CN103118218A

CN103118218A - 印刷技术的自适应混合加网方法

Info

Publication number: CN103118218A
Application number: CN2013100801467A
Authority: CN
Inventors: 张建青; 刘真; 蔡芳; 卢亮; 毕莉明; 魏代海; 张茜; 卢智平
Original assignee: University of Shanghai for Science and Technology
Current assignee: University of Shanghai for Science and Technology
Priority date: 2013-03-13
Filing date: 2013-03-13
Publication date: 2013-05-22
Anticipated expiration: 2033-03-13
Also published as: CN103118218B

Abstract

本发明涉及了印刷技术中的自适应混合加网方法。该混合加网方法首先通过对彩色数字图像进行分色，获得单通道灰度图像，然后读取像素灰度值，根据灰度值选择相应的网点生成模型，利用乘同余伪随机函数产生的随机数代表的点作为生成聚集点的中心位置点，生成聚集点，由聚集点组成网点，完成对全图的加网处理，得到一个色版的二值图。该加网方法是由大、小聚集点组成的混合加网，大小聚集点的位置随机，实现了黑白网点的对称,有利于二值图像硬拷贝输出的质量控制。该混合加网方法适用于四色常规印刷以及采用高保真印刷的大于四色的彩色印刷品的图像印前加网处理工艺以及二值数字印刷机印刷输出的加网过程。

Description

印刷技术的自适应混合加网方法

技术领域

本发明涉及图像硬拷贝复制领域，属于印刷技术领域中的混合加网方法。

背景技术

目前，高保真印刷主要用来印刷高档次的色彩丰富的精品印刷品，由于其常采用大于四色的印刷，传统的调幅加网无法胜任高保真印刷，而调频加网有如下不足：孤立的小面积网点在传递中容易丢失、网点扩大严重中间调粗糙等问题在实际生产中的使用受到了限制，因此混合加网成为高保真印刷加网的首选。

美国Peter I.Majewicz的发明专利HYBRID HALFTONING中提出的混合加网方法是：Y或BK颜色通道采用随机调频加网，其他通道采用混合加网的方式完成加网，或至少一个颜色通道用混合加网，其他通道随机调频加网，其中的混合加网是指高光和暗调部分用随机调频加网，中间调部分用位置随机的调幅加网的加网方法。该加网方法有效避免了龟纹现象，适合高保真印刷的加网。但由于不同色版采用不同的加网方式，使得印刷过程中，不同色版的网点扩大差别较大，不利于印刷过程中的质量控制，另一方面，由于中间调采用了调幅网点，网点搭界导致的网点扩大突然跃变问题仍无法很好解决。

乘同余伪随机函数X_n+1=X_n*a(modM)具有简便、速度快、周期长、生成的随机数有良好的统计特性等特点，使用范围较广，可用来产生随机网点。该方法中，选择合适的Xn、a、M这三个参数是决定能否快速产生符合要求的随机数的关键，通常的要求是M=2^s,a=8k±3X₀=2t+1，其中s、k、t均为正整数，且a取与2^(s/2)最接近的值，M的值为所需随机数周期的4倍，且M与X₀互为素数，a与X₀互为素数。基于以上理论，周啸等研究了用X_n+1=X_n*a(modM)产生调频加网的随机点时的加网效率，提出：选择较小的M值或者选择较小的X_n和a的初始值时，加网效率较高，但没有说明产生满足加网需求的有效随机数数量的解决方案；徐锦林等提出用乘同余伪随机函数产生256以内的随机数的修正方案，解决了产生加网要求的有效随机数的数量问题，即M取1024附近的素数，a取适当的正整数，此方法产生的随机数只有25%是有效的，即只有25%的数据在256范围内，因此效率低。

发明内容

针对以上情况，本发明的目的在于提供一种基于限定参数乘同余伪随机函数的新的混合加网方法。本加网方法是由大、小聚集点组成的混合加网，大小聚集点的位置随机，黑白网点对称，可不用考虑加网角度问题，有效解决调幅加网龟纹及玫瑰斑问题,可有效降低由于网点搭界导致的中间调网点扩大突然跃变的问题，有效改善调频加网的孤立的小网点在传递中的丢失、以及中间调粗糙等问题，实现了黑白网点的对称，对印刷套准精度要求不高,有利于二值图像硬拷贝输出的质量控制。

本发明为了实现上述目的，可使用以下方案：

本发明提供了一种印刷技术中的自适应混合加网方法，其特征在于，包含以下具体步骤：(1)输入原稿数字图像，通过分色模块对彩色数字图像进行分色，获得复数个分通道的单通道灰度图像，如果已经是单通道灰度图,就不用分色；(2)根据输出设备分辨率（DPI）及单通道灰度图分辨率（PPI）之间的比值确定再现一个像素灰度所需设备二值点的数量，构建以设备二值点所对应的方块矩阵网格，对矩阵网格中设备二值点的位置进行排序编码，矩阵网格中包含的设备二值点数量为输出设备分辨率与单通道灰度图分辨率的比值的平方；(3)从单通道灰度图像读取灰度图像的像素值，根据灰度图像的像素值计算混合加网中所需聚集点的直径的值；(4)构建复数个网点生成模型，根据聚集点的直径的值选择网点生成模型，不同的网点生成模型分别生成白色聚集点和黑色聚集点；(5)限定乘同余伪随机函数X_n+1=X_n*a(modM)中参数M的取值范围，参数M值的选择是在与二值输出设备点数量的数相关的区间内进行随机筛选的一个素数，或根据不同的情况乘以一定的系数从而在不同的相关区间内随机筛选一个素数，参数a值的选取是按a=8k±3的规则，k为正整数，初始值X₀取1到100之间的自然数，乘同余伪随机函数为递归函数，其中“*”表示乘积；(6)通过乘同余伪随机函数产生的随机数代表矩阵网格中的编码位置，并对该产生编码位置的数作判定和处理直到符合生成聚集点的条件，作为中心位置生成聚集点，完成对该像素的加网（或二值化）；(7)重复(3)到(6)步，遍历灰度图像，完成对整幅灰度图像的加网;(8)重复(2)到(7)步对所有单通道的灰度图完成加网，得到所有单通道的二值图像，二值图像可以通过直接制印版或者制成加网胶片并经过晒版机晒版制作成印刷版上印刷机印刷来制作印刷品,或者在数字印刷机上直接印刷制成印刷品。

在本发明所涉及的自适应混合加网方法，对矩阵网格按行从左到右，按列从上到下的顺序将1到设备二值点数量的数对矩阵网格的位置进行编码。

另外，乘同余伪随机函数的参数M的取值范围是随机选取在区间N*N～(N*N+100)筛选出的素数系列中的一个值，或在区(4*N*N-100)～4*N*N筛选出的素数系列中的一个值，N为输出设备分辨率与单通道灰度图分辨率之间的比值和矩阵网格的行数和列数，N*N为一个像素对应的方块矩阵网格中包含的设备二值点的个数。

