CN106506901B - 一种显著性视觉注意模型的混合式数字图像半色调方法 - Google Patents
一种显著性视觉注意模型的混合式数字图像半色调方法 Download PDFInfo
- Publication number
- CN106506901B CN106506901B CN201610828008.6A CN201610828008A CN106506901B CN 106506901 B CN106506901 B CN 106506901B CN 201610828008 A CN201610828008 A CN 201610828008A CN 106506901 B CN106506901 B CN 106506901B
- Authority
- CN
- China
- Prior art keywords
- image
- error
- halftoning
- value
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000007 visual effect Effects 0.000 title claims abstract description 35
- 230000010332 selective attention Effects 0.000 claims abstract description 24
- 238000009792 diffusion process Methods 0.000 claims abstract description 22
- 230000003935 attention Effects 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/40—Picture signal circuits
- H04N1/405—Halftoning, i.e. converting the picture signal of a continuous-tone original into a corresponding signal showing only two levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及一种显著性视觉注意模型的混合式数字图像半色调方法,属于图像处理技术领域。本发明应用一种自下而上的视觉选择性注意模型,从输入图像中通过高斯金字塔和“中心‑周边”算子计算得出图像强度、颜色和方向的特征图。各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域ROIs。在ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化。在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调的并行计算。应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像。
Description
技术领域
本发明涉及一种显著性视觉注意模型的混合式数字图像半色调方法,属于图像处理技术领域,适用于印刷出版领域的数字图像印前处理技术。
背景技术
数字半色调是计算机输入/输出的重要支撑技术,解决了仅具备二值再现能力的设备无法直接输出多灰度级图像的矛盾。对于连续调图像,在输出前必须通过数字图像半色调技术将之转换为适合输出的黑白二值图像,所以连续调图像的数字半色调算法对图像输出效果起着尤为关键的作用。
半色调之所以能够模拟连续调图像是依赖于人眼视觉系统的低通或带通滤波器的特性,而且半色调图像的质量最终是由人眼视觉系统进行评价的,因此视觉系统的研究在半色调算法的设计中是十分重要的。视觉注意是人类视觉处理过程中的一项重要心理调节机制,在视觉信息处理过程中,总是能迅速选择少数几个显著对象进行优先处理,而忽略或舍弃其它的非显著对象,从而极大的提高视觉信息处理的工作效率。
目前数字图像半色调方法主要包括有序抖动、误差扩散和优化方法。有序抖动算法复杂度低,只需将图像中各像素灰度值与空变阈值逐一对比,根据对比结果确定半色调图像的二元值,此方法快速而简单,但得到的图像质量是最低的。误差扩散算法是将当前像素的量化误差按一定比例扩散到邻接像素上,这样局部的量化误差就在相邻像素上得到补偿,产生在图像清晰再现区域中具有平滑纹理的半色调图像,但是,这种方法还产生“蠕虫”现象。优化方法通过计算使感知误差测度最小的二值像素最优配置来实现数字图像半色调,但需要大量计算,对一些实时应用不可行。三类方法中,优化方法计算复杂度最高,但其半色调图像质量总体优于有序抖动和误差扩散半色调图像质量。
