Käänteinen rasterointi tai descreening on prosessi jälleenrakentaminen korkean laadun jatkuva-sävy kuvia rasteri-versio. Käänteinen halftoning on huonosti aiheutettu ongelma, koska eri lähdekuvat voivat tuottaa saman halftone-kuvan. Näin ollen yhdellä halftone-kuvalla on useita uskottavia rekonstruktioita., Lisäksi tiedot, kuten ääniä ja yksityiskohtia hylätään aikana halftoning ja siten peruuttamattomasti menetetty. Johtuen erilaisia eri rasteri kuvioita, se ei ole aina selvää, mikä algoritmi käyttää parasta laatua.
on monia tilanteita, joissa jälleenrakentamista halutaan. Taiteilijoille halftone-Kuvien muokkaaminen on haastava tehtävä. Yksinkertaisetkin muunnokset, kuten kirkkauden muuttaminen, toimivat yleensä värisävyjä muuttamalla. Halftone-kuvissa tämä vaatii lisäksi säännöllisen kuvion säilyttämistä. Sama koskee monimutkaisempia työkaluja, kuten kuvankäsittely., Monet muut kuvankäsittelytekniikat on suunniteltu toimimaan jatkuvaäänisillä kuvilla. Esimerkiksi kuvapakkausalgoritmit ovat noille kuville tehokkaampia. Toinen syy on visuaalinen puoli, sillä halftoning heikentää kuvan laatua. Alkuperäisen kuvan äkilliset sävymuutokset poistetaan halftoned-kuvien rajallisten sävyvaihtelujen vuoksi. Se voi myös tuoda vääristymiä ja visuaalisia tehosteita kuten moiré kuvioita. Varsinkin sanomalehteen painettuna halftone-kuvio tulee näkyvämmäksi paperisten ominaisuuksien vuoksi., Skannaamalla ja uusintapainottamalla nämä kuvat korostuvat moiré-kuviot. Siksi niiden rekonstruointi ennen uusintapainosta on tärkeää, jotta laatu olisi kohtuullinen.
Maankäytön ja taajuus filteringEdit
tärkeimmät vaiheet menettely on poistaminen rasteri kuvioita ja jälleenrakentamiseen sävy muuttuu. Lopulta saattaa olla tarpeen palauttaa tiedot kuvan laadun parantamiseksi. On monia rasterointi algoritmeja, jotka voidaan useimmiten luokitella ryhmiin määräsi kiertelevät, error diffuusio, ja optimointiin perustuvat menetelmät., On tärkeää valita oikea descreening strategia, koska ne tuottavat eri malleja ja useimmat käänteinen rasterointi algoritmit on suunniteltu tietyn tyyppinen kuvio. Aika on toinen valintakriteeri, koska monet algoritmit ovat iteratiivisia ja siksi melko hitaita.
yksinkertaisin tapa poistaa rasteri kuvioita on sovellus low-pass-suodatin joko spatiaalinen tai taajuusalueen. Yksinkertainen esimerkki on Gaussin suodatin. Se hylkää korkean taajuuden tiedot, jotka hämärtävät kuvaa ja samanaikaisesti vähentävät halftone-kuviota., Tämä muistuttaa silmiemme sumentavaa vaikutusta puolitoistakuvaa katsellessa. Joka tapauksessa on tärkeää valita oikea kaistanleveys. Liian rajoitettu kaistanleveys hämärtää reunat pois, kun taas suuri kaistanleveys tuottaa meluisan kuvan, koska se ei poista kaavaa kokonaan. Tämän kaupanteon vuoksi se ei pysty rekonstruoimaan kohtuullisia reunatietoja.
lisäparannukset voidaan saavuttaa reunojen parannuksella. Hajottamalla halftone kuva sen wavelet edustus mahdollistaa poimia tietoja eri taajuusalueilla. Reunat koostuvat yleensä korkeapassien energiasta., Käyttämällä uutettu highpass tiedot, on mahdollista käsitellä alueita reunojen eri korostaa niitä samalla pitää lowpass tietoa joukossa sileä alueilla.
Optimointi-pohjainen filteringEdit
Toinen mahdollisuus käänteinen rasterointi on käyttö koneoppimisen algoritmeja perustuu keinotekoisten neuroverkkojen. Nämä oppimispohjaiset lähestymistavat voivat löytää laskeutumistekniikan,joka pääsee mahdollisimman lähelle täydellistä. Ideana on käyttää erilaisia strategioita riippuen varsinaisesta halftone-kuvasta., Myös saman kuvan sisältämien eri sisältöjen osalta strategiaa tulisi vaihdella. Convolutionary neural networks soveltuu hyvin esimerkiksi objektin havaitsemiseen, joka mahdollistaa kategoriapohjaisen laskeutumisen. Lisäksi ne voivat tehdä reunan tunnistus parantaa yksityiskohtia reunojen ympärillä. Tuloksia voidaan edelleen parantaa generatiivisilla kontradiktorisilla verkostoilla. Tämäntyyppinen verkko voi keinotekoisesti luoda sisältöä ja palauttaa kadonneet tiedot. Näitä menetelmiä rajoittaa kuitenkin käytettyjen koulutustietojen laatu ja täydellisyys., Näkymättömiä puolitoistakuvioita, jotka eivät olleet edustettuina harjoitustiedoissa, on melko vaikea poistaa. Lisäksi oppimisprosessi voi kestää jonkin aikaa. Sen sijaan, laskemalla käänteinen rasterointi kuvan on nopea verrattuna muihin iteratiivisia, koska se vaatii vain yhden laskennallisen askel.
Lookup tableEdit
toisin kuin muut lähestymistavat, lookup table-menetelmään ei liity suodatusta. Se toimii laskemalla jakauman naapurustossa jokaisen pikselin halftone kuva., Lookup taulukko tarjoaa jatkuva sävy arvo tietyn pikselin ja sen jakelu. Vastaava Hakutaulukko saadaan ennen kuin käytetään halftone-kuvien histogrammeja ja niiden vastaavia alkuperäiskappaleita. Myös histogrammien toimittaa jakeluun ennen ja jälkeen rasterointi ja mahdollistavat likimääräinen jatkuva-tone arvo tietyn jakelu rasterointi kuvan. Tämä lähestymistapa, rasterointi strategian on oltava tiedossa etukäteen valita oikea lookup-taulukossa. Lisäksi pöytä on korvattava jokaista uutta puolitoistakuviota varten., Descreened-kuvan tuottaminen on nopeaa verrattuna iteratiivisiin menetelmiin, koska se vaatii tarkastelua pikseliä kohden.