Inverse halftoning oder descreening ist der Prozess der Rekonstruktion hochwertiger Continuous-Tone-Bilder aus der Halbtonversion. Inverse Halbtonbildung ist ein schlecht aufgestelltes Problem, da verschiedene Quellbilder dasselbe Halbtonbild erzeugen können. Folglich hat ein Halbtonbild mehrere plausible Rekonstruktionen., Darüber hinaus werden Informationen wie Töne und Details während der Halbtonung verworfen und gehen somit irreversibel verloren. Aufgrund der Vielfalt der verschiedenen Halbtonmuster ist nicht immer klar, welchen Algorithmus Sie für die beste Qualität verwenden sollen.
Es gibt viele Situationen, in denen eine Rekonstruktion gewünscht wird. Für Künstler ist es eine herausfordernde Aufgabe, Halbtonbilder zu bearbeiten. Selbst einfache Modifikationen wie das Ändern der Helligkeit funktionieren normalerweise durch Ändern der Farbtöne. In Halbtonbildern erfordert dies zusätzlich die Erhaltung des regulären Musters. Gleiches gilt für komplexere Werkzeuge wie Retusche., Viele andere Bildverarbeitungstechniken sind für den Betrieb mit kontinuierlichen Tonbildern ausgelegt. Beispielsweise sind Bildkomprimierungsalgorithmen für diese Bilder effizienter. Ein weiterer Grund ist der visuelle Aspekt, da das Halftoning die Qualität eines Bildes verschlechtert. Plötzliche Tonänderungen des Originalbildes werden aufgrund der begrenzten Tonvariationen in Halbtonbildern entfernt. Es kann auch Verzerrungen und visuelle Effekte wie Moiré-Muster einführen. Besonders beim Druck auf Zeitung wird das Halbtonmuster aufgrund der Papiereigenschaften besser sichtbar., Durch Scannen und Nachdrucken dieser Bilder werden Moiré-Muster hervorgehoben. Daher ist es wichtig, sie vor dem Nachdruck zu rekonstruieren, um eine angemessene Qualität zu gewährleisten.
Räumliche und Frequenzfilterungedit
Die Hauptschritte des Verfahrens sind das Entfernen von Halbtonmustern und die Rekonstruktion von Tonänderungen. Am Ende kann es erforderlich sein, Details wiederherzustellen, um die Bildqualität zu verbessern. Es gibt viele Halftoning-Algorithmen, die größtenteils in die Kategorien geordnetes Dithering, Fehlerdiffusion und optimierungsbasierte Methoden eingeteilt werden können., Es ist wichtig, eine richtige Descreening-Strategie zu wählen, da sie verschiedene Muster erzeugen und die meisten inversen Halftoning-Algorithmen für eine bestimmte Art von Muster ausgelegt sind. Die Zeit ist ein weiteres Auswahlkriterium, da viele Algorithmen iterativ und daher eher langsam sind.
Der einfachste Weg, die Halbtonmuster zu entfernen, ist die Anwendung eines Tiefpassfilters entweder im räumlichen oder im Frequenzbereich. Ein einfaches Beispiel ist ein Gaußscher Filter. Es verwirft die Hochfrequenzinformationen, die das Bild verwischen und gleichzeitig das Halbtonmuster reduzieren., Dies ähnelt dem Unschärfeeffekt unserer Augen beim Betrachten eines Halbtonbildes. In jedem Fall ist es wichtig, eine richtige Bandbreite zu wählen. Eine zu begrenzte Bandbreite verwischt Kanten, während eine hohe Bandbreite ein verrauschtes Bild erzeugt, da das Muster nicht vollständig entfernt wird. Aufgrund dieses Kompromisses ist es nicht in der Lage, vernünftige Randinformationen zu rekonstruieren.
Mit Edge Enhancement können weitere Verbesserungen erzielt werden. Durch Zerlegen des Halbtonbildes in seine Wavelet-Darstellung können Informationen aus verschiedenen Frequenzbändern ausgewählt werden. Kanten bestehen normalerweise aus Hochpassenergie., Durch die Verwendung der extrahierten Hochpassinformationen ist es möglich, Bereiche um Kanten anders zu behandeln, um sie hervorzuheben, während Tiefpassinformationen zwischen glatten Regionen beibehalten werden.
Optimierungsbasiertes filteringEdit
Eine weitere Möglichkeit für inverse Halftoning ist die Verwendung von Algorithmen für maschinelles Lernen, die auf künstlichen neuronalen Netzen basieren. Diese lernbasierten Ansätze können die Entcreening-Technik finden, die der perfekten so nahe wie möglich kommt. Die Idee ist, je nach tatsächlichem Halbtonbild unterschiedliche Strategien zu verwenden., Selbst für unterschiedliche Inhalte innerhalb desselben Bildes sollte die Strategie variiert werden. Faltungsneuronale Netze eignen sich gut für Aufgaben wie die Objekterkennung, die ein kategorienbasiertes Descreening ermöglicht. Darüber hinaus können sie Kantenerkennung tun, um die Details um Randbereiche zu verbessern. Die Ergebnisse können durch generative kontradiktorische Netzwerke weiter verbessert werden. Diese Art von Netzwerk kann Inhalte künstlich generieren und verlorene Details wiederherstellen. Diese Methoden sind jedoch durch die Qualität und Vollständigkeit der verwendeten Trainingsdaten begrenzt., Unsichtbare Halbtonmuster, die in den Trainingsdaten nicht dargestellt wurden, sind eher schwer zu entfernen. Darüber hinaus kann der Lernprozess einige Zeit dauern. Im Gegensatz dazu ist die Berechnung des inversen Halbtonbildes im Vergleich zu anderen iterativen Methoden schnell, da nur ein einziger Rechenschritt erforderlich ist.
Lookup TableEdit
Im Gegensatz zu anderen Ansätzen beinhaltet die Lookup table Methode keine Filterung. Es berechnet eine Verteilung der Nachbarschaft für jedes Pixel im Halbtonbild., Die Nachschlagetabelle liefert einen kontinuierlichen Tonwert für ein bestimmtes Pixel und seine Verteilung. Die entsprechende Nachschlagetabelle wird erhalten, bevor Histogramme von Halbtonbildern und deren entsprechenden Originalen verwendet werden. Die Histogramme liefern die Verteilung vor und nach dem Halbton und ermöglichen es, den Dauertonwert für eine bestimmte Verteilung im Halbtonbild anzunähern. Für diesen Ansatz muss die Halbtonstrategie im Voraus bekannt sein, um eine richtige Nachschlagetabelle auszuwählen. Zusätzlich muss die Tabelle für jedes neue Halbtonmuster neu berechnet werden., Das Generieren des entcreneten Bildes ist im Vergleich zu iterativen Methoden schnell, da eine Suche pro Pixel erforderlich ist.