تلوين الصور باستخدام التعلم الانتقالي العميق عبر VGG19 وCLAHE

إعادة الحياة إلى الصور القديمة

كثير منا يملك صناديق من صور العائلة بالأبيض والأسود أو يستمتع بالأفلام الكلاسيكية والأفلام الوثائقية القديمة. تخيل كيف بدت تلك المشاهد في الواقع — سماء زرقاء، حقول خضراء، ألوان بشرة دافئة — يمكن أن يجعل الماضي أقرب وأكثر واقعية. تستعرض هذه الورقة أسلوباً حاسوبياً جديداً يضيف تلقائياً ألواناً واقعية وتبايناً مرضياً إلى الصور الرمادية، مما يسهل ترميم الصور القديمة، تحديث الأفلام بالأبيض والأسود، وحتى تحسين صور طبية، دون الحاجة إلى أن يرسم خبير كل ظل يدوياً.

من التلوين اليدوي إلى الآلات الذكية

تلوين الصور أصعب مما يبدو لأن درجة رمادية واحدة قد تمثل ألواناً متعددة: قد يكون الرمادي المتوسط طوباً أحمر، أو ورقة خضراء، أو قميصاً أزرق. اعتمدت الأدوات السابقة بشكل كبير على توجيه بشري. كان بإمكان الفنانين رسم «خربشات» لونية سريعة على أجزاء من الصورة، فتنتشر هذه الإشارات عبر المناطق المماثلة بواسطة البرنامج. استعارَت أنظمة أخرى ألواناً من صورة مرجعية ذات محتوى شبيه. وعلى الرغم من أن هذه الأساليب كانت مقنعة أحياناً، إلا أنها تعثّرت عندما كانت الإرشادات قليلة، أو لم تكن الصورة المرجعية مطابقة تماماً، أو كان المشهد معقداً. ومع ازدهار التعلم العميق، تعلمت برامج جديدة «تخمين» الألوان مباشرة من مجموعات كبيرة من الصور النموذجية، مما قلل الحاجة للعمل اليدوي لكنه استلزم أوقات تدريب هائلة وقدرة حوسبة كبيرة.

تعليم الشبكة كيف يبدو العالم

يبني المؤلفون على هذا التقدم باستراتيجية تعرف بالتعلم الانتقالي. بدلاً من تدريب نظام جديد من الصفر، يعيدون استخدام شبكة رؤية قوية تُدعى VGG19 تم تدريبها بالفعل على ملايين الصور الملونة. تحتوي هذه الشبكة على طبقات عديدة تتحول تدريجياً من أنماط بسيطة مثل الحواف والملمس إلى أشياء ومشاهد كاملة: وجوه، أشجار، مبانٍ، سماء. يدخل النظام نسخة رمادية من الصورة إلى VGG19 ويجمع ميزات من عدة طبقات في آن واحد، مكوِّناً «رصة» غنية من المعلومات لكل بكسل. يساعد هذا النموذج على فهم التفاصيل الدقيقة — مثل خصل الشعر أو حواف الأوراق — والسياق الأوسع، كأن يكون المشهد شاطئاً، شارع مدينة، أو غابة. مع هذا السياق، تصبح الشبكة في موقع أفضل لاختيار ألوان معقولة ومقنعة، لا مجرد ألوان ممكنة رياضياً.

تحويل الضوء والظل إلى لون وتباين

لجعل قرارات الألوان أكثر استقراراً، تمثل الطريقة الصور في نظام ألوان يفصل بين السطوع ومحتوى اللون. تعمل المدخلة الرمادية كقناة السطوع، بينما تكمن مهمة الشبكة في التنبؤ بالقناتين المتبقيتين اللتين تشفران التحولات الدقيقة بين الأحمر والأخضر، وبين الأزرق والأصفر. بالحفاظ على السطوع ثابتاً، يحافظ النظام على التدرج والهيكل الأصلي للصورة. بعد أن تنتج الشبكة أفضل تخمين للمعلومات اللونية المفقودة، يُطبق خطوة نهائية لتحسين الصورة. هنا يستخدم المؤلفون تقنية تسمى المعادلة الهيستوجرامية التكيفية (CLAHE)، التي تُمطّ الهواء محلياً بين المناطق الداكنة والفاتحة. يجعل هذا الأنسجة أوضح، والحواف أكثر حدة، وتبدو الألوان أكثر حيوية، دون «تفجير» المناطق الفاتحة أو فقدان التفاصيل في الظلال.

اختبار الطريقة

لتحقيق مدى فعالية نهجهم عملياً، دربه الباحثون وقيّموا أدائه على عدة مجموعات صور معروفة تتضمن أشياءً، ومشاهد، وأناساً، وبيئات يومية. قارنوا نتائجهم مع مجموعة من الأساليب المنافسة، بما في ذلك أنظمة موجهة بإشارات المستخدم، ونماذج توليدية تحاول اختراع صور واقعية، ونماذج أحدث قائمة على المحولات (transformers). باستخدام مقاييس قياسية لجودة الصورة، أنتجت طريقتهم باستمرار ألواناً أكثر صفاءً ووفاءً وبُنى أوضح، مع أداء قوي بشكل خاص على مجموعة صعبة من صور المشاهد. تُظهر المقارنات البصرية أن مخرجات التلوين لديهم غالباً ما تبدو أقرب إلى الصور الملونة الأصلية، مع تشبع أغنى لكنه مضبوط وتباين متزّن أفضل. ويُبرزون أيضاً نقاط الضعف: الصور المظلمة جداً أو المتوهجة بشدة، أو المشاهد ذات القوام الغريبة والألوان النادرة، قد تؤدي أحياناً إلى ألوان غير معتادة أو إضاءة غير متساوية.

ما معنى هذا للصور اليومية

ببساطة، تُظهر هذه الدراسة أن تزويد نظام التلوين بخلفية قوية عن العالم البصري — ثم تحسين النتيجة بعناية — يمكن أن ينتج صوراً تبدو أكثر طبيعية للعين البشرية. من خلال الاستناد إلى شبكة كبيرة مدربة مسبقاً وإضافة خطوة ذكية لتعزيز التباين، يقدم المؤلفون أداة عملية قادرة على إحياء الصور التاريخية، وإثراء الأفلام بالأبيض والأسود، وجعل بعض أنواع الصور الطبية أسهل في التفسير. وعلى الرغم من أنها ليست مثالية وقد تتعثّر أمام الإضاءة القصوى أو المشاهد الشاذة جداً، فإن هذه المقاربة تقرب التلوين الآلي من مستوى يمكن لغير المتخصصين الاعتماد عليه، مما يجعل الحصول على ألوان واقعية في متناول مجموعة واسعة من الاستخدامات اليومية.

الاستشهاد: Ghosh, N., Mandal, G. Deep transfer learning based image colorization using VGG19 and CLAHE. Sci Rep 16, 9528 (2026). https://doi.org/10.1038/s41598-026-40292-1

الكلمات المفتاحية: تلوين الصور, التعلم العميق, التعلم الانتقالي, استعادة الصور, تعزيز التباين