odwracanie półtonów lub pomniejszanie jest procesem rekonstrukcji wysokiej jakości obrazów o ciągłym tonie z wersji półtonowej. Odwrotne halftoning jest źle postawionym problemem, ponieważ różne obrazy źródłowe mogą produkować ten sam obraz półtonów. W związku z tym jeden obraz półtonowy ma wiele wiarygodnych rekonstrukcji., Dodatkowo, informacje takie jak Tony i szczegóły są odrzucane podczas połowicznego rozpadu, a tym samym nieodwracalnie utracone. Ze względu na różnorodność różnych wzorów półtonów, nie zawsze jest oczywiste, który algorytm użyć dla najlepszej jakości.
istnieje wiele sytuacji, w których pożądana jest rekonstrukcja. Dla artystów edycja obrazów półtonowych jest trudnym zadaniem. Nawet proste modyfikacje, takie jak zmiana jasności, zwykle działają poprzez zmianę odcieni kolorów. W obrazach półtonowych wymaga to dodatkowo zachowania regularnego wzoru. To samo dotyczy bardziej złożonych narzędzi, takich jak retusz., Wiele innych technik przetwarzania obrazu jest zaprojektowanych do pracy na obrazach o ciągłym tonie. Na przykład algorytmy kompresji obrazów są bardziej wydajne dla tych obrazów. Innym powodem jest aspekt wizualny, ponieważ halftoning pogarsza jakość obrazu. Nagłe zmiany tonalne oryginalnego obrazu są usuwane z powodu ograniczonych różnic tonalnych w półtonach obrazów. Może również wprowadzać zniekształcenia i efekty wizualne, takie jak wzory Mory. Szczególnie w przypadku drukowania na gazecie, wzór półtonów staje się bardziej widoczny ze względu na właściwości papieru., Poprzez skanowanie i przedruk tych obrazów podkreślane są wzory moiré. Dlatego rekonstrukcja ich przed przedrukiem jest ważna, aby zapewnić rozsądną jakość.
filtrowanie przestrzenne i częstotliwościedytuj
głównymi etapami procedury są usuwanie wzorów półtonów i rekonstrukcja zmian tonów. W końcu może być konieczne odzyskanie szczegółów w celu poprawy jakości obrazu. Istnieje wiele algorytmów halftoning, które można podzielić głównie na kategorie uporządkowane dithering, dyfuzja błędów i metody oparte na optymalizacji., Ważne jest, aby wybrać odpowiednią strategię descreening, ponieważ generują one różne wzorce i większość algorytmów odwrotnej półftoning są przeznaczone dla określonego typu wzorca. Czas jest kolejnym kryterium wyboru, ponieważ wiele algorytmów jest iteracyjnych i dlatego raczej powolnych.
najprostszym sposobem usunięcia wzorców półtonów jest zastosowanie filtra dolnoprzepustowego w dziedzinie przestrzennej lub częstotliwości. Prostym przykładem jest filtr Gaussa. Odrzuca informacje o wysokiej częstotliwości, które rozmywają obraz i jednocześnie redukują wzór półtonów., Jest to podobne do efektu rozmycia naszych oczu podczas oglądania obrazu półtonowego. W każdym razie ważne jest, aby wybrać odpowiednią przepustowość. Zbyt ograniczona przepustowość rozmywa krawędzie, podczas gdy wysoka przepustowość generuje głośny obraz, ponieważ nie usuwa całkowicie wzoru. Z powodu tego kompromisu nie jest w stanie odtworzyć rozsądnych informacji o krawędzi.
dalsze ulepszenia można osiągnąć dzięki ulepszeniu krawędzi. Rozkładanie obrazu półtonowego na jego reprezentację falową pozwala na wybranie informacji z różnych pasm częstotliwości. Krawędzie zwykle składają się z energii highpass., Korzystając z wyodrębnionych informacji o wysokim poziomie przejścia, można traktować obszary wokół krawędzi w inny sposób, aby je podkreślić, zachowując informacje o niskim poziomie przejścia między gładkimi regionami.
filtrowanie oparte na Optymalizacjiedytuj
inną możliwością odwrotnego półtonowania jest wykorzystanie algorytmów uczenia maszynowego opartych na sztucznych sieciach neuronowych. Te podejścia oparte na uczeniu się mogą znaleźć technikę usuwania, która jest jak najbardziej zbliżona do doskonałej. Chodzi o to, aby używać różnych strategii w zależności od rzeczywistego obrazu półtonów., Nawet w przypadku różnych treści w ramach tego samego obrazu strategia powinna być zróżnicowana. Konwolucyjne sieci neuronowe są dobrze przystosowane do zadań takich jak wykrywanie obiektów, które umożliwia descreening oparty na kategorii. Dodatkowo mogą wykrywać krawędzie, aby poprawić szczegóły wokół obszarów krawędzi. Wyniki można jeszcze poprawić poprzez generatywne sieci kontradyktoryjne. Ten typ sieci może sztucznie generować zawartość i odzyskiwać utracone dane. Metody te są jednak ograniczone przez jakość i kompletność wykorzystywanych danych treningowych., Niewidoczne wzorce podziału, które nie były reprezentowane w danych treningowych, są raczej trudne do usunięcia. Dodatkowo proces uczenia się może zająć trochę czasu. Natomiast obliczenie odwrotnego obrazu półtoningowego jest szybkie w porównaniu z innymi metodami iteracyjnymi, ponieważ wymaga tylko jednego kroku obliczeniowego.
Lookup tableEdit
w przeciwieństwie do innych metod, metoda lookup table nie wymaga filtrowania. Jego działanie polega na obliczeniu rozkładu sąsiedztwa dla każdego piksela w obrazie półtonowym., Tabela wyszukiwania Zawiera ciągłą wartość tonu dla danego piksela i jego rozkładu. Odpowiednia tabela wyszukiwania jest uzyskiwana przed użyciem histogramów obrazów półtonowych i odpowiadających im oryginałów. Histogramy zapewniają rozkład przed i po półtonach i umożliwiają przybliżenie wartości tonu ciągłego dla określonego rozkładu w obrazie półtonów. W przypadku takiego podejścia strategia podziału musi być z góry znana przy wyborze odpowiedniej tabeli wyszukiwania. Dodatkowo, tabela musi być ponownie obliczona dla każdego nowego wzoru półtonów., Generowanie pomniejszonego obrazu jest szybkie w porównaniu z metodami iteracyjnymi, ponieważ wymaga Wyszukiwania na piksel.