发明内容
本发明提供了一种显著性视觉注意模型的混合式数字图像半色调方法,以用于得到高质量的半色调图像,处理速度较快。
本发明是一种在诸如激光制版机、激光打印机和显示器等二值输出设备上再现原图像的图像处理技术。包括本发明应用一种自下而上的视觉选择性注意模型,从输入图像中通过高斯金字塔和“中心-周边”算子计算得出图像强度、颜色和方向的特征图。各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域(Regions of Interest,ROIs)。在ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化。在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调的并行计算。应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像。
本发明的技术方案是:一种显著性视觉注意模型的混合式数字图像半色调方法,所述方法的具体步骤如下:
A、将连续调图像转换成灰度图像并判断灰度图像是否是标准的2n×2n灰度图像;
B、应用一种自下而上的视觉选择性注意模型,从输入图像中通过高斯金字塔和“中心-周边”算子计算得出图像强度、颜色和方向的特征图;
C、各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域ROIs;
D、在图像的感兴趣区域ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化;
E、在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调的并行计算;
F、应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像。
所述步骤B中,图像强度、颜色和方向的特征图建立的具体步骤如下:
B1、用r,g,b表示输入图像的红、绿、蓝通道,强度图像I=(r+g+b)/3来获得,I用来产生高斯金字塔I(σ),其中σ∈{0...5}为等级;
B2、四个彩色通道红色、绿色、蓝色和黄色的值为R=r-(g+b)/2,G=g-(r+b)/2,B=b-(r+g)/2,Y=(r+g)/2-(r-g)/2-b,如出现负数值被赋值为0,产生四个高斯金字塔R(σ),G(σ),B(σ)和Y(σ);
B3、一个“中心”精细等级c与一个“周围”粗糙等级s之间的中心-周围误差就产生了特征图;
B4、第一个特征图的集合与亮度对比有关,亮度对比在两种类型的敏感性同时计算出来,放在I(c,s)图的集合中,其中c∈{2,3},s=c+δ,δ∈{1,2},I(c,s)=|I(c)θI(s)|;两种类型的敏感性包括人类视觉系统中由对亮背景-暗中心敏感或对暗背景-亮中心敏感;
B5、第二个特征图通过彩色通道进行构建,视觉选择性注意模型中产生的图RG(c,s)同时说明了红色/绿色和绿色/红色这一对相反的情况,RG(c,s)=|(R(c)-G(c))θ(G(s)-R(s))|,BY(c,s)则说明蓝色/黄色和黄色/蓝色这一对相反的情况,BY(c,s)=|(B(c)-Y(c))θ(Y(s)-B(s))|;
B6、第三个特征图的集合是通过使用带方向的Gabor金字塔O(σ,θ)得到的图像中局部方向信息,其中σ∈{0...5}等级,θ∈{0°,45°,90°,135°)是选择的方向,方向特征图O(c,s)=|O(θ,c)θO(θ,s)|。
所述步骤C中,各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域ROIs的具体步骤如下:
C1、设置一个归一化的算子N(·)来显示具有少数重要区域的特征图而抑制包含很多重要区域的图;
C2、把特征图的图像值归一化到一个固定范围[0,M]中,以消除由于特征不同而带来的取值范围不同;
C3、找出图中的全局最大值M,并计算所有局部最大值的平均值把全图乘以
C4、在显著度图的某个σ等级,用表示强度,表示颜色,表示方向,这3个“显著度图”通过跨等级相加来获得,这种相加由每个图与等级σ相减和逐点相加构成,则为合并后的总显著图。
