تقسيم الصور متعدد المستويات اعتمادًا على آلية جديدة محسّنة لخوارزمية تحسين الكواتي

صور أوضح من تقطيع رقمي أكثر ذكاءً

كل صورة رقمية، من صور الأقمار الصناعية إلى الفحوصات الطبية، هي في الأساس شبكة من الأرقام. ولتحليل هذه الصور، يحتاج الحاسوب غالبًا إلى تقطيعها إلى مناطق ذات معنى — مثل فصل الورم عن الأنسجة السليمة، أو فصل الطريق عن الخلفية. يقدم هذا البحث طريقة جديدة تجعل هذا التقطيع أكثر دقة وسرعة، حتى للصور المعقدة جدًا، من خلال تعليم "سرب" افتراضي من حلالي المشكلات على التعاون بذكاء أكبر.

لماذا يعد تقطيع الصور مهمة صعبة

قبل أن يفهم الحاسوب صورة ما، يجب أن يقسمها إلى مناطق تنتمي معًا — وهي عملية تسمى التجزئة. إحدى أبسط وأكثر الطرق استخدامًا هي العتبة: اختيار قيمة أو قيم قطع على مقياس سطوع الصورة، وتعيين كل بكسل إلى منطقة بناءً على موضع قيمته. مع عتبة واحدة، يصبح الأمر سهلاً. لكن المهام الحديثة غالبًا ما تتطلب عدة عتبات في آن واحد لفصل أنسجة متعددة في فحص طبي، أو أنواع أرض مختلفة في منظر فضائي. البحث الرياضي عن أفضل تركيبة من العتبات يتنامى انفجاريًا مع زيادة عددها، ليصبح بسرعة مشكلة كبيرة جدًا بحيث لا يمكن حلها بالحساب المباشر.

ترك للحيوانات الافتراضية مهمة البحث عن إجابات أفضل

لمواجهة هذه المساحات البحثية الشائكة، يتجه العلماء بشكل متزايد إلى الخوارزميات شبة الاسترشادية: أسراب رقمية تتجول في فضاء الحلول، وتدفع المرشحين في اتجاهات واعدة. يعتمد العمل هنا على طريقة حديثة مستوحاة من الكواتي — حيوانات اجتماعية تصطاد في مجموعات. في خوارزمية تحسين الكواتي الأصلية، يتسلق بعض الكواتي نحو الفريسة بينما ينتظر الآخرون وينقضون، مقلدين الاستكشاف العام والتعديل المحلي الدقيق. تنجح هذه الاستراتيجية في العديد من الحالات، لكنها قد تعلق في حلول متوسطة، خصوصًا عندما يزداد عدد العتبات أو عندما تكون الطبيعة والصيغ القياسية للصور متنوعة.

تعليم السرب كيف يستكشف ويركز

صمم المؤلفون نسخة محسّنة تسمى ENCOA، تُطوّر سرب الكواتي على عدة مستويات. أولاً، حسّنوا طريقة تهيئة الحلول المرشحة باستخدام نمط فوضوي مضبوَط بعناية وحيلة انعكاس شبيهة بالعدسة لنشر نقاط البداية بشكل متساوٍ أكثر عبر فضاء البحث. بعد ذلك، استعانوا بأفكار من خوارزمية مستوحاة من البيئة البحرية لإنشاء آلية بحث تكيفية (ASSM). تحوّل هذه الآلية سلوك السرب تدريجيًا من تجوال واسع في المراحل المبكرة إلى تكرير أكثر حذرًا لاحقًا، مما يساعده على تجنب الوقوع في مصائد محلية. أخيرًا، أدخلوا بحثًا هرميًا «عموديًا-أفقيًا»: تُعدّل الحلول المتميزة بُعدًا واحدًا في كل مرة لتصحيح دقيق، في حين يخلط بقية السرب أجزاء من الحلول للحفاظ على تنوع عالٍ.

إثبات الفعالية على اختبارات وهندسة وصور حقيقية

للتحقق من أهمية هذه التحسينات، أطلق الفريق ENCOA أولًا على مجموعة معيارية من دوال الاختبار الرياضية الصعبة. عبر معظم هذه التحديات، تتقارب الطريقة الجديدة أسرع وتصل إلى إجابات أدق من كل من خوارزمية الكواتي الأصلية و11 طريقة أخرى معروفة قائمة على الأسراب. ثم طبقوا ENCOA على أربعة مسائل كلاسيكية في التصميم الهندسي، مثل تحسين وزن علبة تروس، حيث وجد في هذه الحالات أيضًا تصميمات أخف أو أرخص من تقنيات منافسة تحت نفس القيود. أخيرًا، تناولوا الهدف الرئيسي: تجزئة ست صور رمادية وأربع صور ملونة معيارية، بما في ذلك مشاهد طبيعية وصور شبيهة بالصور الطبية. باستخدام معيارين جودة مختلفين — واحد مبني على تمايز المناطق، والآخر على مقدار المعلومات المحفوظة — ينتج ENCOA باستمرار تجزئات تسجل درجات أعلى على مقاييس تشابه الصور القياسية، خصوصًا عندما تتطلب المهمة عددًا كبيرًا من العتبات (حتى 32).

حدود أوضح للصور الحقيقية

بعبارات بسيطة، يظهر هذا البحث كيف يمكن لسرب رقمي مصمم بشكل أفضل أن يقسم الصور إلى قطع أنظف وأكثر معنى دون أن يبطئ بشكل كبير مع تعقّد المشكلة. من خلال موازنة دقيقة بين الاستكشاف الواسع والتكرير المستهدف، يجد ENCOA إعدادات عتبة تحافظ على التفاصيل وتقلل الضجيج عبر مجموعة واسعة من الصور والأهداف. يقترح المؤلفون أن هذه المكاسب يمكن أن تمتد إلى مجالات متطلبة مثل التصوير الطبي، حيث تساعد تجزئات آلية أكثر حدة الأطباء على رؤية هياكل دقيقة بوضوح أكبر ودعم تشخيصات أكثر موثوقية.

الاستشهاد: Liu, J., Yang, S., Liu, W. et al. Multilevel threshold image segmentation based on a novel mechanism enhanced coati optimization algorithm. Sci Rep 16, 10338 (2026). https://doi.org/10.1038/s41598-026-40921-9

الكلمات المفتاحية: تقسيم الصور, خوارزميات التحسين, ذكاء الجماعات, التصوير الطبي, تحليل الصور الرقمية