另外，根据不同灰度级像素值计算出的聚集点的直径分别对应15个网点生成模型，为第1网点生成模型，第2网点生成模型，第3网点生成模型，第4网点生成模型，第5网点生成模型，第6网点生成模型，第7网点生成模型，第8网点生成模型，第9网点生成模型，第10网点生成模型，第11网点生成模型，第12网点生成模型，第13网点生成模型，第14网点生成模型，第15网点生成模型。

另外，读取单通道灰度图像素灰度值,并根据单通道灰度图像素灰度值计算聚集点的直径，即、d=round((I/2)^1/2),d为聚集点的直径，I为读取的单通道灰度图像素灰度值，round()表示4舍5入取整的函数。

另外，当大聚集点直径小于等于4时，乘同余伪随机函数的参数M的值随机选取区间N*N～（N*N+100）筛选出的素数系列的一个值，当大聚集点直径在5到8之间时，M的值选取区间(4*N*N-100)～4*N*N筛选出的素数系列的一个值，N为输出设备分辨率与单通道灰度图分辨率之间的比值和构成述矩阵的行数和列数，N*N为一个像素对应的方块矩阵网格包含的设备二值点的个数。

另外，网点模型中大小聚集点的生成顺序为先生成直径较大的大聚集点，之后生成直径较小的小聚集点；网点生成模型中的小聚集点的大小一般设定为最终印刷输出设备能够稳定再现的最小尺寸，由少数几个设备二值点聚集而成，聚集点的直径表示，在单联通的聚集点内最长的设备二值点的排列，大聚集点的直经为大于等于3，小聚集点的直径为小于3，一个像素加网结束前,最终剩余的设备二值点数无法满足生成一个聚集数为3的小聚集点所需设备二值点时,直接由剩余设备二值点聚集，即生成聚集数为1或者2的小聚集点；相同网点生成模型生成的网点,其大聚集点大小形状一样，位置随机，小聚集点数量随像素灰度值的变化而变化，位置随机；第1网点生成模型和第15网点生成模型生成的网点，只包含小聚集点，其余网点生成模型生成的网点均由1个大聚集点和多个小聚集点组成；第1网点生成模型到第7网点生成模型是生成白色聚集点，第9网点模型到第15网点生成模型是生成黑色聚集点，第8网点生成模型可随机生成黑、白聚集点，保证黑点到白点的柔和过渡；第2网点生成模型和第14网点生成模型的大聚集点直径是3，第3网点生成模型和第13网点生成模型的大聚集点直径是4，第4网点生成模型和第12网点生成模型的大聚集点直径是5，第5网点生成模型和第11网点生成模型的大聚集点直径是6，第6网点生成模型第10网点生成模型的大聚集点直径是7，第7网点生成模型和第9网点生成模型的大聚集点直径是8，第8网点生成模型的大聚集点直径是8，随机生成黑白聚集点。

另外，利用X_n+1=X_n*a(modM)生成可用的随机数，其代表的位置作为产生大聚集点的中心点生成大聚集点；网点生成模型的大聚集点的直径是3时，随机数代表的点的位置要在小于等于N-1列大于等于第2列以及小于等于N-1行大于等于第2行的范围内；网点生成模型的大聚集点的直径是4时，随机数代表的点的位置要在小于等于N-1列大于等于第3列以及小于等于N-1行大于等于第3行的范围内；网点生成模型的大聚集点的直径是5时，随机数代表的点的位置要在小于等于N-2列大于等于第3列以及小于等于N-2行大于等于第3行的范围内；网点生成模型的大聚集点的直径是6时，随机数代表的点的位置要在小于等于N-3列大于等于第3列以及小于等于N-3行大于等于第3行的范围内；网点生成模型的大聚集点的直径是7时，随机数代表的点的位置要在小于等于N-3列大于等于第4列以及小于等于N-3行大于等于第4行的范围内；网点生成模型网点的大聚集点直径是8时，随机数代表的点的位置要在小于等于N-4列大于等于第4列以及小于等于N-4行大于等于第4行的范围内,N为依据输出设备分辨率与单通道灰度图分辨率的比值和构成矩阵网格的行数和列数；确定随机数代表的点为大聚集点的中心点后，按照网点生成模型指定的聚集点生成方式，完成大聚集点的生长；乘同余伪随机函数继续产生随机数，若该随机数代表的点八邻域范围内四角被占用的数量小于等于1,该点作为小聚集点的中心点，生成一个小聚集点；否则,返回随机函数,继续生成下一个随机数代表的点,重复以上循环生成小聚集点直到完成一个像素的加网。

另外，通过乘同余伪随机函数产生编码位置的随机数作判定和处理的方法是，当参数M随机选取区间(4*N*N-100)～4*N*N之间素数中的某个值时,若X_n+1=X_n*a(modM)函数生成的随机X_n+1大于N*N时,将[X_n+1/4]作为进入下一步判断的随机数,若[X_n+1/4]所对应的编码位置不可用，即不适合作为聚集点的中心点，则继续生成下一个随机数，若[X_n+1/4]所对应的编码位置可用，则按照程序要求生成聚集点后，继续生成下一个随机数，[X_n+1/4]表示X_n+1除以4的值按四舍五入取整；当M值随机选取N*N～(N*N+100)之间的素数系列中的一个值时，X_n+1=X_n*a(modM)函数产生的随机数X_n+1大于N*N的值时，将X_n+1的值赋给X_n，继续选取下一个随机数，若X_n+1小于N*N，判断X_n+1所代表的位置是否可以作为聚集点的中心点，若可以，则按照程序要求生成聚集点后，将X_n+1的值赋给X_n，继续生成下一个随机数，否则，直接将X_n+1的值赋给X_n，继续生成下一个随机数，如此循环直到完成一个像素的加网。

进一步，根据数字印刷机的输出分辨率以及原图分辨率的比值,以及比值的平方的值来确定乘同余伪随机函数X_n+1=X_n*（modM）中参数M的选择范围，乘同余伪随机函数的参数M的取值范围是随机选取在区间N*N～(N*N+100)筛选出的素数系列中的一个值，或在区(4*N*N-100)～4*N*N筛选出的素数系列中的一个值。

