מהפכה בניקוי רעש בתמונות היפרספקטרליות: פרדיגמת SqueezeNet

תמונות חדות מעבר לקשת

כשלוויינים, רחפנים או מצלמות מעבדה צופים בעולם במאות גוונים במקום רק אדום, ירוק וכחול, הם לוכדים פרטים נסתרים על גידולים, זיהום, מבנים ואפילו יצירות אמנות. אך תמונות העשירות הללו — היפרספקטרליות — נשחקות בקלות על ידי רעש מהאטמוספירה ומהאלקטרוניקה, בדומה להפרעות בטלוויזיה ישנה. מאמר זה מציג מודל בינה מלאכותית קומפקטי שמנקה את התמונות הללו באופן יעיל ואפקטיבי יותר, ועוזר למדענים ומהנדסים להישען על מה שהם רואים בספקטרום הבלתי נראה.

מדוע כל כך הרבה צבעים חשובים

תמונות רגילות משתמשות בשלושה ערוצי צבע, אך תמונות היפרספקטרליות מפצלות את האור לעשרות חריצים צרים, חלקו מעבר ליכולת הראיה שלנו. כל פיקסל נושא ספקטרום קטן שמגלה תכונות חומר — למשל, האם שדה מכיל צמחייה בריאה, אדמה יבשה או מים מזוהמים. עם זאת, איסוף נתונים מפורטים כזה קשה. חיישנים המותקנים בכלי טיס, לוויינים או מיקרוסקופים פועלים בתנאי תאורה וטמפרטורה משתנים, והאות שהם מקבלים לעתים קרובות חלש. כתוצאה מכך מופיעים כמה סוגי רעש, כולל נקודות אקראיות, פסי בהירות או חשכה, פיקסלים מתים ודפיקות פתאומיות. עיוותים אלה לא רק גורמים לגרעון וויזואלי, הם גם מטעות מערכות אוטומטיות שתלויות בטביעות ספקטרליות מדויקות.

מגבלות שיטות ניקוי מסורתיות

למשך שנים חוקרים התאימו כלים מעולם הצילום היומיומי לניקוי תמונות היפרספקטרליות, וטיפלו בכל רוחב גל כבתמונה אפורה נפרדת. אמנם זה מסייע בהפחתת גרעון, אך מתעלם ברובו מהקשרים בין הערוצים וביכולתו לעוות או לטשטש את הספקטרות הבסיסיות שהמדענים מעוניינים בהן. שיטות מתקדמות יותר בלמידה עמוקה הופיעו גם הן, אך רבות מהן כבדות, איטיות או מכוונות לסוג רעש יחיד בכל פעם. זה מקשה על הרצתן בפלטפורמות עם משאבים מוגבלים, כמו לוויינים קטנים או מערכות אוויריות, ופוגם באמינותן מול תערובות רעש מורכבות מהעולם האמיתי.

רשת עצבית דקה עם הרגל אימון חדש

המחברים מציעים להשתמש ב‑SqueezeNet, רשת עצבית עמוקה וקלה, כמנוע לניקוי היפרספקטרלי. SqueezeNet בנויה מחסימות חוזרות של "fire blocks" שמכווצות תחילה את המידע הנכנס (שלב ה"squeeze") ואז מרחיבות אותו באמצעות זוג מסננים קטנים המדגישים גם פרטים מקומיים וגם הקשר רחב יותר. במחקר זה תמונות היפרספקטרליות רועשות מהמאגר של Harvard משמשות כקלט, והמודל לומד להפריד מבנה סצנה אמיתי מרעש על פני כל הערוצים בו בזמן. בשונה מרשתות כבדות יותר ומטרנספורמרים, הארכיטקטורה הזו אורזת את הידע שלה בפחות ממגה‑בייט של פרמטרים, מה שמאפשר עיבוד מהיר וצריכת חשמל נמוכה בלי לוותר על דיוק.

ללמוד מרעש קל לרעש קשה

חידוש מרכזי הוא דרך האימון של הרשת. במקום לחשוף את המודל לכל סוגי העיוותים מהיום הראשון, המחברים מאמצים אסטרטגיית "תכנית לימודים" מדורגת. המערכת לומדת תחילה לתקן רעש אקראי פשוט (גהוסיאני) בעוצמה קבועה, אז מתמודדת עם טווח רחב יותר של רמות רעש אקראי, ולבסוף נתקפת בתערובות מורכבות הכוללות פסים, קווים מתים וקפיצות אימפולסיביות. חשיפה מדורגת זו עוזרת לרשת להימנע מפתרונות תת‑אופטימליים ומייצבת את הלמידה, בדומה לתלמיד שמצטיין בתרגילים בסיסיים לפני מבחנים קשים. ביצועי המודל נשפטים באמצעות ארבע מדדים סטנדרטיים שבוחנים לא רק עד כמה התמונות נראות חדות, אלא גם עד כמה חתימות הספקטרום שלהן נשמרות בנאמנות.

נתונים נקיים יותר, החלטות טובות יותר

בתנאי רעש שונים, המודל המבוסס על SqueezeNet מספק באופן עקבי תמונות היפרספקטרליות נקיות יותר מאשר מספר שיטות קלאסיות ומודרניות בלמידה עמוקה. הוא משיג ציונים גבוהים יותר בחדות ובדמיון מבני, מפיק טעויות ספקטרליות קטנות יותר, ועושה זאת בעשירית מהעלות המחשובית. עבור לא מומחים, המשמעות היא שמכשירים שמשקיפים על פני כדור הארץ, תהליכים תעשייתיים או דגימות מיקרוסקופיות יכולים להחזיר מידע אמין יותר בזמן אמת, אפילו מחומרה שמוגבלת בעיבוד. על ידי שילוב עיצוב רשת קומפקטי עם לוח זמנים אימון חכם, עבודה זו מצביעה על דימות היפרספקטרלי מהיר ומדויק יותר שניתן לפרוס באופן רחב יותר בניטור סביבתי, חקלאות, חישה מרחוק ועוד.

ציטוט: 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

מילות מפתח: דימות היפרספקטרלי, ניקוי רעש בתמונות, למידה עמוקה, חישה מרחוק, SqueezeNet