Inverse semitonuri sau caracteristica descreening este procesul de reconstruire de înaltă calitate, tonuri continue imagini de semiton versiune. Semitonarea inversă este o problemă nepotrivită, deoarece imaginile sursă diferite pot produce aceeași imagine în semiton. În consecință, o imagine în semiton are multiple reconstrucții plauzibile., În plus, informații precum tonurile și detaliile sunt aruncate în timpul semitonării și astfel pierdute irecuperabil. Datorită varietății diferitelor modele de semiton, nu este întotdeauna evident ce algoritm să folosești pentru cea mai bună calitate.există multe situații în care se dorește reconstrucția. Pentru artiști, este o sarcină dificilă de a edita imagini în semiton. Chiar și modificările simple, cum ar fi Modificarea luminozității, funcționează de obicei prin schimbarea tonurilor de culoare. În imaginile cu semiton, acest lucru necesită în plus păstrarea modelului obișnuit. Același lucru este valabil și pentru instrumente mai complexe, cum ar fi retușarea., Multe alte tehnici de procesare a imaginii sunt concepute pentru a funcționa pe imagini în ton continuu. De exemplu, algoritmii de compresie a imaginilor sunt mai eficienți pentru acele imagini. Un alt motiv este aspectul vizual, deoarece semitonarea degradează calitatea unei imagini. Modificările bruște de ton ale imaginii originale sunt eliminate datorită variațiilor de ton limitate ale imaginilor semitonate. De asemenea, poate introduce distorsiuni și efecte vizuale precum modelele moiré. Mai ales atunci când este tipărit pe ziar, modelul de semiton devine mai vizibil datorită proprietăților hârtiei., Prin scanarea și retipărirea acestor imagini sunt evidențiate modelele moiré. Astfel, reconstruirea lor înainte de reimprimare este importantă pentru a oferi o calitate rezonabilă.
filtrarea spațială și frecvențaedit
principalele etape ale procedurii sunt eliminarea modelelor de semitonuri și reconstrucția modificărilor de ton. În final, poate fi necesar să recuperați detaliile pentru a îmbunătăți calitatea imaginii. Există mulți algoritmi de semitonare care pot fi în mare parte clasificați în categoriile ordonate dithering, difuzie de erori și metode bazate pe optimizare., Este important să alegeți o strategie de descreening adecvată, deoarece acestea generează modele diferite și majoritatea algoritmilor de semitonare inversă sunt proiectați pentru un anumit tip de model. Timpul este un alt criteriu de selecție, deoarece mulți algoritmi sunt iterative și, prin urmare, destul de lent.cel mai simplu mod de a elimina modelele semitonuri este aplicarea unui filtru low-pass, fie în domeniul spațial sau de frecvență. Un exemplu simplu este un filtru Gaussian. Elimină informațiile de înaltă frecvență care estompează imaginea și reduce simultan modelul de semiton., Acest lucru este similar cu efectul de estompare al ochilor noștri atunci când vizionăm o imagine în semiton. În orice caz, este important să alegeți o lățime de bandă adecvată. O lățime de bandă prea limitată estompează marginile, în timp ce o lățime de bandă mare produce o imagine zgomotoasă, deoarece nu elimină complet modelul. Datorită acestui compromis, nu este capabil să reconstruiască informații rezonabile despre margine.
îmbunătățiri suplimentare pot fi obținute cu îmbunătățirea marginilor. Descompunerea imaginii în semiton în reprezentarea sa wavelet permite alegerea informațiilor din diferite benzi de frecvență. Marginile sunt de obicei formate din energie highpass., Prin utilizarea informațiilor extrase highpass, este posibil să tratați zonele din jurul marginilor în mod diferit pentru a le sublinia, păstrând în același timp informațiile lowpass între regiunile netede.
Optimizare bazate pe filteringEdit
o Altă posibilitate pentru inverse semitonuri este utilizarea de algoritmi de învățare bazate pe rețele neuronale artificiale. Aceste abordări bazate pe învățare pot găsi tehnica de descreening care se apropie cât mai mult de cea perfectă. Ideea este de a utiliza diferite strategii în funcție de imaginea reală în semiton., Chiar și pentru conținut diferit în cadrul aceleiași imagini, strategia ar trebui să fie variată. Rețelele neuronale convoluționale sunt potrivite pentru sarcini precum detectarea obiectelor, care permite o descreening bazată pe categorii. În plus, pot face detectarea marginilor pentru a îmbunătăți detaliile din jurul zonelor de margine. Rezultatele pot fi îmbunătățite în continuare prin rețele Adversare generative. Acest tip de rețea poate genera în mod artificial conținut și poate recupera detaliile pierdute. Cu toate acestea, aceste metode sunt limitate de calitatea și completitudinea datelor de instruire utilizate., Modelele de semitonuri nevăzute care nu au fost reprezentate în datele de antrenament sunt destul de greu de eliminat. În plus, procesul de învățare poate dura ceva timp. În schimb, calcularea imaginii de semitonare inversă este rapidă în comparație cu alte metode iterative, deoarece necesită doar un singur pas de calcul.spre deosebire de alte abordări, metoda tabelului de căutare nu implică nicio filtrare. Funcționează prin calcularea unei distribuții a cartierului pentru fiecare pixel din imaginea semitonului., Tabelul de căutare oferă o valoare de ton continuu pentru un anumit pixel și distribuția acestuia. Tabelul de căutare corespunzător este obținut înainte de a utiliza histograme de imagini în semiton și originalele corespunzătoare. Histogramele furnizează distribuția înainte și după semitonare și fac posibilă aproximarea valorii tonului continuu pentru o distribuție specifică în imaginea semitonurilor. Pentru această abordare, strategia de semitonare trebuie să fie cunoscută în avans pentru alegerea unui tabel de căutare adecvat. În plus, tabelul trebuie recalculat pentru fiecare nou model de semitonare., Generarea imaginii descreened este rapid în comparație cu metodele iterative, deoarece necesită o căutare pe pixel.