发明效果

本发明提供的自适应混合加网的方法，其具有步骤：输入原稿数字图像,输出分通道的单通道灰度图像，根据输出设备分辨率与灰度图像的分辨率关系构建方块矩阵网格并对矩阵网格位置进行编码，通过筛选素数的方式限定乘同余伪随机函数的参数，在具备更好的周期性，读取灰度图像的像素值，并计算像素中聚集点的直径，构建不同的网点生成模型，将不同直径的聚集点对应相应的网点生成模型并生成相应的黑色或白色聚集点，能够具备更好的黑白对称性和对二值图像质量的控制性，根据不同直径的聚集点选择不同的区间所限制参数的乘同余伪随机函数产生的随机数进行条件判定和处理得到的对应编码位置作为中心位置生成聚焦点，完成对该像素的加网，能够具有更好的遍历性，不但结合了调幅加网和调频加网的优点还能够提高随机数的利用率，遍历灰度图像，完成对整幅灰度图像的加网，对所有通道的灰度图完成加网，得到所有通道灰度图的二值图像，结合上述的步骤本发明提供的混合加网方法可避免由于网点搭界导致的中间调网点扩大突然跃变的问题，有效改善调频加网的孤立的小网点在传递中的容易丢失、以及中间调粗糙、网点扩大严重等问题，实现了黑白网点的对称，对印刷套准精度要求不高，有利于二值图像硬拷贝输出的质量控制。

附图说明

图1是本发明基于限定参数的乘同余伪随机的混合加网方法的印刷技术方法流程图。

图2是一个网格中256个设备二值点位置的排序图。

图3是分通道的单通道灰度图加网流程图。

图4是网点生成模型5生成网点流程图(大聚集点的生成)。

图5是网点生成模型5生成网点流程图(小聚集点的生成)。

图6是大小聚集点示意图。

图7是大聚集点直径为6时的生成模式。

图8是灰梯尺图用AM、FM、HYBRID HALFTONING以及本发明的加网方法加网的效果图。

具体实施方法

以下结合附图对本发明的涉及的印刷技术中的自适应混合加网方法进行详细的说明。

实施例

图1为本发明基于限定参数的乘同余伪随机的混合加网方法的印刷技术方法流程图。

步骤S1-1:

由输入原稿数字图像，通过分色模块对彩色数字图像进行分色，获得数个分通道的单通道灰度图像，若图已经是分色之后的灰度图,就不需要分色了，获取数个单通道灰度图像。

步骤S1-2:

构建N*N方块矩阵网格，对矩阵网格中N*N的位置从左到右从上到下进行排序编码(以N=16为例，见附图2)，其中“*”表示乘积。根据输出设备分辨率（DPI）及灰度图分辨率（PPI）的比值N确定再现一个像素灰度时所需的设备二值点的数量N*N（N=DPI/PPI）。

步骤S1-3:

从步骤S1-1单通道灰度图像读取灰度图像的像素值，根据灰度图像的像素值计算像素中聚集点的直径的值,即、d=round((I/2)^1/2),d为聚集点的直径，I为读取的单通道灰度图像素灰度值，round()表示4舍5入取整的函数。

步骤S1-4:

建立15个网点生成模型，为网点生成模型1，网点生成模型2，网点生成模型3，网点生成模型4，网点生成模型5，网点生成模型6，网点生成模型7，网点生成模型8，网点生成模型9，网点生成模型10，网点生成模型11，网点生成模型12，网点生成模型13，网点生成模型14，网点生成模型15。网点生成模型1和网点生成模型15生成的网点，只包含小聚集点，其余网点生成模型生成的网点均由1个大聚集点和多个小聚集点组成。网点生成模型到第7网点生成模型是生成白色聚集点，第9网点模型到第15网点生成模型是生成黑色聚集点，第8网点生成模型可随机生成黑、白聚集点，保证黑点到白点的柔和过渡；第2网点生成模型和第14网点生成模型的大聚集点直径是3，第3网点生成模型和第13网点生成模型的大聚集点直径是4，第4网点生成模型和第12网点生成模型的大聚集点直径是5，第5网点生成模型和第11网点生成模型的大聚集点直径是6，第6网点生成模型第10网点生成模型的大聚集点直径是7，第7网点生成模型和第9网点生成模型的大聚集点直径是8，第8网点生成模型的大聚集点直径是8，随机生成黑白聚集点。

步骤S1-5:

根据设备二值点的数量N*N限定乘同余伪随机函数X_n+1=X_n*a(modM)的参数M。当大聚集点的直径小于等于4时，随机在N*N～（N*N+100）的区间内筛选一个素数为参数M的值。当大聚集点直径是5到8时，在4*N*N-100～4*N*N的区间内随机筛选出一个素数为参数M的值,参数a值的选取是按a=8k±3的规则，k为正整数，初始值X0取1到100之间的自然数，乘同余伪随机函数为递归函数。

步骤S1-6:

通过乘同余伪随机函数产生X_n+1=X_n*a(modM)的随机数所代表的矩阵网格中的编码位置，并对该产生编码位置的素数作判定和处理直到符合生成聚集点的条件，作为中心位置生成聚集点，网点模型中大小聚集点的生成顺序为先生成直径较大的大聚集点，之后生成直径较小的小聚集点，完成对该像素的加网。步骤S1-7:

判断该分通道的单通道灰度图像的像素点加网是否遍历，如果没有遍历，则回到步骤S1-3,即、读取另一个像素灰度图像值，并根据S1-2再次构建新的方块矩阵网格，以相同的方式编码，完成从步骤S1-2和步骤S1-3到步骤S1-6，再次对该分通道的单通道灰度图像的像素点加网的遍历性进行判断，直到完成该单通道灰度图像的所有像素的加网。

步骤S1-8:

判断是否对所有分通道的灰度图完成加网，如果没有完成，则循环步骤S1-2到步骤S1-7，直到将所有分通道的灰度图完成加网，并生成二值图像，二值图像可以通过直接制印版或者制成加网胶片并经过晒版机晒版制作成印刷版上印刷机印刷来制作印刷品,或者在数字印刷机上直接印刷制成印刷品。

图2为一个矩阵网格中256个设备二值点位置的排序图。

如图2所示，当输出设备分辨率及灰度图分辨率的比值N=16时，则再现一个像素灰度所需的设备二值点的个数为16*16=256,并根据步骤S1-2根据行的从左至右，根据列的从上到下的顺序将1到256的数字一一对应矩阵网格的位置，完成矩阵网格中256个设备二值点的编码和排序。

图3为单通道灰度图加网流程图。

如图3所示，单通道灰度图加网流程图先由步骤S1-1得到数字灰度图像，然后进入步骤S1-3读取灰度图像的像素值的步骤，以输出设备分辨率与灰度图分辨率比值N=16,再现一个像素灰度需要设备二值点的个数N*N=256为例。

步骤S3-01：

读取像素灰度值I。

步骤S3-02:

