Inverse rasters of descreening is het proces van wederopbouw van hoge kwaliteit continutoonafbeeldingen van de raster-versie. Inverse halftoning is een slecht gesteld probleem omdat verschillende bronbeelden hetzelfde halftoonbeeld kunnen produceren. Bijgevolg heeft één halftoonbeeld meerdere plausibele reconstructies., Bovendien, informatie zoals tonen en details worden weggegooid tijdens halftoning en dus onherstelbaar verloren. Vanwege de verscheidenheid aan verschillende halftoonpatronen is het niet altijd duidelijk welk algoritme te gebruiken voor de beste kwaliteit.
Er zijn veel situaties waarin reconstructie gewenst is. Voor kunstenaars is het een uitdagende taak om halftoonbeelden te bewerken. Zelfs eenvoudige wijzigingen zoals het wijzigen van de helderheid werken meestal door het veranderen van de kleurtinten. In halftoon beelden, dit vereist bovendien behoud van de reguliere patroon. Hetzelfde geldt voor meer complexe tools zoals retoucheren., Veel andere beeldverwerkingstechnieken zijn ontworpen om te werken op continue-toon beelden. Bijvoorbeeld, beeldcompressie algoritmen zijn efficiënter voor die beelden. Een andere reden is het visuele aspect, want halftoning degradeert de kwaliteit van een beeld. Plotselinge toonveranderingen van het originele beeld worden verwijderd door de beperkte toonvariaties in halftoned beelden. Het kan ook verstoringen en visuele effecten zoals moiré patronen introduceren. Vooral wanneer het op een krant wordt gedrukt, wordt het halftoonpatroon beter zichtbaar door de papiereigenschappen., Door het scannen en herdrukken van deze beelden worden moiré patronen benadrukt. Zo is het reconstrueren van hen voor herdruk belangrijk om een redelijke kwaliteit te bieden.
Spatial and frequency filteringEdit
de belangrijkste stappen van de procedure zijn het verwijderen van halftoonpatronen en het reconstrueren van toonveranderingen. Uiteindelijk kan het nodig zijn om details te herstellen om de beeldkwaliteit te verbeteren. Er zijn veel halftoning algoritmen die meestal kunnen worden ingedeeld in de categorieën geordende dithering, fout diffusie, en optimalisatie-gebaseerde methoden., Het is belangrijk om een goede decreening strategie te kiezen, omdat ze verschillende patronen genereren en de meeste van de inverse halftoning algoritmen zijn ontworpen voor een bepaald type patroon. Tijd is een ander selectiecriterium omdat veel algoritmen iteratief zijn en dus nogal traag.
de meest eenvoudige manier om de halftoonpatronen te verwijderen is het toepassen van een low-pass filter in een ruimtelijk of frequentiedomein. Een eenvoudig voorbeeld is een Gaussiaans filter. Het verwijdert de hoogfrequente informatie die het beeld vervaagt en tegelijkertijd het halftoonpatroon vermindert., Dit is vergelijkbaar met het vervagende effect van onze ogen bij het bekijken van een halftoonbeeld. In ieder geval is het belangrijk om een goede bandbreedte te kiezen. Een te beperkte bandbreedte vervaagt randen, terwijl een hoge bandbreedte een luidruchtig beeld produceert omdat het het patroon niet volledig verwijdert. Door deze trade-off is het niet in staat om redelijke randinformatie te reconstrueren.
verdere verbeteringen kunnen worden bereikt met randverbetering. Het ontleden van de halftoonafbeelding in de waveletweergave maakt het mogelijk om informatie uit verschillende frequentiebanden te kiezen. Randen bestaan meestal uit highpass energie., Door de geëxtraheerde highpass-informatie te gebruiken, is het mogelijk om gebieden rond randen anders te behandelen om ze te benadrukken terwijl lowpass-informatie tussen gladde gebieden wordt bewaard.
optimalisatie-gebaseerde filteringEdit
een andere mogelijkheid voor inverse halftoning is het gebruik van machine learning algoritmen gebaseerd op kunstmatige neurale netwerken. Deze op leren gebaseerde benaderingen kunnen de ontschepingstechniek vinden die zo dicht mogelijk bij de perfecte komt. Het idee is om verschillende strategieën te gebruiken, afhankelijk van het werkelijke halftoonbeeld., Zelfs voor verschillende inhoud binnen hetzelfde beeld, de strategie moet worden gevarieerd. Convolutionele neurale netwerken zijn zeer geschikt voor taken zoals object Detectie die een categorie gebaseerde descreening mogelijk maakt. Daarnaast kunnen ze randdetectie doen om de details rond randgebieden te verbeteren. De resultaten kunnen verder worden verbeterd door generatieve contradictoire netwerken. Dit type netwerk kan kunstmatig inhoud genereren en verloren gegevens herstellen. Deze methoden worden echter beperkt door de kwaliteit en volledigheid van de gebruikte trainingsgegevens., Ongeziene halftoning patronen die niet werden weergegeven in de trainingsgegevens zijn vrij moeilijk te verwijderen. Bovendien kan het leerproces enige tijd duren. Daarentegen, het berekenen van de inverse halftoning beeld is snel in vergelijking met andere iteratieve methoden, omdat het slechts een enkele computationele stap vereist.
Lookup tableEdit
In tegenstelling tot andere benaderingen, bevat de lookup table methode geen filtering. Het werkt door het berekenen van een verdeling van de buurt voor elke pixel in de halftoon afbeelding., De lookup tabel geeft een continu-tone waarde voor een bepaalde pixel en zijn distributie. De overeenkomstige opzoektabel wordt verkregen voordat histogrammen van halftoonbeelden en hun overeenkomstige originelen worden gebruikt. De histogrammen geven de verdeling voor en na halftoning en maken het mogelijk om de continu-toonwaarde voor een specifieke verdeling in het halftoonbeeld te benaderen. Voor deze aanpak, de halftoning strategie moet vooraf bekend zijn voor het kiezen van een goede lookup tabel. Bovendien moet de tabel opnieuw worden berekend voor elk nieuw halftoning patroon., Het genereren van de afgebeelde afbeelding is snel in vergelijking met iteratieve methoden omdat het een lookup per pixel vereist.