Inverse halvtone eller derastrering er processen med at rekonstruere høj kvalitet kontinuerlig tone billeder fra halvtone version. Omvendt halvtoning er et dårligt stillet problem, fordi forskellige kildebilleder kan producere det samme halvtonebillede. Følgelig har et halvtonebillede flere plausible rekonstruktioner., Derudover, oplysninger som toner og detaljer kasseres under halvtoning og dermed uopretteligt tabt. På grund af de mange forskellige halvtonemønstre er det ikke altid indlysende, hvilken algoritme der skal bruges til den bedste kvalitet.
Der er mange situationer, hvor rekonstruktion er ønsket. For kunstnere er det en udfordrende opgave at redigere halvtonebilleder. Selv enkle ændringer som at ændre lysstyrken fungerer normalt ved at ændre farvetoner. I halvtonebilleder kræver dette desuden bevarelse af det regelmæssige mønster. Det samme gælder for mere komplekse værktøjer som retouchering., Mange andre billedbehandlingsteknikker er designet til at fungere på kontinuerlige tonebilleder. For eksempel er billedkomprimeringsalgoritmer mere effektive for disse billeder. En anden grund er det visuelle aspekt, da halvtoning forringer kvaliteten af et billede. Pludselige toneændringer af det originale billede fjernes på grund af de begrænsede tonevariationer i halvtonede billeder. Det kan også introducere forvrængninger og visuelle effekter som Moir patterns-mønstre. Især når det udskrives på avis, bliver halvtonemønsteret mere synligt på grund af papiregenskaberne., Ved at scanne og genoptrykke disse billeder fremhæves Moir patterns-mønstre. Således rekonstruere dem før genoptryk er vigtigt at give en rimelig kvalitet.
rumlig og frekvensfiltreringrediger
de vigtigste trin i proceduren er fjernelse af halvtonemønstre og rekonstruktion af toneændringer. I sidste ende kan det være nødvendigt at gendanne detaljer for at forbedre billedkvaliteten. Der er mange halvtoningsalgoritmer, der for det meste kan klassificeres i de kategorier, der bestilles dithering, fejldiffusion og optimeringsbaserede metoder., Det er vigtigt at vælge en ordentlig descreening strategi, da de genererer forskellige mønstre, og de fleste af de inverse halvtoning algoritmer er designet til en bestemt type mønster. Tid er et andet udvælgelseskriterier, fordi mange algoritmer er iterative og derfor ret langsomme.
den mest enkle måde at fjerne halvtonemønstrene på er anvendelsen af et lavpasfilter enten i rumligt eller frekvensdomæne. Et simpelt eksempel er et Gaussisk filter. Det kasserer højfrekvente oplysninger, som slører billedet og samtidig reducerer halvtone mønster., Dette ligner den slørende virkning af vores øjne, når vi ser et halvtonebillede. Under alle omstændigheder er det vigtigt at vælge en ordentlig båndbredde. En for begrænset båndbredde slører kanter ud, mens en høj båndbredde giver et støjende billede, fordi det ikke fjerner mønsteret helt. På grund af denne afvejning er det ikke i stand til at rekonstruere rimelige kantoplysninger.
yderligere forbedringer kan opnås med kantforbedring. Nedbrydning af halvtone billedet i sin wavelavelet repræsentation gør det muligt at vælge oplysninger fra forskellige frekvensbånd. Kanter består normalt af highpass energi., Ved at bruge den ekstraherede highpass-information er det muligt at behandle områder omkring kanter forskelligt for at understrege dem, samtidig med at Lo .pass-information holdes blandt glatte regioner.
Optimeringsbaseret filtreringedit
en anden mulighed for omvendt halvtoning er brugen af maskinlæringsalgoritmer baseret på kunstige neurale netværk. Disse læringsbaserede tilgange kan finde den descreening teknik, der kommer så tæt som muligt på den perfekte. Ideen er at bruge forskellige strategier afhængigt af det faktiske halvtonebillede., Selv for forskelligt indhold inden for det samme billede, bør strategien varieres. Konvolutionelle neurale netværk er velegnede til opgaver som objektdetektion, der tillader en kategoribaseret descreening. Derudover kan de gøre kantdetektion for at forbedre detaljerne omkring kantområder. Resultaterne kan forbedres yderligere af generative kontradiktoriske netværk. Denne type netværk kan kunstigt generere indhold og gendanne mistede detaljer. Disse metoder er imidlertid begrænset af kvaliteten og fuldstændigheden af de anvendte træningsdata., Usete halvtonemønstre, som ikke var repræsenteret i træningsdataene, er ret svære at fjerne. Derudover kan læringsprocessen tage lidt tid. I modsætning hertil er beregning af det inverse halvtonebillede hurtigt sammenlignet med andre iterative metoder, fordi det kun kræver et enkelt beregningstrin.
Lookup tableEdit
i modsætning til andre tilgange involverer opslagstabelmetoden ingen filtrering. Det fungerer ved at beregne en distribution af kvarteret for hver pi .el i halvtonebilledet., Opslagstabellen giver en kontinuerlig toneværdi for en given pi .el og dens distribution. Den tilsvarende opslagstabel opnås, før du bruger histogrammer af halvtonebilleder og deres tilsvarende originaler. Histogrammerne giver fordelingen før og efter halvtoning og gør det muligt at tilnærme den kontinuerlige toneværdi for en bestemt fordeling i halvtonebilledet. Til denne tilgang skal halvtonestrategien være kendt på forhånd for at vælge en ordentlig opslagstabel. Derudover skal tabellen genberegnes for hvert nyt halvtonemønster., Generering af det nedslidte billede er hurtigt sammenlignet med iterative metoder, fordi det kræver et opslag pr.