判断该像素灰度值I是否等于128，进入网点生成模型8。

步骤S3-03:

判断该像素灰度值I否大于128。

步骤S3-03’:

如果该像素灰度值I大于128，则将256-I的值赋予I’。

步骤S3-04:

利用公式d=round((I/2)^1/2)，计算该像素中聚集点的直径d,其中roundl()函数是4舍5入取整的函数，根据该公式计算出的聚集点的直接可以用来选择网点生成模型。

步骤S3-05:

判断该像素中聚集点的直径d是否小于3，即、I<=12,进入网点生成模型1。

步骤S3-06:

判断该像素中聚集点的直径d是否等于3，即、13<=I<=24,进入网点生成模型2。

步骤S3-07:

判断该像素中聚集点的直径d是否等于4，即、25<=I<=40,进入网点生成模型3。

步骤S3-08:

判断该像素中聚集点的直径d是否等于5，即、41<=I<=60，进入网点生成模型4。

步骤S3-09:

判断该像素中聚集点的直径d是否等于6，即、61<=I<=84，进入网点生成模型5。

步骤S3-10:

判断该像素中聚集点的直径d是否等于7，即、85<=I<=112，进入网点生成模型6。

步骤S3-11:

判断该像素中聚集点的直径d是否等于8，即、113<=I<=127，进入网点生成模型7。

当该像素灰度值I大于128，则将256-I的值赋予I’，相应地有以下步骤。

步骤S3-04’:

利用公式d’=ceil((I’/2)^1/2)，计算该像素中聚集点的直径d’,其中ceil()函数是向上取整的函数，根据该公式计算出的聚集点的直径可以用来选择网点生成模型。

步骤S3-05’:

判断该像素中聚集点的直径d’是否小于3，即、I’<=12，进入网点生成模型15。

步骤S3-06’:

判断该像素中聚集点的直径d’是否等于3，即、13<=I’<=24，进入网点生成模型14。

步骤S3-07’:

判断该像素中聚集点的直径d’是否等于4，即、25<=I’<=40，进入网点生成模型13。

步骤S3-08’:

判断该像素中聚集点的直径d’是否等于5，即、41<=I’<=60，进入网点生成模型12。

步骤S3-09’:

判断该像素中聚集点的直径d’是否等于6，即、61<=I’<=84，进入网点生成模型11。

步骤S3-10’:

判断该像素中聚集点的直径d’是否等于7，即、85<=I’<=112，进入网点生成模型10。

步骤S3-11’:

判断该像素中聚集点的直径d’是否等于8，即、113<=I’<=127，进入网点生成模型9。

步骤S4-01:

网点生成模型1对该像素进行加网。

步骤S4-02:

网点生成模型2对该像素进行加网。

步骤S4-03:

网点生成模型3对该像素进行加网。

步骤S4-04:

网点生成模型4对该像素进行加网。

步骤S4-05:

网点生成模型5对该像素进行加网。

步骤S4-06:

网点生成模型6对该像素进行加网。

步骤S4-07:

网点生成模型7对该像素进行加网。

步骤S4-08:

网点生成模型8对该像素进行加网。

步骤S4-09：

网点生成模型9对该像素进行加网。

步骤S4-10:

网点生成模型10对该像素进行加网。

步骤S4-11:

网点生成模型11对该像素进行加网。

步骤S4-12:

网点生成模型12对该像素进行加网。

步骤S4-13:

网点生成模型13对该像素进行加网。

步骤S4-14:

网点生成模型14对该像素进行加网。

步骤S4-15:

网点生成模型15对该像素进行加网。

网点生成模型1和网点生成模型15生成的网点，只包含小聚集点，其余模型生成的网点均由1个大聚集点和多个小聚集点组成。

最后，如图3所示的单通道灰度图加网流程图经过步骤S1-8的判断，生成二值图像。

图4为网点生成模型5生成网点流程图(大聚集点的生成)。

由于，大小聚集点的生成顺序为，网点生成模型中包括大小聚集点的生成模型,先生成大聚集点，使其的位置有更大随意性，之后生成小聚集点，用同一个模型生成的网点,其大聚集点大小形状一样，位置随机。以输出设备分辨率与灰度图分辨率比值N=16,一个像素灰度实现的设备二值点的个数N*N=256为例。例如，当读取的图像像素灰度值61<=I<=84时，根据公式d=round((I/2)^1/2)计算得出d=6,则进入步骤S1-4的网点生成模型5。由于有像素中聚集点的直径d=6，由步骤S1-5限定和选取乘同余伪随机函数X_n+1=X_n*a(modM)的参数M和a值，以及初始值X₀。当大聚集点直径是5到8时，即、当d=6时，M选取4*N*N-100<M<4*N*N区间中的任意一个素数，即、[929,937,941,947,953,967,971,977,983,991,997,1009,1013,1019,1021]，a选取[29,35]（29和35两个数）中的任一个数，即、公式a=8k±3，29=8×4-3；35=8×4+3。另外，当大聚集点直径小于等于4时,M选取N*N<M<N*N+100区间中的素数系列中[257,263,269,271,277,281,283,293,307,311,317,331,337,347,349,353,359]任意一个数，a随机选取[13,19,21]其中一个数，13=8×2-3,19=8×2+3,21=8×3-3,限制条件是：当M>289时，a任意选取后两个数中的一个，M<289时，a任意选取前两个数中的一个。X0作为初始值，是从1到100的自然数中随机选取的一个数。

步骤S6-01:

完成限定和选取乘同余伪随机函数X_n+1=X_n*a(modM)的参数M和a值，以及初始值X₀之后，X_n+1=X_n*a(modM)是一个递归函数。由乘同余伪随机函数X_n+1=X_n*a(modM)产生的随机数，该随机数是用于产生像素中聚集点的中心位置，该中心位置位于矩阵网格中与编码位置相等的位置。

步骤S6-02:

对由乘同余伪随机函数X_n+1=X_n*a(modM)产生的随机数X_n+1的值判断是否小于等于256。

步骤S6-03:

当由乘同余伪随机函数X_n+1=X_n*a(modM)产生的随机数X_n+1的值小于等于256时，将X_n+1的值赋值给J₂，J₂的值可用于后续判断聚集点在矩阵网格中所对应的编码位置。

步骤S6-03’:

当由乘同余伪随机函数X_n+1=X_n*a(modM)产生的随机数X_n+1的值大于256时，将X_n+1的值除以4并按四舍五入取整的值赋值给J₂，即、将X_n+1/4作为产生随机点的位置进入程序的下一步骤,以提高数据可用率和加网效率，J₂的值可用于后续判断像聚集点在矩阵网格中所对应的编码位置。

