Invertir semitonos o entramado es el proceso de reconstrucción de alta calidad imágenes de tono continuo a partir de la versión de semitonos. La semitono inversa es un problema mal planteado porque diferentes imágenes de origen pueden producir la misma imagen de semitono. En consecuencia, una imagen de medios tonos tiene múltiples reconstrucciones plausibles., Además, información como tonos y detalles se descartan durante el halftoning y, por lo tanto, se pierden irrecuperablemente. Debido a la variedad de diferentes patrones de medios tonos, no siempre es obvio qué algoritmo usar para la mejor calidad.
Hay muchas situaciones donde se desea la reconstrucción. Para los artistas, editar imágenes de medios tonos es una tarea difícil. Incluso modificaciones simples como alterar el brillo generalmente funcionan cambiando los tonos de color. En las imágenes de medios tonos, esto requiere además la preservación del patrón regular. Lo mismo se aplica a herramientas más complejas como el retoque., Muchas otras técnicas de procesamiento de imágenes están diseñadas para operar en imágenes de tono continuo. Por ejemplo, los Algoritmos de compresión de imágenes son más eficientes para esas imágenes. Otra razón es el aspecto visual, ya que el halftoning degrada la calidad de una imagen. Los cambios repentinos de tono de la imagen original se eliminan debido a las variaciones de tono limitadas en las imágenes de tonos medios. También puede introducir distorsiones y efectos visuales como los patrones de moiré. Especialmente cuando se imprime en un periódico, El patrón de medios tonos se vuelve más visible debido a las propiedades del papel., Al escanear y reimprimir estas imágenes se enfatizan los patrones de moiré. Por lo tanto, reconstruirlos antes de la reimpresión es importante para proporcionar una calidad razonable.
Filtro espacial y de frecuenciaeditar
los pasos principales del procedimiento son la eliminación de patrones de medios tonos y la reconstrucción de los cambios de tono. Al final, puede ser necesario recuperar detalles para mejorar la calidad de la imagen. Hay muchos algoritmos de halftoning que se pueden clasificar principalmente en las categorías de tramado ordenado, difusión de errores y métodos basados en la optimización., Es importante elegir una estrategia adecuada de descreening, ya que generan diferentes patrones y la mayoría de los Algoritmos de semitonificación inversa están diseñados para un tipo particular de patrón. El tiempo es otro criterio de selección porque muchos algoritmos son iterativos y, por lo tanto, bastante lentos.
la forma más sencilla de eliminar los patrones de medios tonos es la aplicación de un filtro de paso bajo, ya sea en el dominio espacial o de frecuencia. Un ejemplo sencillo es un filtro gaussiano. Descarta la información de alta frecuencia que difumina la imagen y reduce simultáneamente el patrón de medios tonos., Esto es similar al efecto de desenfoque de nuestros ojos al ver una imagen de medios tonos. En cualquier caso, es importante elegir un ancho de banda adecuado. Un ancho de banda demasiado limitado difumina los bordes, mientras que un ancho de banda alto produce una imagen ruidosa porque no elimina el patrón por completo. Debido a esta compensación, no es capaz de reconstruir la información de borde razonable.
Se pueden lograr mejoras adicionales con edge enhancement. Descomponer la imagen de medios tonos en su representación de wavelet permite recoger información de diferentes bandas de frecuencia. Los bordes generalmente consisten en energía de paso alto., Al usar la información de paso alto extraída, es posible tratar las áreas alrededor de los bordes de manera diferente para enfatizarlas mientras se mantiene la información de paso bajo entre las regiones lisas.
filtro basado en Optimizacióneditar
otra posibilidad de halftoning inverso es el uso de Algoritmos de aprendizaje automático basados en redes neuronales artificiales. Estos enfoques basados en el aprendizaje pueden encontrar la técnica de descreening que se acerca lo más posible a la perfecta. La idea es utilizar diferentes estrategias dependiendo de la imagen real de medios tonos., Incluso para diferentes contenidos dentro de la misma imagen, la estrategia debe ser variada. Las redes neuronales convolucionales son adecuadas para tareas como la detección de objetos que permite un descreening basado en categorías. Además, pueden hacer detección de bordes para mejorar los detalles alrededor de las áreas de borde. Los resultados pueden mejorarse aún más mediante redes generativas de confrontación. Este tipo de red puede generar contenido artificialmente y recuperar detalles perdidos. Sin embargo, estos métodos están limitados por la calidad y la exhaustividad de los datos de entrenamiento utilizados., Invisible procesamiento de patrones que no estaban representadas en los datos de entrenamiento son bastante difíciles de quitar. Además, el proceso de aprendizaje puede tomar algún tiempo. Por el contrario, la computación de la imagen de semitonación inversa es rápida en comparación con otros métodos iterativos porque requiere solo un solo paso computacional.
lookup tableEdit
a diferencia de otros enfoques, el método lookup table no implica ningún filtrado. Funciona calculando una distribución del vecindario para cada píxel en la imagen de medios tonos., La tabla de búsqueda proporciona un valor de tono continuo para un píxel dado y su distribución. La tabla de búsqueda correspondiente se obtiene antes de usar histogramas de imágenes de medios tonos y sus originales correspondientes. Los histogramas proporcionan la distribución antes y después del semitono y permiten aproximar el valor de tono continuo para una distribución específica en la imagen de semitono. Para este enfoque, la estrategia de semitonación debe conocerse de antemano para elegir una tabla de búsqueda adecuada. Además, la tabla debe ser recalculada para cada nuevo patrón de semitoneo., La generación de la imagen descreened es rápida en comparación con los métodos iterativos porque requiere una búsqueda por píxel.