إطار عمل هجين للتعلم العميق لاستعادة الصور في نظم الاتصالات البصرية الحرة المتأثرة بتلاشي لوغ-نورمالي

لماذا يهم هذا للصور اليومية

مع انتقال جزء أكبر من حياتنا إلى العالم الرقمي، نتوقع أن تصل الصور والفيديوهات فورًا وبوضوح—سواء أُرسلت من جهاز مسح طبي أو كاميرا أمنية أو قمر صناعي. لكن عندما تُنقل هذه الصور عبر الهواء باستخدام حزم ضوئية، يمكن للغلاف الجوي أن يعبث بها، محولًا المشاهد الواضحة إلى لقطات حبيبية وباهتة. تستكشف هذه الدراسة كيف يمكن لمزيج من تقنيات التعلم العميق الحديثة وأساليب تحسين الصورة التقليدية أن ينقذ تلك الصور التالفة، مستعيدًا التفاصيل الدقيقة حتى عندما يكون قناة الإرسال معادية للغاية.

إرسال الصور عبر الهواء باستخدام الضوء

تتركز الدراسة على الاتصالات البصرية الحرة (FSO)، وهي تقنية تنقل البيانات باستخدام حزم ضوئية مركزة بدلًا من موجات الراديو. تبرز FSO لقدرتها على حمل كميات هائلة من المعلومات—مناسبة للصور والفيديو عالية الدقة—دون الحاجة لرخصة راديو. مع ذلك، النطاق الجوي بين المرسل والمستقبل نادرًا ما يكون هادئًا. تقلبات الحرارة والرياح والاضطراب تسبب تذبذبًا في الحزمة الضوئية وقوتها، وهي ظاهرة يصفها المؤلفون إحصائيًا كتلاشي لوغ-نورمالي. عند دمج ذلك مع الضوضاء الإلكترونية وأساليب تعبئة البيانات الكثيفة المستخدمة لزيادة سعة الإرسال، فإن هذه التشوهات قد تقلل بشدة جودة الصورة.

حدود الحيل التقليدية للتنقية

حاول المهندسون لوقت طويل مواجهة هذه التشوهات باستخدام تقنيات مثل الهوائيات المتعددة (MIMO)، وأساليب التنوع التي ترسل معلومات متماثلة عبر مسارات مختلفة، والبصريات التكيفية التي تعيد تشكيل الحزمة في الزمن الحقيقي، ومرشحات متقدمة مثل مرشحات جاوسيَن وونير. ورغم فائدتها، تكافح هذه الطرق عندما يتغير المحيط بسرعة أو يتصرف بطرق معقدة وغير خطية. قد تزيل بعض الضوضاء لكنها غالبًا ما تُطمس الحواف والأنسجة المهمة، وليست مرنة بما يكفي لفك التلاشي العشوائي والمتغير بسرعة الذي يضرب وصلات FSO في العالم الحقيقي.

آلة تعلم تفهم التشوه

لتجاوز هذه القيود، صمّم المؤلفون شبكة عصبية تلافيفية عميقة (DCNN) تتعلم من الأمثلة كيف يضر التلاشي والضوضاء بالصور عادةً. أنشأوا مجموعة بيانات تركيبية كبيرة مكونة من 30,000 صورة باستخدام مولدات صور بالذكاء الاصطناعي، ثم حاكوا رياضيًا كيف قد تُفسدها وصلة FSO بتلاشي لوغ-نورمالي وضوضاء مضافة. احتفظوا نصف الصور نظيفة، والنصف الآخر متلاشيًا ومليئًا بالضوضاء، لتغطية نطاق واسع من ظروف نسبة الإشارة إلى الضوضاء. أثناء التدريب، ترى الشبكة تزاوجات عديدة من الصور التالفة والأصلية وتتعلم تدريجيًا تقدير نمط الضوضاء وطرحه، مستخدمة بنية من 22 طبقة وكتل متبقية متكررة متخصصة في فصل البنية الحقيقية عن التشوه.

تحسين التفاصيل والتحقق من الموثوقية

بعد أن تزيل الشبكة معظم تأثيرات الضوضاء والتلاشي، يضيف المؤلفون خطوة مخصصة للشحذ تُبرِز الحواف والهياكل الدقيقة التي قد تكون تلطخت أثناء المعالجة. تثبت هذه السلسلة ذات المرحلتين—تنقية الضوضاء تليها الشحذ—أهميتها في إنتاج صور لا تحقق درجات عددية عالية فحسب بل تبدو أيضًا واضحة للمراقب البشري. يقيس الفريق الجودة باستخدام نسبة الذروة إلى الضوضاء (PSNR) وجذر متوسط مربع الخطأ (RMSE)، وهما مقياسان قياسيان يقارنون الصور المستعادة بنسخها الأصلية. تحت ظروف محاكاة قاسية، حيث قد تهبط صور التلاشي إلى نحو 7–9 ديسيبل PSNR، ترتفع الصور المستعادة لتصل إلى نحو 67–68 ديسيبل، في نطاق «ممتاز» وبفارق كبير عما تحققه المرشحات التقليدية.

الاختبار على التصنيف وحالات شبيهة بالعالم الحقيقي

للتأكد من أن الصور المستعادة ليست جميلة المظهر فقط بل مفيدة أيضًا للتحليل اللاحق، درّب المؤلفون شبكات متبقية عميقة (ResNet-18، ResNet-50، وResNet-101) للتمييز بين الصور المتلاشية والنظيفة. وصلت هذه المصنّفات إلى دقة تتجاوز 99.8%، مؤكدةً أن مجموعة البيانات منظمة جيدًا وأن عملية الاستعادة تحافظ على أنماط بصرية ذات معنى. كما اختُبر الإطار على صور لم تُرَ أثناء التدريب، بما في ذلك صورة بشرية حقيقية أُرسلت عبر وصلة FSO محاكاة. حتى في هذه الحالات الصعبة، حسّن النموذج الوضوح بشكل كبير، ما يدل على أنه تعلم مبادئ عامة للاستعادة بدلًا من مجرد حفظ أمثلة التدريب.

ماذا يعني هذا لأنظمة التصوير في المستقبل

بالنسبة لغير المتخصص، الخلاصة هي أن المؤلفين بنوا نظامًا ذكيًا «لإنقاذ الصور» يمكنه أخذ صور متضررة بشدة أُرسلت عبر هواء مضطرب وإعادتها لتبدو تقريبًا كما كانت في الأصل. من خلال الجمع بين شبكة عميقة متعلمة وخطوة نهائية للشحذ، يحول الأسلوب الوجوه والمشاهد المتلاشية والمشوشة إلى صور واضحة ومفصّلة. يمكن أن يقوّي هذا المنهج التطبيقات المستقبلية بدءًا من الطب عن بعد والتشخيص عن بُعد إلى المراقبة ومراقبة الأرض، حيث تعتمد القرارات على رؤية تفاصيل صغيرة بثبات رغم ظروف الإرسال القاسية.

الاستشهاد: Soliman, F.A., Ragab, D.A., El-Shafai, W. et al. Hybrid deep learning framework for image restoration in Fso systems affected by log-normal fading. Sci Rep 16, 14653 (2026). https://doi.org/10.1038/s41598-026-39768-x

الكلمات المفتاحية: الاتصالات البصرية الحرة, تنقية الصور من الضوضاء, التعلم العميق, الاضطراب الجوي, استعادة الصور