步骤S6-04:

根据J₂的值可确定产生的随机数所代表的中心点的位置。通过公式col=J₂Mod(16)，col代表矩阵网格的列，即、将J₂的值除以16求余，得到中心位置在矩阵网格中所在的列数，（在图5所示的流程图中，Rem(J₂,16)即表示J2Mod(16)）通过公式row=（J₂-col）/16+1(由于J2-col,即将余数减去，所以(J2-col)/16的数必是一个整数)可确定中心位置在矩阵网格中所在的行数，最终确定该中心点位置在矩阵网格中所在的位置。

步骤S6-05:

根据行数row和列数col的值我们可以判定所在的中心位置是否能够产生该直径大小的大聚集点，以直径为6的聚集点为例，产生的随机数代表的中心点位置在矩阵网格中所在位置要满足要求为，在小于等于13列大于等于第3列以及小于等于13行大于等于第3行的范围内，即、作col＞13||col＜3||row＜3||row＞13的判定，其中“||”代表“或”运算。

另外，当像素中大聚集点取其它直径的值时，在该像素矩阵网格中的中心位置是否能够产生该大聚集点的具有以下规则：

（1）当该像素中网点的大聚集点直径是3时，随机数代表的中心位置要满足如下要求：在小于等于15列大于等于第2列以及小于等于15行大于等于第2行的范围内。

（2）当该像素中网点的大聚集点直径是4时，随机数代表的中心位置要满足如下要求：在小于等于14列大于等于第3列以及小于等于14行大于等于第3行的范围内。

（3）当该像素中网点的大聚集点直径是5时，随机数代表的中心位置要满足如下要求：在小于等于14列大于等于第3列以及小于等于14行大于等于第3行的范围内。

（4）当该像素中网点的大聚集点直径是7时，随机数代表的中心位置要满足如下要求：在小于等于13列大于等于第4列以及小于等于13行大于等于第4行的范围内。

（5）当该像素中网点的大聚集点直径是8时，随机数代表的中心位置要满足如下要求：在小于等于13列大于等于第5列以及小于等于13行大于等于第5行的范围内。

步骤S6-06:

当判断col＞13||col＜3||row＜3||row＞13为非时，表明该中心点位置可以产生直径为6的，形状对称的大聚集点，即、生成包含24个设备二值点的大聚集点。

另外，组成大聚集点的设备二值点的个数和该大聚集点的直径的对应关系为：大聚集点直径是3,包括5个设备二值点大聚集点直径是4时，包含12个设备二值点；大聚集点直径是5时，包含18个设备二值点；大聚集点直径是6时，包含24个设备二值点；大聚集点直径是7时，包含32个设备二值点；大聚集点直径是8时，包含40个设备二值点。

此外，网点生成模型5生成的是白色的聚集点，其它网点生成模型生成的聚集点的颜色具有以下规则:网点生成模型1到网点生成模7是生成白色聚集点，网点生成模型9到网点生成模型15是生成黑色聚集点，网点生成模型8可随机生成黑、白聚集点，保证黑点到白点的柔和过渡,本加网方式可实现全阶调加网的黑白对称。

步骤S6-06’:

当判断col＞13||col＜3||row＜3||row＞13为是时，将X_n+1的值赋值给X_n,再次使用乘同余伪随机函数X_n+1=X_n*a(modM)产生新的随机数，并对该随机数所表示的在矩阵网格中的中心点位置进行生成小聚集点条件的判别。

步骤S6-07:

当生成完一个包含24个设备二值点的大聚集点后，像素灰度值I将减去24并赋值给变量GrayValue，即该像素灰度值I减去已生成的大聚集点的设备二值点的数量。

步骤S6-08:

将GrayValue的值除以3,所得到的值向下取整，得到的数为产生独立的小聚集点的个数，即,本实施例中小聚集点由3个设备二值点组成,即、公式nSdot=floor(GrayValue/3)，其中，nSdot表示独立的小聚集点的个数。小聚集点的大小一般设定为最终印刷输出设备能够稳定再现的最小尺寸，由少数几个设备二值点聚集而成，聚集点的直径表示，在单联通的聚集点内最长的设备二值点的排列，大聚集点的直经为大于等于3，小聚集点的直径小于3。

同时，将GrayValue除以3求同余，即、pSpot=GrayValue(Mod3)(在图5中为公式rem(GrayValue,3)表示)，得到pSpot的值表示数量小于3而无法组成小聚集点的剩余设备二值点的个数。

该步骤可以得到产生独立的小聚集点的数量和数量小于3而无法组成小聚集点的剩余设备二值点的个数。

步骤S6-09：

判断pSpot的值是否等于2，若等于2，则进入小聚点生成模型2；若该值不等于2，则进入下一个判定。

步骤S6-10:

使用小聚集点生成模型2来完成对该像素的加网。小聚点生成模型2指的是当在该像素中生成所有的由3个设备二值点聚集的小聚集点之后，只需使用由2个设备二值点聚集的直径为2的小聚集点来完成对该像素的加网。

步骤S6-11:

判断pSpot的值是否等于1，若等于1，则进入小聚点生成模型1；若该值不等于1，则进入小聚点生成模型0。

步骤S6-12:

使用小聚集点生成模型1来完成对该像素的加网。小聚点生成模型1指的是当在该像素中生成所有的由3个设备二值点聚集的小聚集点之后，只需使用由1个设备二值点聚集的直径为1的小聚集点来完成对该像素的加网。

步骤S6-13:

使用小聚集点生成模型0来完成对该像素的加网。小聚点生成模型0指的是当在该像素中生成所有的由3个设备二值点聚集的小聚集点之后即完成对该像素的加网。

图5为网点生成模型5生成网点流程图(小聚集点的生成)。

如图5所示，以小聚点模型1为例，当pSpot的值为1时，先产生直径为3的小聚点，该小聚点由3个设备二值点组成，小聚集点数量随像素灰度值的变化，小聚集点位置随机，小聚集点的中心生长点不能放在第一行、最后一行、第一列和最后一列，因为高光部分包括很少的黑点，暗调部分包括很少的白点，因此通过这样的限定，使得图像中高光和暗调部分，网点不搭界，中间调部分网点尽可能少搭界。

当在该像素中生成所有的由3个设备二值点聚集的小聚集点之后，最后使用由1个设备二值点聚集的直径为1的小聚集点来完成对该像素的加网。具有以下步骤：

步骤S6-1201：

将X_n+1的值赋给X_n。

步骤S6-1202:

