Inverz halftoning vagy descreening az a folyamat rekonstruálása magas színvonalú, folyamatos tónusú képeket a halftone verzió. Az inverz féltónus egy rosszul feltett probléma, mivel a különböző forrásképek ugyanazt a féltónus képet hozhatják létre. Következésképpen az egyik féltónus képnek több valószínű rekonstrukciója van., Emellett az olyan információkat, mint a hangok és a részletek, eldobják a féltónus során, így helyrehozhatatlanul elvesznek. A különböző féltónus minták sokfélesége miatt nem mindig nyilvánvaló, hogy melyik algoritmust kell használni a legjobb minőség érdekében.
sok olyan helyzet van, ahol rekonstrukcióra van szükség. A művészek számára kihívást jelentő feladat a féltónusú képek szerkesztése. Még az egyszerű módosítások, mint például a fényerő megváltoztatása, általában a színárnyalatok megváltoztatásával működnek. A féltónusú képeken ez a rendszeres minta megőrzését is megköveteli. Ugyanez vonatkozik a bonyolultabb eszközökre, például a retusálásra., Sok más képfeldolgozási technikát úgy terveztek, hogy folytonos hangú képeken működjön. Például a képtömörítési algoritmusok hatékonyabbak ezekre a képekre. Egy másik ok a vizuális szempont, mivel a féltónus rontja a kép minőségét. Az eredeti kép hirtelen hangváltozásait eltávolítják a féltónusú képek korlátozott hangváltozásai miatt. Olyan torzulásokat és vizuális hatásokat is bemutathat, mint a moiré minták. Különösen újságra nyomtatva a féltónus mintázat a papír tulajdonságai miatt láthatóvá válik., A képek szkennelésével és utánnyomásával a moiré mintákat hangsúlyozzák. Így az újranyomás előtt történő rekonstrukció fontos az ésszerű minőség biztosítása érdekében.
térbeli és frekvencia filteringEdit
az eljárás fő lépései a féltónus minták eltávolítása és a hangváltozások rekonstrukciója. Végül szükség lehet A részletek helyreállítására a képminőség javítása érdekében. Számos féltengelyes algoritmus létezik, amelyek többnyire a rendezett dithering, a hibadiffúzió, valamint az optimalizáláson alapuló módszerek kategóriájába sorolhatók., Fontos, hogy megfelelő descreening stratégiát válasszunk, mivel különböző mintákat generálnak, az inverz féltónus algoritmusok nagy részét pedig egy adott típusú mintára tervezzük. Az idő egy másik kiválasztási kritérium, mivel sok algoritmus iteratív, ezért meglehetősen lassú.
a féltónus minták eltávolításának legegyszerűbb módja egy alacsony áteresztő szűrő alkalmazása térbeli vagy frekvenciatartományban. Egy egyszerű példa egy Gauss-szűrő. Elveti a nagyfrekvenciás információt, ami elhomályosítja a képet, és ezzel egyidejűleg csökkenti a féltónus mintázatot., Ez hasonló a szemünk elmosódó hatásához, amikor féltónus képet nézünk. Mindenesetre fontos a megfelelő sávszélesség kiválasztása. A túl korlátozott sávszélesség elmossa a széleket, míg a nagy sávszélesség zajos képet eredményez, mert nem távolítja el teljesen a mintát. Ennek a kompromisszum miatt nem képes rekonstruálni az ésszerű élinformációkat.
további fejlesztések érhetők el az éljavítással. A féltónus kép lebomlása a wavelet ábrázolásába lehetővé teszi a különböző frekvenciasávokból származó információk kiválasztását. A szélek általában magasból állnaktömeges energia., Az extrahált highpass információk felhasználásával lehetőség van a szélek körüli területek eltérő kezelésére, hogy hangsúlyozzák őket, miközben a sima régiók között alacsony szintű információkat tartanak.
Optimization-based filteringEdit
az inverz féltónus másik lehetősége a mesterséges neurális hálózatokon alapuló gépi tanulási algoritmusok használata. Ezek a tanulási alapú megközelítések megtalálhatják a descreening technikát, amely a lehető legközelebb áll a tökéleteshez. Az ötlet az, hogy különböző stratégiákat használjunk a tényleges féltónus képtől függően., Még ugyanazon a képen belüli különböző tartalmak esetén is a stratégiát változtatni kell. A konvolúciós neurális hálózatok jól alkalmazhatók olyan feladatokhoz, mint például az objektumfelismerés, amely lehetővé teszi a kategórián alapuló leereszkedést. Továbbá, meg tudják csinálni él felismerés, hogy fokozza a részleteket körül él területeken. Az eredményeket tovább javíthatják a generatív kontradiktórius hálózatok. Az ilyen típusú hálózat mesterségesen képes tartalmat generálni és visszaszerezni az elveszett adatokat. Ezeket a módszereket azonban a felhasznált képzési adatok minősége és teljessége korlátozza., A képzési adatokban nem szereplő láthatatlan féltónus-mintákat meglehetősen nehéz eltávolítani. Ezenkívül a tanulási folyamat eltarthat egy ideig. Ezzel szemben az inverz féltónusú kép kiszámítása gyors a többi iteratív módszerhez képest, mivel csak egyetlen számítási lépést igényel.
lookup tableEdit
más megközelítésekkel ellentétben a keresési táblázat módszer nem tartalmaz szűrést. Úgy működik, hogy kiszámítja a szomszédság eloszlását a féltónusú kép minden pixeléhez., A keresési táblázat egy adott képpont folyamatos hangértékét és eloszlását tartalmazza. A megfelelő keresési táblázatot a féltónusú képek hisztogramjainak és azok megfelelő eredetinek használata előtt kapjuk meg. A hisztogramok biztosítják az eloszlás előtt és után féltónus, és lehetővé teszik, hogy közelítse a folytonos hang értéke egy adott Eloszlás a féltónus kép. Ehhez a megközelítéshez a féltengelyezési stratégiát előzetesen ismerni kell a megfelelő keresési táblázat kiválasztásához. Ezenkívül a táblázatot minden új féltónus mintához újra kell számítani., A descreened kép generálása gyors az iteratív módszerekhez képest, mivel képpontonkénti keresést igényel.