تعتبر عملية تحسين الصور في ظروف الإضاءة المنخفضة تحدياً أساسياً في مجال الرؤية الحاسوبية وتطبيقات الوسائط المتعددة. الصور التي تم التقاطها تحت إضاءة غير كافية غالباً ما تعاني من ضعف في الرؤية، وقلة التباين، وتشوه في الألوان. ولذا، يسعى الباحثون لتطوير طرق فعالة لمعالجة هذه المشكلة.

في هذا السياق، تم تقديم تقنية جديدة تدعى BFORE (تحسين Retinex المعتمد على خوارزمية الفراشة والفارة)، والتي تمثل إطاراً مبتكراً يقوم بتعديل المعلمات الخاصة بأنظمة Retinex متعددة المراحل بشكل آلي. تعمل BFORE على تحويل الصورة المدخلة إلى فضاء الألوان HSV وتطبق تصحيح غاما التكيفي مع توزيع مرجح (AGCWD) على قناة اللمعان، متبوعة بعملية تقليل الضجيج.

تعتمد هذه التقنية على خوارزمية تحسين الفراشة (Butterfly Optimization Algorithm) لتحسين معلمات نماذج Retinex متعددة المقاييس مع استعادة اللون (MSRCR)، بينما تقوم خوارزمية الفارة (Firefly Algorithm) بتحسين معلمات AGCWD وتقليل الضجيج. حيث تعمل استراتيجية التبديل الهجينة بين BOA وFA على الموازنة الديناميكية بين الاستكشاف العام والاستغلال المحلي.

تظهر التقييمات التجريبية على مجموعة بيانات LOL الاختبارية (15 صورة تجريبية مقترنة) أن تقنية BFORE تحقق أعلى قيمة PSNR تبلغ 17.22 ديسيبل، متفوقةً بنسبة 20.3% على تحسينات الهستوجرام و17.5% على MSRCR. كما تتميز BFORE بتوازنها الطبيعي الممتاز في سطوع الصورة (129.97) الأقرب للقيمة المثالية.

الأكثر إثارة هو أن BFORE تتفوق على RetinexNet، وهو نموذج تعلم عميق، من حيث PSNR (17.22 مقابل 16.77 ديسيبل) وSSIM (0.5417 مقابل 0.4252) دون الحاجة لأي بيانات تدريب. وتساهم استراتيجية تحسين BOA-FA الهجينة في تحسين قيمة PSNR بنسبة 12.3% وتحسين SSIM بنسبة 14.8% مقارنةً بالأنظمة غير المحسنة.

في الختام، تُعتبر BFORE خطوة هامة في مجال تحسين صور الإضاءة المنخفضة، وقد تُحدث تغييراً جذرياً في كيفية معالجة الصور في التطبيقات المتعددة، مما ينفتح أمامنا باباً واسعاً للأبحاث والتطبيقات المستقبلية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.