将经过步骤S6-11的随机数赋值带入乘同余伪随机函数X_n+1=X_n*a(modM)继续产生新的随机数，此时由于，灰度图像值I减去了24，并将该值赋值给了GrayValue，此时根据公式，聚集点直径小于等于4时,M选取N*N<M<N*N+100的区间中的素数序列中的任意一个数，即、下列序列中任意一数：[257,263,269,271,277,281,283,293,307,311,317,331,337,347,349,353,359]，参数a的限定为，随机选取[13,19,21]其中一个数，13=8×2-3,19=8×2+3,21=8×3-3,限制条件是：当M>289时，a任意选取后两个数中的一个，M<289时，a任意选取前两个数中的一个。

步骤S6-1203:

对新产生的随机数X_n+1进行判断，是否小于等于256。

步骤S6-1204:

若新产生的随机数X_n+1小于等于256，就将X_n+1的值赋值给变量J₂，J₂即表示该小聚集点放置在矩阵网格的位置。

步骤S6-1204’:

若新产生的随机数X_n+1大于256，则将X_n+1的值除以4，即、X_n+1/4，将结果按照四舍五入取整，并将该值赋给变量J₂,J₂即表示该小聚集点的中心点在矩阵网格的位置。

步骤S6-1205:

判断在J₂的位置是否被占用，以及在J₂的位置所在的设备二值点的4个领域中是否有任意一点已被占用，即、有已生成的设备二值点。

该步骤的目的是为了确定小聚集点中心点，即、为保证聚集点之间尽可能不搭界，对小聚集点的中心点加以限制。若随机数代表的点被占用或其4邻域范围内有大于等于1个点被占用，则该随机点不可作为中心点使用，回到步骤S6-11继续产生随机数。

其中，设备二值点的领域指的是，与该设备二值点网格共边的设备二值点网格。

步骤S6-1206：

判断其8邻域范围的4个角点是否有点被占用，若被占用数量大于1，则该中心点不可用来生成小聚集点，回到步骤S6-11继续产生随机数。

其中，设备二值点的角点指的是，与该设备二值点网格有共同端点的设备二值点网格。

步骤S6-1207:

生成聚集点数为3的直径为2的小聚集点。其所代表位置的点作为小聚集点的中心生成点，在其上或下方选择一点，在其左或右方选择一点，生成一个包含3个设备二值点的小聚集点，其选择生成规则为:若中心点的8邻域范围有一个角点被占用，则小聚集点往其相反方向生长，即中心点位置为中间的J₂，假设其左上角位置（J₂）-17已被占用，则聚集点只能占用其下方的（J₂+16）和右方的位置（J₂+1）生成聚集点，其余角点被占用时，以此类推；若中心点的8邻域范围没有点被占用，则随机选择中心点上或下方一个点，再随机选择其左方或右方的一个点，生成小聚集点。

步骤S6-1208：

生成完成一个聚集点数为3的小聚集点后，将变量nSdot的值减去1，并再次赋值给nSdot。

步骤S6-1209:

判断变量nSdot的值是否为0。若为0，则表明在该像素中生成聚集点数为3的小聚集点过程结束,完成了所有的聚集点数为3的小聚集点；若不为0，则回到步骤S6-11重新生成随机数。

步骤S6-1210:

在生成完所有的聚集点数为3的小聚集点以后，将当前X_n+1的值赋给X_n。

步骤S6-1211：

利用乘同余伪随机函数X_n+1=X_n*a(modM)继续产生新的随机数，该随机数为聚集数为1的小聚集点在该像素的矩阵网格中的位置。

步骤S6-1212：

判定由该随机数所产生的位置是否能在该像素的矩阵网格的范围内，即、判定X_n+1的值是否小于等于256。

步骤S6-1213:

当X_n+1的值是小于等于256时，将X_n+1的值赋给变量J₂,J₂即表示该小聚集点放置在矩阵网格的位置。

步骤S6-1213’:

当X_n+1的值大于256时，则将X_n+1的值除以4，即、X_n+1/4，将结果按照四舍五入取整，并将该值赋给变量J₂,J₂即表示该小聚集点放置在矩阵网格的位置。

步骤S6-1214:

对J₂所代表的该小聚集点放置在矩阵网格的位置作判定，判定该点是否已被占用，即J₂的值是否与前述的变量J₂的值重合。若J₂表示的设备二值点已被占用，则返回到步骤S6-1210,继续生成新的随机数；若该设备二值点未被占用，则进入下一步骤。

步骤S6-1215:

由于该设备二值点未被占用，在J2值所表示的二值点生成聚集点数为1的小聚点，即、完成了该像素点的加网。

图6为大小聚集点示意图。

如图6所示，大聚集点由多个设备二值点聚集而成，其直径数值表示大聚集点最长的直径部分包含的设备二值点的数量,大聚集点的形状为钻石型，在横、纵两个方向上都可表示直径，并且呈对称的形状。当像素灰度值I=63时，根据公式d=round((I/2)^1/2)计算得出：d=6,即、进入网点生成模型5，步骤S4-05对该像素进行加网，由网点生成模型的生成聚集点的规则，先生成大聚集点，即、生成由设备二值点的数量为24的聚集的直径为6的大聚集点用同一个模型生成的网点,其大聚集点大小形状一样，位置随机。先利用乘同余伪随机函数X_n+1=X_n*a(modM)(参数的限定规则如上文)产生的随机数表示的聚集点的中心位置，当X_n+1=115的时候，该大聚集点的中心点在矩阵网格中的位置编码为115的设备二值点处，按照网格模型指定的生成模式，完成大聚集点的生长。

在生成完大聚集点之后，生成小聚集点。首先将像素灰度值I减去已生成大聚集点的24个设备二值点，即、I=61-24=37，并根据公式：nSdot=floor(37/3)=12,nSpot=37mod3=1。nSdot=12,即、生成12个聚集数为3的，直径为2的小聚集点。该小聚集点的形状是中心位置设备二值点在横、纵方向上各有一个设备二值点与此共边，聚集成一个聚集数为3的直径为2小聚集点。小聚集点生成的中心位置满足以下条件：设备二值点的4个领域中是否有任意一点已被占用，以及判断其8邻域范围的4个角点是否有点被占用，若被占用数量大于1，则该中心点不可用来生成小聚集点；nSpot=1，即、进入小聚点生成模型1，在生成完12个聚集数为3的小聚集点后，在未被使用的矩阵网格上的设备二值点中随机生成1个点，完成对该像素的加网。

图7为大聚集点直径为6时的生成模式。

如图7所示，生成模式如下（其中j2=115，模型中的数据代表矩阵网格中该数据对应的位置）：

reminder(j2-32:j2-31)=1;

reminder(j2-17:j2-14)=1;

reminder(j2-2:j2+3)=1;

reminder(j2+14:j2+19)=1;

reminder(j2+31:j2+34)=1;

reminder(j2+48:j2+49)=1;

