Inverse halftoning (halvtoning) eller descreening er prosessen med å konstruere høy kvalitet halvtonebilder fra halvtone versjon. Invers halftoning (halvtoning) er en dårlig stilt problem fordi ulike kilde-bilder kan produsere de samme halvtone bilde. Følgelig, en halvtone bilde har flere plausible rekonstruksjoner., I tillegg til informasjon som toner og detaljer er forkastet under halftoning (halvtoning) og dermed irrecoverably tapt. På grunn av de mange forskjellige rutenett mønster, det er ikke alltid åpenbart hvilken algoritme til å bruke for å få best kvalitet.
Det er mange situasjoner hvor gjenoppbygging er ønsket. For kunstnere, det er en utfordrende oppgave å redigere fotografier bilder. Selv enkle endringer som å endre lysstyrken vanligvis fungerer ved å endre farge toner. I halvtoner bilder, dette i tillegg krever bevaring av det vanlige mønsteret. Det samme gjelder mer komplekse verktøy som retusjering., Mange andre bildebehandling teknikker er designet for å operere på halvtonebilder. For eksempel, bilde komprimering algoritmer er mer effektiv for disse bildene. En annen grunn er det visuelle aspektet siden halftoning (halvtoning) forringer kvaliteten på et bilde. Plutselig tone endringer av det opprinnelige bildet er fjernet på grunn av den begrensede tone variasjoner i et halvtoneobjekt bilder. Det kan også introdusere skjevheter og visuelle effekter som moaré. Spesielt når de skrives ut på avis, halvtonemønster blir mer synlig på grunn av papiret egenskaper., Ved å skanne og skrive disse bildene moaré er vektlagt. Dermed, å rekonstruere dem før utskriften er viktig for å gi en rimelig kvalitet.
Romlig og frekvens filteringEdit
De viktigste trinnene i prosedyren for fjerning av halvtone mønstre og gjenoppbygging av tone endringer. I slutten, kan det være nødvendig å gjenopprette detaljer for å forbedre bildekvaliteten. Det er mange halftoning (halvtoning) algoritmer som kan være mest klassifisert til de kategorier som er bestilt spredning, feildiffusjon, og optimalisering-baserte metoder., Det er viktig å velge en riktig descreening strategi, siden de produserer forskjellige mønstre og de fleste av de inverse halftoning (halvtoning) algoritmer er designet for en bestemt type mønster. Tid er en annen kriterier for valg fordi mange algoritmer er iterativ og derfor ganske treg.
Den enkleste måten å fjerne halvtone mønstre er anvendelse av en low-pass filter enten i romlig eller frekvensdomenet. Et enkelt eksempel er en Gaussisk filter. Det forkaster høy frekvens informasjon som tåkelegger bildet og samtidig reduserer halvtonemønster., Dette ligner på å tåkelegge effekten av våre øyne når du ser en halvtone bilde. I alle fall, det er viktig å velge en skikkelig båndbredde. Et altfor begrenset båndbredde tåkelegger kanter ut, mens en høy båndbredde produserer støy på bildet fordi det fjerner ikke mønsteret helt. På grunn av denne trade-off, det er ikke i stand til å rekonstruere rimelig edge informasjon.
Ytterligere forbedringer kan oppnås med kant ekstrautstyr. Rotne den halvtone bildet i sin wavelet representasjon gjør det mulig å hente informasjon fra ulike frekvensbånd. Kantene er vanligvis består av highpass energi., Ved hjelp av den utpakkede highpass informasjon, det er mulig å behandle områder rundt kantene annerledes for å fremheve dem mens du holder lowpass informasjon blant glatt områder.
Optimalisering-basert filteringEdit
en Annen mulighet for invers halftoning (halvtoning) er bruk av maskinlæring algoritmer basert på kunstig nevrale nettverk. Disse læring-baserte tilnærminger kan finne descreening teknikk som kommer så nært som mulig til den perfekte ett. Ideen er å bruke ulike strategier avhengig av den faktiske halvtone bilde., Selv for et annet innhold i det samme bildet, den strategi bør være variert. Convolutional nevrale nettverk er godt egnet for oppgaver som objekt deteksjon, noe som gir en kategori basert descreening. I tillegg kan de gjøre kantdeteksjon for å forbedre detaljer rundt kanten områder. Resultatene kan forbedres ytterligere ved å generativ alternative nettverk. Denne typen nettverk kan kunstig generere innhold og gjenopprette tapt informasjon. Men disse metodene er begrenset av kvaliteten og fullstendigheten av den brukte treningsdata., Usynlige halftoning (halvtoning) mønstre som ikke var representert i trening data er ganske vanskelig å fjerne. I tillegg, lærings-prosessen kan ta litt tid. I motsetning computing den inverse halftoning (halvtoning) bildet er rask i forhold til andre iterative metoder fordi det krever bare en enkelt computational trinn.
Oppslag tableEdit
i Motsetning til andre tilnærminger, oppslagstabellen metode som ikke innebærer noen filtrering. Det fungerer ved å beregne en fordeling av nabolaget for hver piksel i halvtoner bilde., Oppslag tabellen gir en kontinuerlig tone-verdi for en gitt piksel og sin distribusjon. Tilsvarende lookup-tabell er innhentet før du bruker histogrammer av fotografier bilder og tilhørende originaler. Den histogrammer gi fordeling før og etter halftoning (halvtoning) og gjør det mulig å simulere kontinuerlig tone verdi for en bestemt fordeling i halvtoner bilde. For denne tilnærmingen, halftoning (halvtoning) strategi må være kjent på forhånd for å velge en riktig lookup-tabell. I tillegg bordet må være recomputed for hver nye halftoning (halvtoning) mønster., Generere descreened bildet er rask i forhold til iterative metoder fordi det krever et oppslag per piksel.