所述步骤D中,在感兴趣区域ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化的具体步骤如下:
D1、对于一副图像像素点(i,j),给定一个初始二值估计图像[bi,j],找到输出图像的二值bi,j,使得平方差最小,i,j表示图像像素;Bi,j表示像素八邻域;zi,j表示视觉误差;wi,j表示打印机模型误差;
D2、假定Βi,j的邻域足够大,保证最小化Ei,j等同于最小化ε,为了能够得到较小的误差和较好的图像质量,在迭代过程中,每次最小化都是在相邻的一组像素间进行;给定一初始估计[bi,j],在(i,j)的邻域Ci,j∈Bi,j寻找二值bk,l,使得平方误差Ei,j最小,在Ci,j的八邻域系统中,测试29个可能的二值模式,使计算过程得到简化,使得加权平方值最小,其中Βi,j是点(i,j)的邻域,加权值 表示像素方差,ε表示整幅图像的全局平方误差;
D3、采用直接二值搜索算法DBS最小化原图像与半色调图像的误差来寻找最佳的二值输出;DBS应用一个人类视觉模型来减少半色调图像和原始图像的可见误差,视觉半色调定义如下:
是HVS模型的点扩散函数PSF;
a=2.6,b=0.0192,c=0.114,d=1.1
f-1二维空间的傅立叶逆变换;
原始图像和半色调图像的均方差仅仅是定义的互相关函数;
来评价半色调图像的网点,在连续空间感知误差为利用DBS最小化均方感知误差测度
定义一附加的自相关函数则
计算滤波器的自相关函数以及误差和滤波器间的互相关函数对每个像素进行“开关”计算和“交换”计算,在八邻域像素中改变像素值。
所述步骤E中,在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调并行计算的具体步骤如下:
E1、令w[k,l;a]和t[k,l;a]分别表示误差权重和阈值矩阵,则二值半色调输出
当吸收比等于0.5时,在直接二值搜索模式下阈值矩阵为:
其中tu(a)和tl(a)表示基于色调的参数,满足tu(a)≥tl(a),将t[m,n;a]带入g[m,n]中,则
E2、一个视觉代价函数用来评价亮调和暗调半色调图像的质量,和分别表示直接二值搜索模式和基于色调的误差扩散模式的离散傅里叶变换,则全局方差为很好的评价中间色调图像的质量;
E3、在感兴趣区域和非感兴趣区域利用一种并行计算模式来提高计算速度,缩短计算时间。
所述步骤F中,应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像的具体步骤如下:
F1、利用选择性注意模型算法自动提取出图像的显著度图,在显著度图中给出了每个像素的显著度值,用每个像素的显著度值来作为该像素在质量评价中的兴趣权值,在此基础上,对每个像素点都计算出一个权重因子,该权重因子反映了人眼对该像素的关注程度,再使用该权重因子对均方误差值MSE进行加权计算,得到对图像质量的评价结果;
F2、对原始图像f(m,n)根据选择性注意模型算法计算该图的显著度图S(m,n);
F3、对计算出来的显著度图S(m,n),进行归一化权重因子的计算:
F4、对原始图像和待测图像进行基于显著度的均方误差WMSE的计算:
F5、在WMSE的基础上进行基于显著度的峰值信噪比WPSNR的计算:
F6、对算法复杂度进行分析,进而得到最优半色调图像。
本发明的有益效果是:
1、组合了现有方法中优化方法和误差扩散方法中的优点,得到高质量的半色调图像。
2、利用本发明的基于显著性视觉注意模型的混合式数字半色调方法,程序并行处理,速度较快,可得到高品质的数字半色调图像。
附图说明
图1为本发明的方法流程图;
图2为本发明应用的初始图像;
图3为本发明通过高斯金字塔和“中心-周边”算子计算得出图像的强度特征图;
图4为本发明通过高斯金字塔和“中心-周边”算子计算得出图像的颜色特征图;
图5为本发明通过高斯金字塔和“中心-周边”算子计算得出图像的方向特征图;
图6为本发明各个特征图经过归一化后被叠加成总的显著度图;
图7为应用误差扩散法(ED)得到的半色调图像;
图8为应用多尺度误差扩散法(MED)得到的半色调图像;
图9为应用基于色调的误差扩散法(TDED)得到的半色调图像;
图10为应用基于视觉和打印机模型(LSMB)的半色调图像;
图11为应用本发明提出的算法得到的半色调图像;
图12为基于视觉显著性的图像质量评价框架;
图13为上述算法复杂度的分析结果。
具体实施方式