在上述表示大聚集点生成模式的第1行中，j2表示的是点的位置，当reminder()的值等于1时，j2-32:j2-31代表的位置点,即、j2-32到j2-31的点被改成白点。第二行表示第一行中上述两点的下一行中被涂白的点的位置，并以下各行的意义依次类推。

在第3、第4行中，这两行都包括了6个点，中间的两点是大聚集点的中心位置，即中心位置有四个点，其中位置j2是这四个中心点的左上角位置，即大聚集点直径为偶数时，大聚集点的生长点均是其四个中心点的左上角位置点，并按照模型中的数据告诉程序哪些点需要由黑点变为白点。

生成白聚集点时，首先将网格矩阵中的点都涂黑，然后按照网点模型将相应的点涂白，黑聚集点，反之亦然。

另外，j2即为上述步骤中的J₂变量，X_n+1的值已赋给J₂。大聚集点由多个设备二值点聚集而成，其直径数值表示大聚集点最长的直径部分包含的设备二值点的数量，如图7所示的第3、4行和第3、4列。按上述规则生成的大聚集点的形状为钻石型，在横、纵两个方向上都可表示直径，并且呈对称的形状，最终形成如图6所示的直径为6的大聚集点。

如图8所示，从左至右依次是AM、FM、HYBRID HALFTONING以及本发明的加网方法加网的效果图。

从AM加网方式（调幅加网）的效果图，其具有点的数量不变，以点的大小改变来再现图像的阶调层次，点的中心位置固定且点与点之间距离固定。从FM加网方式（调频加网）的效果图，其具有聚集点大小不变，数量改变，通过小点子的数量多少来表现原稿图像的阶调层次，小点子的中心位置点随机的特点。

从HYBRID HALFTONING加网方式（混合加网）的效果图，其具有高光（白色聚点）与暗调（黑色聚点）部分用随机调频加网，而中间调部分用网点位置随机的调幅加网的加网方法。

从本发明涉及的自适应混合加网方法的效果图，其由大小聚集点组成，大小聚集点的中心位置随机，通过大聚集点的大小的变化以及小聚集点的数量的变化大来再现原稿图像的阶调层次，黑色与白色网点对称。

具体实施例的作用与效果：

根据具体实施例所涉及的印刷技术中的自适应混合加网方法，由于根据读取的不同的像素灰度值，制定了分类规则和建立了相应的网点生成模型，有利于二值图像硬拷贝输出的质量控制。

又根据像素值的大小分成两类，并由两组网点生成模型生成黑色或白色的大小聚集点组成的网点，得到的黑白网点对称，由于聚集点的位置随机，不用考虑加网角度的问题，有效避免了调幅加网中的龟纹问题，适合高保真印刷的加网。

读取像素灰度值和依据此值计算出的聚集点半径，并先生成大聚集点。根据不同的区间，限定乘同余伪随机函数的参数。并对随机数所表示的大聚集点生成的中心位置作判定，最大限度的利用产生的随机数，可以增加随机数的使用效率。

当大聚集点生成以后，生成小聚集点。同样使用乘同余伪随机函数产生的随机数，并判定该随机数所表示的小聚点生成的位置作判定，生成聚集点数为3，直径为2的小聚集点。

本混合加网方法对所有分通道的都采取相同的混合加网方式，削弱了调幅加网中中间调部分网点搭界导致的网点扩大突然跃变的问题，有效改善调频加网孤立的小网点在传递中的容易丢失、以及中间调粗糙、网点扩大严重等问题。有利于印刷过程中的质量控制，对印刷套准精确度要求不高，有利于二值图像硬拷贝输出的质量控制，也适用于较高分辨率的二值数字印刷机的加网输出。

Claims

1.一种印刷技术中的自适应混合加网方法，其特征在于，包括以下具体步骤：

(1)输入原稿数字图像，通过分色模块对彩色数字图像进行分色，获得复数个分通道的单通道灰度图像，如果已经是单通道灰度图,就不用分色；

(2)根据输出设备分辨率（DPI）及单通道灰度图分辨率（PPI）之间的比值得到一个像素灰度所需设备二值点的数量，构建以设备二值点所对应的方块矩阵网格，对所述矩阵网格中的位置进行排序编码，所述设备二值点数量为所述输出设备分辨率与单通道灰度图分辨率的比值的平方；

(3)从分通道的单通道灰度图像读取灰度图像的每一个像素的像素值，根据所述灰度图像的像素值计算像素中聚集点的直径的值；

(4)构建复数个网点生成模型，根据所述聚集点的直径的值选择所述网点生成模型,不同的所述网点生成模型分别生成白色聚集点和黑色聚集点；

(5)限定乘同余伪随机函数X_n+1=X_n*a(modM)中参数M的取值范围，所述参数M值的选择是在与所述设备二值点数量的数相关的区间内进行随机筛选的一个素数，或根据不同的情况乘以一定的系数从而在不同的相关区间内随机筛选一个素数，参数a值的选取是按a=8k±3的规则，k为正整数，初始值X₀取1到100之间的自然数，所述乘同余伪随机函数为递归函数，其中“*”表示乘积；

(6)通过所述乘同余伪随机函数产生的随机数所代表的所述矩阵网格中的编码位置作为中心位置生成聚集点，并对产生的所述产生编码位置的随机数作判定和处理，直到符合生成聚集点的条件，作为中心位置生成聚集点，完成对该像素的加网或二值化；

(7)重复(3)到(6)步，遍历灰度图像，完成对整幅灰度图像的加网，即将连续调图像变为二值图像；

(8)重复(2)到(7)步对所有通道的灰度图完成加网，得到二值图像，所述二值图像可以通过直接制印版或者制成加网胶片并经过晒版机晒版制作成印刷版来制作印刷品,或者在数字印刷机上直接印刷制成印刷品。

2.根据权利要求1所述自适应混合加网方法，其特征在于：

其中，对所述矩阵网格按行从左到右，按列从上到下的顺序将1到所述设备二值点数量的数对所述矩阵网格的位置进行编码。

3.根据权利要求1所述自适应混合加网方法，其特征在于：

其中，所述乘同余伪随机函数的参数M的取值范围是随机选取在区间N*N~(N*N+100)筛选出的素数系列中的一个值，或在区间(4*N*N-100)~4*N*N筛选出的素数系列中的一个值，N为输出设备分辨率与单通道灰度图分辨率之间的比值和所述矩阵网格的行数和列数，即N*N为一个像素对应的矩阵网格中设备二值点的个数。

