meio-tom Inverso ou a desreticulação é o processo de reconstrução de alta qualidade de tom contínuo imagens de meio-tom versão. O halftoning inverso é um problema mal colocado porque diferentes imagens Fonte podem produzir a mesma imagem halftone. Consequentemente, uma imagem halftone tem múltiplas reconstruções plausíveis., Além disso, informações como tons e detalhes são descartados durante o halftoning e, portanto, irrecuperavelmente perdidos. Devido à variedade de diferentes padrões de halftone, nem sempre é óbvio que algoritmo usar para a melhor qualidade.existem muitas situações em que a reconstrução é desejada. Para os artistas, é uma tarefa desafiadora editar imagens halftone. Mesmo as modificações simples como alterar o brilho normalmente funcionam mudando os tons de cor. Em imagens halftone, isso requer a preservação do padrão regular. O mesmo se aplica a ferramentas mais complexas como retoque., Muitas outras técnicas de processamento de imagens são projetadas para operar em imagens de tom contínuo. Por exemplo, algoritmos de compressão de imagens são mais eficientes para essas imagens. Outra razão é o aspecto visual uma vez que o halftoning degrada a qualidade de uma imagem. Mudanças súbitas de tom da imagem original são removidas devido às variações de Tom limitadas em imagens halftoned. Também pode introduzir distorções e efeitos visuais como padrões moiré. Especialmente quando impresso em jornal, O padrão halftone torna-se mais visível devido às propriedades do papel., Ao digitalizar e reprinting estas imagens padrões moiré são enfatizados. Assim, reconstruí-los antes de reprinting é importante para fornecer uma qualidade razoável.
Spatial and frequency filteringEdit
As principais etapas do procedimento são a remoção de padrões de halftone e reconstrução de mudanças de Tom. No final, pode ser necessário recuperar detalhes para melhorar a qualidade da imagem. Existem muitos algoritmos de halftoning que podem ser classificados principalmente nas categorias dithering ordenado, difusão de erro, e métodos baseados em otimização., É importante escolher uma estratégia adequada de descreenamento, uma vez que eles geram diferentes padrões e a maioria dos algoritmos de halftoning inversos são projetados para um tipo particular de padrão. O tempo é outro critério de seleção porque muitos algoritmos são iterativos e, portanto, bastante lentos.
a forma mais simples de remover os padrões de halftone é a aplicação de um filtro de baixa passagem no domínio espacial ou de frequência. Um exemplo simples é um filtro Gaussiano. Descarta a informação de alta frequência que turva a imagem e simultaneamente reduz o padrão de meios-tons., Isto é semelhante ao efeito de borrão de nossos olhos ao ver uma imagem halftone. Em qualquer caso, é importante escolher uma largura de banda adequada. Uma largura de banda muito limitada apaga as bordas, enquanto uma largura de banda alta produz uma imagem ruidosa porque não remove completamente o padrão. Devido a esta troca, não é capaz de reconstruir informações de borda razoáveis.
podem ser obtidas melhorias adicionais com a melhoria da aresta. Decompondo a imagem halftone em sua representação ondulatória permite escolher Informações de diferentes bandas de frequência. As bordas são geralmente constituídas por energia de alta velocidade., Usando a informação extraída highpass, é possível tratar as áreas em torno das bordas de forma diferente para enfatizá-las, mantendo a informação lowpass entre as regiões lisas.
filteringEdit baseado em Otimização
outra possibilidade para o halftoning inverso é o uso de algoritmos de aprendizagem de máquinas baseados em redes neurais artificiais. Estas abordagens baseadas na aprendizagem podem encontrar a técnica de descrecimento que se aproxima o mais possível da perfeita. A idéia é usar estratégias diferentes, dependendo da imagem halftone real., Mesmo para diferentes conteúdos dentro da mesma imagem, a estratégia deve ser variada. As redes neurais convolucionais são bem adaptadas para Tarefas como a detecção de objetos, o que permite uma descrição baseada em categorias. Além disso, eles podem fazer Detecção de borda para melhorar os detalhes em torno das áreas de borda. Os resultados podem ainda ser melhorados por redes gerativas adversárias. Este tipo de rede pode gerar artificialmente conteúdo e recuperar detalhes perdidos. No entanto, estes métodos são limitados pela qualidade e exaustividade dos dados de formação utilizados., Padrões invisíveis de halftoning que não foram representados nos dados de treinamento são bastante difíceis de remover. Além disso, o processo de aprendizagem pode levar algum tempo. Em contraste, computar a imagem de halftoning inversa é rápido em comparação com outros métodos iterativos porque requer apenas um único passo computacional.
tabela de pesquisa
Ao contrário de outras abordagens, o método de tabela de pesquisa não envolve qualquer filtragem. Ele funciona computando uma distribuição da vizinhança para cada pixel na imagem halftone., A tabela de pesquisa fornece um valor de tom contínuo para um determinado pixel e sua distribuição. A tabela de pesquisa correspondente é obtida antes de usar histogramas de imagens halftone e seus originais correspondentes. Os histogramas fornecem a distribuição antes e depois do halftoning e permitem aproximar o valor do tom contínuo para uma distribuição específica na imagem do halftone. Para esta abordagem, a estratégia de halftoning tem de ser conhecida com antecedência para escolher uma tabela de pesquisa adequada. Além disso, a tabela precisa ser recomposta para cada novo padrão de halftoning., Gerar a imagem decrescente é rápido em comparação com os métodos iterativos porque requer uma pesquisa por pixel.