实施例1:如图1-13所示,一种显著性视觉注意模型的混合式数字图像半色调方法,本发明的一种显著性视觉注意模型的混合式数字半色调方法包括应用一种自下而上的视觉选择性注意模型,从输入图像中通过高斯金字塔和“中心-周边”算子计算得出图像强度、颜色和方向的特征图。各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域(Regions of Interest,ROIs)。在ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化。在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调的并行计算。应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像。
所述方法的具体步骤如下:
A、将连续调图像转换成灰度图像并判断灰度图像是否是标准的2n×2n灰度图像;图2为本发明实施例应用的初始图像。
B、应用一种自下而上的视觉选择性注意模型,从输入图像中通过高斯金字塔和“中心-周边(Center-surround)”算子计算得出图像强度、颜色和方向的特征图;
C、各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域(Regions of Interest,ROIs);
D、在图像的感兴趣区域ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化;
E、在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调的并行计算;
F、应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像。
所述步骤B中,图像强度、颜色和方向的特征图建立的具体步骤如下:
B1、用r,g,b表示输入图像的红、绿、蓝通道,强度图像I=(r+g+b)/3来获得,I用来产生高斯金字塔I(σ),其中σ∈{0...5}为等级;
B2、四个彩色通道红色、绿色、蓝色和黄色的值为R=r-(g+b)/2,G=g-(r+b)/2,B=b-(r+g)/2,Y=(r+g)/2-(r-g)/2-b,如出现负数值被赋值为0,产生四个高斯金字塔R(σ),G(σ),B(σ)和Y(σ);
B3、一个“中心”精细等级c与一个“周围”粗糙等级s之间的中心-周围误差就产生了特征图;
B4、第一个特征图的集合与亮度对比有关,亮度对比在两种类型的敏感性同时计算出来,放在I(c,s)图的集合中,其中c∈{2,3},s=c+δ,δ∈{1,2},I(c,s)=|I(c)θI(s)|;两种类型的敏感性包括人类视觉系统中由对亮背景-暗中心敏感或对暗背景-亮中心敏感;(图3为本发明通过高斯金字塔和“中心-周边”算子计算得出图像的强度特征图)
B5、第二个特征图通过彩色通道进行构建,视觉选择性注意模型中产生的图RG(c,s)同时说明了红色/绿色和绿色/红色这一对相反的情况,RG(c,s)=|(R(c)-G(c))θ(G(s)-R(s))|,BY(c,s)则说明蓝色/黄色和黄色/蓝色这一对相反的情况,BY(c,s)=|(B(c)-Y(c))θ(Y(s)-B(s))|;(图4为本发明通过高斯金字塔和“中心-周边”算子计算得出图像的颜色特征图)
B6、第三个特征图的集合是通过使用带方向的Gabor金字塔O(σ,θ)得到的图像中局部方向信息,其中σ∈{0...5}等级,θ∈{0°,45°,90°,135°)是选择的方向,方向特征图O(c,s)=|O(θ,c)θO(θ,s)|。(图5为本发明通过高斯金字塔和“中心-周边”算子计算得出图像的方向特征图)
所述步骤C中,各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域(Regions of Interest,ROIs)的具体步骤如下:
C1、设置一个归一化的算子N(·)来显示具有少数重要区域的特征图而抑制包含很多重要区域的图;
C2、把特征图的图像值归一化到一个固定范围[0,M]中,以消除由于特征不同而带来的取值范围不同;
C3、找出图中的全局最大值M,并计算所有局部最大值的平均值把全图乘以
C4、在显著度图的某个σ等级,用表示强度,表示颜色,表示方向,这3个“显著度图”通过跨等级相加来获得,这种相加由每个图与等级σ相减和逐点相加构成,则为合并后的总显著图。(图6为本发明各个特征图经过归一化后被叠加成总的显著度图)
所述步骤D中,在感兴趣区域(ROIs)采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化的具体步骤如下:
D1、对于一副图像像素点(i,j),给定一个初始二值估计图像[bi,j],找到输出图像的二值bi,j,使得平方差最小,i,j表示图像像素;Bi,j表示像素八邻域;zi,j表示视觉误差;wi,j表示打印机模型误差;
D2、假定Βi,j的邻域足够大,保证最小化Ei,j等同于最小化ε,为了能够得到较小的误差和较好的图像质量,在迭代过程中,每次最小化都是在相邻的一组像素间进行;给定一初始估计[bi,j],在(i,j)的邻域Ci,j∈Bi,j寻找二值bk,l,使得平方误差Ei,j最小,在Ci,j的八邻域系统中,测试29个可能的二值模式,使计算过程得到简化,使得加权平方值最小,其中Βi,j是点(i,j)的邻域,加权值 表示像素方差,ε表示整幅图像的全局平方误差;
D3、采用直接二值搜索算法(Direct Binary Search,DBS)最小化原图像与半色调图像的误差来寻找最佳的二值输出;(Direct Binary Search,DBS)应用一个人类视觉模型来减少半色调图像和原始图像的可见误差,视觉半色调定义如下:
是HVS模型的点扩散函数PSF;
a=2.6,b=0.0192,c=0.114,d=1.1
f-1二维空间的傅立叶逆变换;
原始图像和半色调图像的均方差仅仅是定义的互相关函数;
来评价半色调图像的网点,在连续空间感知误差为利用DBS最小化均方感知误差测度
定义一附加的自相关函数则
计算滤波器的自相关函数以及误差和滤波器间的互相关函数对每个像素进行“开关”计算和“交换”计算,在八邻域像素中改变像素值。
所述步骤E中,在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调并行计算的具体步骤如下:
E1、令w[k,l;a]和t[k,l;a]分别表示误差权重和阈值矩阵,则二值半色调输出
当吸收比等于0.5时,在直接二值搜索模式下阈值矩阵为: 其中tu(a)和tl(a)表示基于色调的参数,满足tu(a)≥tl(a),将t[m,n;a]带入g[m,n]中,则
E2、一个视觉代价函数用来评价亮调和暗调半色调图像的质量,和分别表示直接二值搜索模式和基于色调的误差扩散模式的离散傅里叶变换,则全局方差为很好的评价中间色调图像的质量;
E3、在感兴趣区域和非感兴趣区域利用一种并行计算模式来提高计算速度,缩短计算时间。(图11为应用本发明提出的算法得到的半色调图像)
所述步骤F中,应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像的具体步骤如下:
F1、利用选择性注意模型算法自动提取出图像的显著度图,在显著度图中给出了每个像素的显著度值,用每个像素的显著度值来作为该像素在质量评价中的兴趣权值,在此基础上,对每个像素点都计算出一个权重因子,该权重因子反映了人眼对该像素的关注程度,再使用该权重因子对均方误差值MSE进行加权计算,得到对图像质量的评价结果;(图像质量评价流程图如图12所示)
F2、对原始图像f(m,n)根据选择性注意模型算法计算该图的显著度图S(m,n);
F3、对计算出来的显著度图S(m,n),进行归一化权重因子的计算:
F4、对原始图像和待测图像进行基于显著度的均方误差WMSE的计算:
F5、在WMSE的基础上进行基于显著度的峰值信噪比WPSNR的计算:
(图像质量性能的评价如图7—11和表1所示);图7和图8分别是应用误差扩散法(ED)和多尺度误差扩散法(MED)得到的半色调图像;这两种算法属于邻域处理法,图9和图10为应用基于色调的误差扩散法(TDED)和基于视觉和打印机模型(LSMB)得到的半色调图像;这两种方法属于迭代优化法。图11为应用本发明提出的算法得到的半色调图像;也属于迭代优化法范畴。
表1不同算法的质量评价结果
算法 | 本发明 | LSMB | TDED | MED | ED |
MSE | 143.297 | 159.863 | 163.038 | 172.217 | 190.267 |
WMSE | 62.036 | 104.298 | 132.327 | 148.472 | 157.041 |
PSNR(dB) | 36.787 | 33.847 | 32.093 | 29.953 | 27.917 |
WPSNR(dB) | 47.406 | 35.634 | 32.746 | 31.529 | 29.574 |
