Inverse de demi-teintes ou détramage est le processus de reconstruction de haute qualité des images en tons continus à partir de la trame de la version. Le demi-ton inverse est un problème mal posé car différentes images source peuvent produire la même image en demi-teinte. Par conséquent, une image en demi-teinte a plusieurs reconstructions plausibles., De plus, les informations telles que les tonalités et les détails sont ignorées pendant la demi-teinte et sont donc irrémédiablement perdues. En raison de la variété des différents modèles de demi-teintes, il n’est pas toujours évident quel algorithme utiliser pour la meilleure qualité.
Il existe de nombreuses situations où la reconstruction est souhaitée. Pour les artistes, il est difficile d’éditer des images en demi-teinte. Même les modifications simples comme la modification de la luminosité fonctionnent généralement en changeant les tons de couleur. Dans les images en demi-teinte, cela nécessite en outre la préservation du motif régulier. Il en va de même pour les outils plus complexes comme la retouche., De nombreuses autres techniques de traitement d’image sont conçues pour fonctionner sur des images à tonalité continue. Par exemple, les algorithmes de compression d’image sont plus efficaces pour ces images. Une autre raison est l’aspect visuel puisque le demi-ton dégrade la qualité d’une image. Les changements de tonalité soudains de l’image d’origine sont supprimés en raison des variations de tonalité limitées dans les images en demi-teinte. Il peut également introduire des distorsions et des effets visuels comme des motifs moirés. Surtout lorsqu’il est imprimé sur un journal, le motif en demi-teinte devient plus visible en raison des propriétés du papier., En scannant et en réimprimant ces images les motifs moirés sont mis en valeur. Ainsi, les reconstruire avant de les réimprimer est important pour fournir une qualité raisonnable.
Filtrage spatial et fréquencemodifier
Les principales étapes de la procédure sont la suppression des motifs de demi-teintes et la reconstruction des changements de tonalité. En fin de compte, il peut être nécessaire de récupérer des détails pour améliorer la qualité de l’image. Il existe de nombreux algorithmes de demi-teintes qui peuvent être principalement classés dans les catégories dithering ordonné, diffusion d’erreur et méthodes basées sur l’optimisation., Il est important de choisir une stratégie de descreening appropriée car ils génèrent des modèles différents et la plupart des algorithmes de demi-teintes inverses sont conçus pour un type particulier de modèle. Le temps est un autre critère de sélection car de nombreux algorithmes sont itératifs et donc plutôt lents.
Le moyen le plus simple de supprimer les motifs en demi-teinte est l’application d’un filtre passe-bas dans le domaine spatial ou fréquentiel. Un exemple simple est un filtre gaussien. Il rejette les informations à haute fréquence qui brouillent l’image et réduit simultanément le motif en demi-teinte., Ceci est similaire à l’effet de flou de nos yeux lors de la visualisation d’une image en demi-teinte. Dans tous les cas, il est important de choisir une bande passante appropriée. Une bande passante trop limitée brouille les bords, tandis qu’une bande passante élevée produit une image bruyante car elle ne supprime pas complètement le motif. En raison de ce compromis, il n’est pas en mesure de reconstruire des informations de bord raisonnables.
D’autres améliorations peuvent être obtenues avec l’amélioration des bords. La décomposition de l’image en demi-teinte en sa représentation en ondelettes permet de choisir des informations à partir de différentes bandes de fréquences. Les bords sont généralement constitués d’énergie passe-haut., En utilisant les informations passe-haut extraites, il est possible de traiter différemment les zones autour des bords pour les mettre en valeur tout en conservant les informations passe-bas parmi les régions lisses.
filteringEdit basé sur l’optimisation
Une autre possibilité de demi-teinte inverse est l’utilisation d’algorithmes d’apprentissage automatique basés sur des réseaux de neurones artificiels. Ces approches trouver le détramage technique qui obtient le plus près possible de le parfait. L’idée est d’utiliser différentes stratégies en fonction de l’image en demi-teinte réelle., Même pour un contenu différent dans la même image, la stratégie doit être variée. Les réseaux de neurones convolutionnels sont bien adaptés pour des tâches telles que la détection d’objets, ce qui permet un descreening basé sur les catégories. En outre, ils peuvent faire la détection de bord pour améliorer les détails autour des zones de bord. Les résultats peuvent être encore améliorés par des réseaux antagonistes génératifs. Ce type de réseau peut générer artificiellement du contenu et récupérer des détails perdus. Cependant, ces méthodes sont limitées par la qualité et l’exhaustivité des données d’apprentissage utilisé., Les modèles de demi-teintes invisibles qui n’étaient pas représentés dans les données de formation sont plutôt difficiles à supprimer. De plus, le processus d’apprentissage peut prendre un certain temps. En revanche, le calcul de l’image en demi-teinte inverse est rapide par rapport aux autres méthodes itératives car il ne nécessite qu’une seule étape de calcul.
Lookup TablEdit
Contrairement à d’autres approches, la méthode lookup table n’implique aucun filtrage. Il fonctionne en calculant une distribution du voisinage pour chaque pixel de l’image en demi-teinte., La table de recherche fournit une valeur de tonalité continue pour un pixel donné et sa distribution. La table de recherche correspondante est obtenue avant d’utiliser des histogrammes d’images en demi-teinte et leurs originaux correspondants. Les histogrammes fournissent la distribution avant et après la demi-teinte et permettent d’approximer la valeur de tonalité continue pour une distribution spécifique dans l’image en demi-teinte. Pour cette approche, la stratégie de demi-teinte doit être connue à l’avance pour choisir une table de recherche appropriée. De plus, la table doit être recalculée pour chaque nouveau modèle de demi-teinte., La génération de l’image descreened est rapide par rapport aux méthodes itératives car elle nécessite une recherche par pixel.