סגמנטציה רב-סף של תמונות מבוססת סיווג חדש באמצעות אלגוריתם אופטימיזציה של קואטי עם מנגנון משופר

תמונות חדות יותר מחיתוך דיגיטלי חכם יותר

כל תמונה דיגיטלית, מתצלומי לוויין ועד סריקות רפואיות, היא למעשה גריד של מספרים. כדי לנתח תמונות אלה, רכבים מחשביים צריכים לעתים קרובות לפרק אותן לאזורים בעלי משמעות — כמו הפרדת גידול מרקמה בריאה או הכביש מהרקע. מאמר זה מציג דרך חדשה לחדד ולהאיץ את החיתוך הזה, אפילו עבור תמונות מורכבות מאוד, על ידי לימוד "עדר" וירטואלי של פותרים לשתף פעולה בצורה חכמה יותר.

מדוע חיתוך תמונות לקבוצות כל כך קשה

לפני שמחשב יכול להבין תמונה, הוא חייב לחלק אותה לאזורים ששייכים יחד — תהליך שנקרא סגמנטציה. אחת הגישות הפשוטות והמנוצלות ביותר היא סף (thresholding): בוחרים ערך אחד או יותר בסקלת הבהירות של התמונה ומקצים כל פיקסל לאזור לפי המקום שבו ערכו נופל. עם סף אחד זה קל. אבל מטלות מודרניות דורשות לעתים קרובות ספים רבים בו-זמנית כדי להפריד בין רקמות שונות בסריקה או סוגי קרקע שונים בתצפית לוויינית. החיפוש המתמטי אחר הצירופים הטובים ביותר של ספים גדל באופן אקספוננציאלי ככל שמספרם עולה, ומהר נהיה בעיה שגדולה מדי לפתרון חישובי ישיר.

לתת לחיות וירטואליות לצוד תשובות טובות יותר

כדי להתמודד עם חיפושים קוצניים אלה, מדענים פונים יותר ויותר לאלגוריתמים מטא־היוריסטיים: עדרים דיגיטליים הנעים במרחב הפתרונות ומניעים מועמדים לכיוונים מבטיחים. העבודה כאן בונה על שיטה עדכנית בהשראת קואטים — יונקים חברתיים הצדים בקבוצה. באלגוריתם האופטימיזציה המקורי בהשראת הקואטי, כמה קואטים וירטואליים מטפסים לכיוון הטרף בזמן שאחרים ממתינים וניתרים, לחיקוי חיפוש גלובלי וכיול מקומי עדין. אסטרטגיה זו עובדת היטב במגוון מקרים, אך עדיין עלולה להיתקע בפתרונות בינוניים, במיוחד כאשר מספר הספים גדול או כאשר התמונות ומדדי האיכות מגוונים.

ללמד את העדר לחקור ולהתמקד

הסופרים מעצבים גרסה משופרת שנקראת ENCOA, המשדרגת את עדר הקואטים בכמה רמות. ראשית, הם משפרים את האופן שבו מאותחלים פתרונות מועמדים, באמצעות דפוס כאוטי מכויל היטב וטריק השתקפות עדשות כדי לפזר את נקודות ההתחלה באופן שווה יותר במרחב החיפוש. לאחר מכן הם שואבים רעיונות מאלגוריתם ימי אחר ליצירת מנגנון חיפוש אדפטיבי (ASSM). מנגנון זה משנה בהדרגה את התנהגות העדר מריצה רחבה בתחילת הדרך לכיוון השבחה זהירה יותר בהמשך, וכך מסייע להימנע מהיתקעות במלכודות מקומיות. לבסוף, הם מציגים חיפוש היררכי "אנכי־אופקי": פתרונות מצטיינים מותאמים מימד אחר מימד לתיקון מדויק, בעוד שאר העדר מחליף בין חלקי פתרונות כדי לשמור על גיוון גבוה.

הוכחה בשיטות בדיקה, הנדסה ותמונות אמיתיות

כדי לבדוק האם ההתאמות האלה חשובות באמת, הצוות משחרר תחילה את ENCOA על סוויטה סטנדרטית של פונקציות בדיקה מתמטיות קשות. ברוב האתגרין האלה, השיטה החדשה מתכנסת מהר יותר ומגיעה לתשובות מדויקות יותר בהשוואה לאלגוריתם הקואטי המקורי ול-11 שיטות נוספות מבוססות עדר. הם לאחר מכן מיישמים את ENCOA על ארבע בעיות עיצוב הנדסיות קלאסיות, כגון אופטימיזציה של משקל תיבת הילוכים, שם היא שוב מוצאת עיצובים קלים או זולים יותר לעומת טכניקות מתחרות תחת אותם אילוצים. לבסוף הם מתמקדים במטרה המרכזית: סגמנטציה של שש תמונות באפור וארבע תמונות צבע תקניות, כולל סצנות טבעיות ותמונות בסגנון רפואי. באמצעות שני קריטריוני איכות שונים — אחד מבוסס על כמה האזורים מובחנים והשני על כמה מידע נשמר — ENCOA מייצרת בעקביות סגמנטציות שמקבלות ציונים גבוהים יותר במדדי דמיון תמונה סטנדרטיים, במיוחד כאשר דרושים ספים רבים (עד 32).

גבולות ברורים יותר לתמונות בעולם האמיתי

במונחים יומיומיים, המחקר הזה מראה כיצד עדר דיגיטלי מעוצב טוב יותר יכול לחתוך תמונות לחתיכות נקיות ובעלות משמעות בלי להאט באופן דרמטי כשהבעיות הופכות לקשות יותר. על ידי איזון מדוד בין חקירה פראית לשיפור ממוקד, ENCOA מוצאת הגדרות סף ששומרות על פרטים ומקטינות רעש במגוון רחב של תמונות ומטרות. המחברים מציעים שהשיפורים האלה עשויים לעבור גם לתחומים תובעניים כגון דימות רפואי, שם סגמנטציות אוטומטיות חדות יותר יכולות לסייע למטפלים לראות מבנים עדינים בצורה ברורה יותר ולתמוך באבחונים מהימנים יותר.

ציטוט: 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

מילות מפתח: סגמנטציה של תמונה, אלגוריתמי אופטימיזציה, אינטליגנציה של עדרים, תמונות רפואיות, ניתוח תמונה דיגיטלית