4.根据权利要求1所述自适应混合加网方法，其特征在于：

其中，根据不同灰度级像素值计算出的聚集点的直径分别对应15个网点生成模型，为第1网点生成模型，第2网点生成模型，第3网点生成模型，第4网点生成模型，第5网点生成模型，第6网点生成模型，第7网点生成模型，第8网点生成模型，第9网点生成模型，第10网点生成模型，第11网点生成模型，第12网点生成模型，第13网点生成模型，第14网点生成模型，第15网点生成模型。

5.根据权利要求1所述自适应混合加网方法，其特征在于：

其中，读取所述单通道灰度图像素灰度值,并根据所述单通道灰度图像素灰度值计算所述聚集点的直径，即、d=round((I/2)^1/2),d为所述聚集点的直径，I为读取的所述单通道灰度图像素灰度值，round()表示向上取整的函数。

6.根据权利要求1所述自适应混合加网方法，其特征在于：

其中，当所述大聚集点小于等于4时，所述乘同余伪随机函数的参数M的值随机选取区间N*N~（N*N+100）筛选出的素数系列的一个值，当所述大聚集点直径在5到8之间时，M的值选取区间4*N*N~(4*N*N-100)筛选出的素数系列的一个值，N输出设备分辨率与单通道灰度图分辨率之间的比值和构成述矩阵的行数和列数，即N*N为一个像素对应的矩阵网格中包含的设备二值点的个数。

7.根据权利要求1所述自适应混合加网方法，其特征在于：

其中，网点模型中大小聚集点的生成顺序为先生成直径较大的大聚集点，之后生成直径较小的小聚集点；

所述网点生成模型中的小聚集点的大小一般设定为最终印刷输出设备能够稳定再现的最小尺寸，由少数几个设备二值点聚集而成，聚集点的直径表示，在单联通的聚集点内最长的设备二值点的排列，所述大聚集点的直经为大于等于3，所述小聚集点的直径为小于3，一个像素加网结束前,最终剩余的设备二值点数无法满足生成一个聚集数为3的小聚集点所需设备二值点时,直接由剩余点数聚集而成一个小聚集点，即聚集数为1或聚集数为2的小聚集点；

相同所述网点生成模型生成的网点,其大聚集点大小形状一样，位置随机，小聚集点大小形状一样，数量随像素灰度值的变化而变化，小聚集点位置随机；

第1网点生成模型和第15网点生成模型生成的网点，只包含小聚集点，其余网点生成模型生成的网点均由1个大聚集点和多个小聚集点组成；

第1网点生成模型到第7网点生成模型是生成白色聚集点，第9网点模型到第15网点生成模型是生成黑色聚集点，第8网点生成模型可随机生成黑、白聚集点，保证黑点到白点的柔和过渡；

第2网点生成模型和第14网点生成模型的大聚集点直径是3，第3网点生成模型和第13网点生成模型的大聚集点直径是4，第4网点生成模型和第12网点生成模型的大聚集点直径是5，第5网点生成模型和第11网点生成模型的大聚集点直径是6，第6网点生成模型第10网点生成模型的大聚集点直径是7，第7网点生成模型和第9网点生成模型的大聚集点直径是8，第8网点生成模型的大聚集点直径是8，随机生成黑白聚集点。

8.根据权利要求2所述自适应混合加网方法，其特征在于：

其中，利用X_n+1=X_n*a(modM)生成可用的随机数，其代表的位置作为产生大聚集点的中心点生成大聚集点；

所述网点生成模型的大聚集点的直径是3时，随机数代表的点的位置要在小于等于N-1列大于等于第2列以及小于等于N-1行大于等于第2行的范围内；

所述网点生成模型的大聚集点的直径是4时，随机数代表的点的位置要在小于等于N-1列大于等于第3列以及小于等于N-1行大于等于第3行的范围内；

所述网点生成模型的大聚集点的直径是5时，随机数代表的点的位置要在小于等于N-2列大于等于第3列以及小于等于N-2行大于等于第3行的范围内；

所述网点生成模型的大聚集点的直径是6时，随机数代表的点的位置要在小于等于N-3列大于等于第3列以及小于等于N-3行大等于第3行的范围内；

所述网点生成模型的大聚集点的直径是7时，随机数代表的点的位置要在小于等于N-3列大于等于第4列以及小于等于N-3行大于等于第4行的范围内；

所述网点生成模型网点的大聚集点直径是8时，随机数代表的点的位置要在小于等于N-4列大于等于第4列以及小于等于N-4行大于等于第4行的范围内,N为依据所述输出设备分辨率与单通道灰度图分辨率的比值和构成所述矩阵网格的行数和列数；

确定所述随机数代表的点为大聚集点的中心点后，按照网点生成模型指定的聚集点生成方式，完成聚集点的生长；

若所述随机数代表的点八邻域范围内四角被占用的数量小于等于1,所述随机数代表的点作为小聚集点的中心点，生成一个小聚集点；否则,返回随机函数,继续生成下一个随机点；以及

重复生成小聚集点直到完成一个像素的加网。

9.根据权利要求1所述自适应混合加网方法，其特征在于：

其中，通过所述乘同余伪随机函数产生编码位置的随机数作判定和处理的方法是，当所述参数M随机选取区(4*N*N-100)~4*N*N之间素数中的某个值时,若X_n+1=X_n*a(modM)函数生成的随机X_n+1数大于N*N时,将[X_n+1/4]作为进入下一步判断的随机数,若[X_n+1/4]所对应的编码位置不可用，即、不适合作为聚集点的中心点，则继续生成下一个随机数，若[X_n+1/4]所对应的编码位置可用，则按照程序要求生成聚集点点后，继续生成下一个随机数，[X_n+1/4]表示X_n+1除以4的值按四舍五入取整；

当M值随机选取N*N~(N*N+100)之间的素数系列中的一个值时，X_n+1=X_n*a(modM)函数产生的随机数X_n+1大于N*N的值时，将X_n+1的值赋给X_n，继续选取下一个随机数，若X_n+1小N*N，判断X_n+1所代表的位置是否可以作为聚集点的中心点，若可以，则按照程序要求生成聚集点后，将X_n+1的值赋给X_n，继续生成下一个随机数，否则，直接将X_n+1的值赋给X_n，继续生成下一个随机数，如此循环直到完成一个像素的加网。

10.根据权利要求1~9所述自适应混合加网方法所涉及数字印刷机，其特征在于：

其中，根据所述数字印刷机的输出分辨率以及原图分辨率的比值,以及所述比值的平方的值来确定所述乘同余伪随机函数X_n+1=X_n*a（modM）中参数M的选择范围，所述乘同余伪随机函数的参数M的取值范围是随机选取在区间N*N~(N*N+100)筛选出的素数系列中的一个值，或在区(4*N*N-100)~4*N*N筛选出的素数系列中的一个值。