Inversa mezzitoni o descreening è il processo di ricostruzione e di alta qualità di immagini a tono continuo da mezzitoni versione. La mezzotonazione inversa è un problema mal posto perché diverse immagini di origine possono produrre la stessa immagine di mezzitoni. Di conseguenza, un’immagine mezzitoni ha molteplici ricostruzioni plausibili., Inoltre, informazioni come toni e dettagli vengono scartati durante la mezzotonazione e quindi irrimediabilmente persi. A causa della varietà di diversi modelli di mezzitoni, non è sempre ovvio quale algoritmo utilizzare per la migliore qualità.
Ci sono molte situazioni in cui si desidera la ricostruzione. Per gli artisti, è un compito impegnativo per modificare le immagini mezzitoni. Anche semplici modifiche come alterare la luminosità di solito funzionano cambiando le tonalità di colore. Nelle immagini a mezzitoni, ciò richiede inoltre la conservazione del modello regolare. Lo stesso vale per strumenti più complessi come il ritocco., Molte altre tecniche di elaborazione delle immagini sono progettate per operare su immagini a tono continuo. Ad esempio, gli algoritmi di compressione delle immagini sono più efficienti per quelle immagini. Un altro motivo è l’aspetto visivo poiché halftoning degrada la qualità di un’immagine. I cambiamenti di tono improvvisi dell’immagine originale vengono rimossi a causa delle limitate variazioni di tono nelle immagini mezzetonate. Può anche introdurre distorsioni ed effetti visivi come i modelli moiré. Soprattutto se stampato su un giornale, il motivo a mezzitoni diventa più visibile a causa delle proprietà della carta., Con la scansione e la ristampa di queste immagini moiré modelli sono enfatizzati. Pertanto, ricostruirli prima della ristampa è importante per fornire una qualità ragionevole.
Filtro spaziale e frequenzamodifica
Le fasi principali della procedura sono la rimozione dei modelli di mezzitoni e la ricostruzione dei cambiamenti di tono. Alla fine, potrebbe essere necessario recuperare i dettagli per migliorare la qualità dell’immagine. Esistono molti algoritmi di halftoning che possono essere classificati principalmente nelle categorie dithering ordinato, diffusione degli errori e metodi basati sull’ottimizzazione., È importante scegliere una strategia di descreening corretta poiché generano modelli diversi e la maggior parte degli algoritmi di halftoning inversi sono progettati per un particolare tipo di pattern. Il tempo è un altro criterio di selezione perché molti algoritmi sono iterativi e quindi piuttosto lenti.
Il modo più semplice per rimuovere i pattern di mezzitoni è l’applicazione di un filtro passa-basso nel dominio spaziale o in frequenza. Un semplice esempio è un filtro gaussiano. Si scarta le informazioni ad alta frequenza che offusca l’immagine e contemporaneamente riduce il modello mezzitoni., Questo è simile all’effetto di sfocatura dei nostri occhi quando si visualizza un’immagine a mezzitoni. In ogni caso, è importante scegliere una larghezza di banda adeguata. Una larghezza di banda troppo limitata sfoca i bordi, mentre una larghezza di banda elevata produce un’immagine rumorosa perché non rimuove completamente il motivo. A causa di questo trade-off, non è in grado di ricostruire informazioni bordo ragionevole.
Ulteriori miglioramenti possono essere raggiunti con edge enhancement. La scomposizione dell’immagine dei mezzitoni nella sua rappresentazione wavelet consente di raccogliere informazioni da diverse bande di frequenza. I bordi sono solitamente costituiti da energia passa-alta., Utilizzando le informazioni passa-alto estratte, è possibile trattare le aree intorno ai bordi in modo diverso per enfatizzarle mantenendo le informazioni passa-basso tra le regioni lisce.
Filtro basato sull’ottimizzazioneedit
Un’altra possibilità per l’halftoning inverso è l’utilizzo di algoritmi di apprendimento automatico basati su reti neurali artificiali. Questi approcci basati sull’apprendimento possono trovare la tecnica di descreening che si avvicina il più possibile a quella perfetta. L’idea è quella di utilizzare strategie diverse a seconda dell’immagine mezzitoni reale., Anche per contenuti diversi all’interno della stessa immagine, la strategia dovrebbe essere variata. Le reti neurali convoluzionali sono adatte per attività come il rilevamento di oggetti che consente una descrizione basata sulla categoria. Inoltre, possono eseguire il rilevamento dei bordi per migliorare i dettagli attorno alle aree dei bordi. I risultati possono essere ulteriormente migliorati da reti contraddittorie generative. Questo tipo di rete può generare artificialmente contenuti e recuperare i dettagli persi. Tuttavia, questi metodi sono limitati dalla qualità e dalla completezza dei dati di allenamento utilizzati., I modelli di mezzotonaggio invisibili che non sono stati rappresentati nei dati di allenamento sono piuttosto difficili da rimuovere. Inoltre, il processo di apprendimento può richiedere del tempo. Al contrario, calcolare l’immagine di mezzotonazione inversa è veloce rispetto ad altri metodi iterativi perché richiede solo un singolo passo computazionale.
Lookup tableEdit
A differenza di altri approcci, il metodo lookup table non comporta alcun filtraggio. Funziona calcolando una distribuzione del quartiere per ogni pixel nell’immagine mezzitoni., La tabella di ricerca fornisce un valore di tono continuo per un determinato pixel e la sua distribuzione. La tabella di ricerca corrispondente viene ottenuta prima di utilizzare gli istogrammi delle immagini a mezzitoni e i loro originali corrispondenti. Gli istogrammi forniscono la distribuzione prima e dopo la mezzitoni e consentono di approssimare il valore del tono continuo per una distribuzione specifica nell’immagine mezzitoni. Per questo approccio, la strategia di halftoning deve essere conosciuta in anticipo per la scelta di una tabella di ricerca corretta. Inoltre, la tabella deve essere ricalcolata per ogni nuovo modello di mezzotonazione., La generazione dell’immagine descritta è veloce rispetto ai metodi iterativi perché richiede una ricerca per pixel.