inverse halftoning eller descreening är processen att rekonstruera högkvalitativa kontinuerliga tonbilder från halvtonversionen. Inverse halvtoning är ett dåligt poserat problem eftersom olika källbilder kan producera samma halvton bild. Följaktligen har en halvton bild flera rimliga rekonstruktioner., Dessutom kasseras information som toner och detaljer under halvtoning och därmed oåterkalleligt förlorad. På grund av olika halvtonmönster är det inte alltid uppenbart vilken algoritm som ska användas för bästa kvalitet.
det finns många situationer där rekonstruktion önskas. För konstnärer, det är en utmanande uppgift att redigera halvton bilder. Även enkla modifieringar som att ändra ljusstyrkan brukar fungera genom att ändra färgtonerna. I halvton bilder kräver detta dessutom bevarande av det vanliga mönstret. Detsamma gäller för mer komplexa verktyg som retuschering., Många andra bildbehandlingstekniker är utformade för att fungera på kontinuerliga tonbilder. Till exempel är bildkomprimeringsalgoritmer effektivare för dessa bilder. En annan anledning är den visuella aspekten sedan halvtoning försämrar kvaliteten på en bild. Plötsliga tonförändringar i originalbilden tas bort på grund av de begränsade tonvariationerna i halvtonade bilder. Det kan också införa snedvridningar och visuella effekter som moiré mönster. Speciellt när det skrivs ut på tidningen blir halvtonmönstret mer synligt på grund av pappersegenskaperna., Genom att skanna och omtrycka dessa bilder betonas moiré-mönster. Således är det viktigt att rekonstruera dem före omtryckning för att ge en rimlig kvalitet.
Spatial and frequency filteringEdit
de viktigaste stegen i proceduren är att ta bort halvtonmönster och rekonstruktion av tonförändringar. I slutändan kan det vara nödvändigt att återställa detaljer för att förbättra bildkvaliteten. Det finns många halvtoningsalgoritmer som mestadels kan klassificeras i kategorierna beställda dithering, feldiffusion och optimeringsbaserade metoder., Det är viktigt att välja en korrekt nedåtgående strategi eftersom de genererar olika mönster och de flesta av de inversa halvtoningsalgoritmer är utformade för en viss typ av mönster. Tiden är en annan urvalskriterier eftersom många algoritmer är iterativa och därför ganska långsam.
det enklaste sättet att ta bort halvtonmönstren är tillämpningen av ett lågpassfilter antingen i rumslig eller frekvensdomän. Ett enkelt exempel är ett Gaussiskt filter. Det kasserar den högfrekventa information som suddar bilden och samtidigt minskar halvton mönster., Detta liknar den suddiga effekten av våra ögon när du tittar på en halvton bild. I vilket fall som helst är det viktigt att välja en lämplig bandbredd. En alltför begränsad bandbredd suddar ut kanterna, medan en hög bandbredd ger en bullrig bild eftersom den inte tar bort mönstret helt. På grund av denna avvägning kan den inte rekonstruera rimlig kantinformation.
ytterligare förbättringar kan uppnås med Kantförbättring. Att sönderdela halvtonbilden i sin wavelet-representation gör det möjligt att välja information från olika frekvensband. Kanter består vanligtvis av högpass energi., Genom att använda den extraherade highpass-informationen är det möjligt att behandla områden runt kanterna annorlunda för att betona dem samtidigt som man håller lågpassinformation bland släta regioner.
Optimeringsbaserad filteringEdit
en annan möjlighet för omvänd halvtoning är användningen av maskininlärningsalgoritmer baserade på artificiella neurala nätverk. Dessa inlärningsbaserade tillvägagångssätt kan hitta den nedåtgående tekniken som kommer så nära som möjligt till den perfekta. Tanken är att använda olika strategier beroende på den faktiska halvton bilden., Även för olika innehåll inom samma bild bör strategin varieras. Convolutional neurala nätverk är väl lämpade för uppgifter som objektdetektering som tillåter en kategoribaserad descreening. Dessutom kan de göra kantdetektering för att förbättra detaljerna runt kantområden. Resultaten kan förbättras ytterligare genom generativa kontradiktoriska nätverk. Denna typ av nätverk kan artificiellt generera innehåll och återställa förlorade detaljer. Dessa metoder begränsas emellertid av kvaliteten och fullständigheten hos de använda träningsdata., Osynliga halvtoningsmönster som inte var representerade i träningsdata är ganska svåra att ta bort. Dessutom kan inlärningsprocessen ta lite tid. Däremot är beräkningen av den inversa halvtoningsbilden snabb jämfört med andra iterativa metoder eftersom det bara kräver ett enda beräkningssteg.
lookup tableEdit
till skillnad från andra tillvägagångssätt innebär inte lookup-tabellmetoden någon filtrering. Det fungerar genom att beräkna en fördelning av grannskapet för varje pixel i halvton bilden., Uppslagstabellen ger ett kontinuerligt tonvärde för en viss pixel och dess fördelning. Motsvarande söktabell erhålls innan histogram av halvtonbilder och motsvarande original används. Histogrammen ger fördelningen före och efter halvtoning och gör det möjligt att approximera det kontinuerliga tonvärdet för en specifik fördelning i halvtonbilden. För detta tillvägagångssätt måste halvtoningsstrategin vara känd i förväg för att välja en lämplig lookup tabell. Dessutom måste tabellen omräknas för varje nytt halvtoningsmönster., Generering av den nedskrivna bilden är snabb jämfört med iterativa metoder eftersom det kräver en sökning per pixel.