وقد يشوه أو يطمس الأطياف الأساسية التي يهتم بها العلماء. ظهرت طرق متقدمة بالتعلّم العميق، لكن العديد منها كبير الحجم وبطيء أو مخصص لنوع واحد من الضوضاء في كل مرة. وهذا يجعل تشغيلها صعباً على منصات ذات موارد محدودة، مثل الأقمار الصناعية الصغيرة أو أنظمة الجو، وأقل موثوقية عند مواجهة خلطات الضوضاء المعقدة في العالم الحقيقي.

شبكة عصبية نحيفة مع عادة تدريب جديدة

يقترح المؤلفون استخدام SqueezeNet، وهي شبكة عصبية عميقة خفيفة الوزن، كمحرك لإزالة الضوضاء من الصور فائقة الطيف. تُبنى SqueezeNet من تكرار «كتل النار» التي تضغط أولاً المعلومات الواردة (خطوة «الضغط») ثم توسعها عبر زوج من المرشحات الصغيرة التي تبرز كل من التفاصيل المحلية والسياق الأوسع. في هذه الدراسة، تُستخدم صور فائقة الطيف المشوشة من مجموعة بيانات هارفارد كمدخل، ويتعلم النموذج فصل بنية المشهد الحقيقية عن الضوضاء عبر جميع الأشرطة دفعة واحدة. على عكس الشبكات الأكبر والمحوّلات، يكدّس هذا التصميم معرفته في أقل من ميغابايت من المعاملات، مما يتيح معالجة سريعة واستهلاك طاقة منخفض دون التضحية بالدقة.

التعلّم من الضوضاء السهلة إلى الضوضاء الصعبة

ابتكار رئيسي يكمن في كيفية تدريب الشبكة. بدلاً من إلقاء كل أنواع التشوهات على النموذج منذ البداية، يتبنى المؤلفون استراتيجية تدريجية أو «منهاجية». يتعلم النظام أولاً تصحيح الضوضاء العشوائية البسيطة (غاوسية) عند شدات ثابتة، ثم يتعامل مع نطاق أوسع من مستويات الضوضاء العشوائية، وأخيراً يواجه خلطات معقدة تتضمن خطوطاً وخطوطاً ميتة ونبضات عشوائية. تساعد هذه التعرضات المرحلية الشبكة على تجنّب الحلول الضعيفة وتثبيت عملية التعلم، تماماً كما يتقن الطالب التمارين الأساسية قبل مواجهة أسئلة الامتحان الصعبة. تُقيَّم أداء النموذج باستخدام أربع مقاييس معيارية تتحقق ليس فقط من حدة الصور، بل أيضاً من مدى حفاظها على البصمات الطيفية بدقة.

بيانات أنظف، قرارات أفضل

عبر مجموعة من ظروف الضوضاء، يقدم النموذج القائم على SqueezeNet باستمرار صوراً فائقة الطيف أنظف من عدة طرق كلاسيكية ومتقدمة في التعلّم العميق. يحقق درجات أعلى للحدة والتشابه البنيوي، بينما ينتج أخطاء طيفية أصغر، ويقوم بذلك مع تكلفة حاسوبية جزءية. بالنسبة لغير المتخصصين، يعني هذا أن الأدوات التي تراقب سطح الأرض أو العمليات الصناعية أو العينات المجهرية يمكنها إرسال معلومات أكثر موثوقية في الوقت الحقيقي، حتى من أجهزة ذات قدرة معالجة محدودة. بدمج تصميم شبكة مدمجة مع جدول تدريب ذكي، يشير هذا العمل إلى تصوير فائق الطيف أسرع وأكثر دقة يمكن نشره على نطاق أوسع في رصد البيئة والزراعة والاستشعار عن بُعد وما بعدها.

الاستشهاد: Nachimuthu, N., Murugesan, R., Dharmalingam, M. et al. Revolutionizing hyper spectral image denoising: a squeezenet paradigm. Sci Rep 16, 7419 (2026). https://doi.org/10.1038/s41598-026-36479-1

الكلمات المفتاحية: التصوير فائق الطيف, إزالة ضوضاء الصور, التعلّم العميق, الاستشعار عن بُعد, SqueezeNet