F6、对算法复杂度进行分析,进而得到最优半色调图像,(算法复杂度分析结果如图13所示)。本发明提出的数字半色调技术中,引入了人类视觉系统(Human VisionSystem,HVS),结合人眼的视觉特性,对传统图像质量客观评价算法均方差(MSE)和峰值信噪比(PSNR)进行加权处理,得到了加权均方差(WMSE)和加权峰值信噪比(WPSNR)评价方法,以达到在评价方法中融入人类视觉特性的目的。从表1可以看出,本发明提出的算法与已有四种算法相比较,具有较低的均方差(MSE)和加权均方差(WMSE)以及较高的峰值信噪比(PSNR)和加权峰值信噪比(WPSNR)。说明应用本发明提出的算法得到的半色调图像质量整体优于其它四种算法,在图像边缘区域以及背景区的高光区和暗调区,这些区域像素点分布均匀且基本不存在方向性纹理。图13表明本发明提出的算法的运行时间远远低于TDED和LSMB算法,这两种算法属于迭代优化法范畴,而高于ED和MED算法,这两种算法属于邻域处理法范畴,这是因为算法中应用了直接二值搜索的迭代优化方法使图像的整体平方误差减少和应用了并行处理技术,大大提高了运行速度,降低了计算复杂度。本算法属于迭代优化方法,虽然比邻域处理法运行时间稍长,但整体图像质量优于邻域处理法。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种显著性视觉注意模型的混合式数字图像半色调方法,所述方法的具体步骤如下:
A、将连续调图像转换成灰度图像并判断灰度图像是否是标准的2n×2n灰度图像;
B、应用一种自下而上的视觉选择性注意模型,从输入图像中通过高斯金字塔和“中心-周边”算子计算得出图像强度、颜色和方向的特征图;
C、各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域ROIs;
D、在图像的感兴趣区域ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化;
E、在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调的并行计算;
F、应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像。
2.根据权利要求1所述的显著性视觉注意模型的混合式数字图像半色调方法,其特征在于:所述步骤B中,图像强度、颜色和方向的特征图建立的具体步骤如下:
B1、用r,g,b表示输入图像的红、绿、蓝通道,强度图像I=(r+g+b)/3来获得,I用来产生高斯金字塔I(σ),其中σ∈{0...5}为等级;
B2、四个彩色通道红色、绿色、蓝色和黄色的值为R=r-(g+b)/2,G=g-(r+b)/2,B=b-(r+g)/2,Y=(r+g)/2-(r-g)/2-b,如出现负数值被赋值为0,产生四个高斯金字塔R(σ),G(σ),B(σ)和Y(σ);
B3、一个“中心”精细等级c与一个“周围”粗糙等级s之间的中心-周围误差就产生了特征图;
B4、第一个特征图的集合与亮度对比有关,亮度对比在两种类型的敏感性同时计算出来,放在I(c,s)图的集合中,其中c∈{2,3},s=c+δ,δ∈{1,2},I(c,s)=|I(c)θI(s)|;两种类型的敏感性包括人类视觉系统中由对亮背景-暗中心敏感或对暗背景-亮中心敏感;
B5、第二个特征图通过彩色通道进行构建,视觉选择性注意模型中产生的图RG(c,s)同时说明了红色/绿色和绿色/红色这一对相反的情况,RG(c,s)=|(R(c)-G(c))θ(G(s)-R(s))|,BY(c,s)则说明蓝色/黄色和黄色/蓝色这一对相反的情况,BY(c,s)=|(B(c)-Y(c))θ(Y(s)-B(s))|;
B6、第三个特征图的集合是通过使用带方向的Gabor金字塔O(σ,θ)得到的图像中局部方向信息,其中σ∈{0...5}等级,θ∈{0°,45°,90°,135°)是选择的方向,方向特征图O(c,s)=|O(θ,c)θO(θ,s)|。
3.根据权利要求1所述的显著性视觉注意模型的混合式数字图像半色调方法,其特征在于:所述步骤C中,各个特征图经过归一化后被叠加成总的显著度图,提取图像的感兴趣区域ROIs的具体步骤如下:
C1、设置一个归一化的算子N(·)来显示具有少数重要区域的特征图而抑制包含很多重要区域的图;
C2、把特征图的图像值归一化到一个固定范围[0,M]中,以消除由于特征不同而带来的取值范围不同;
C3、找出图中的全局最大值M,并计算所有局部最大值的平均值把全图乘以
C4、在显著度图的某个σ等级,用表示强度,表示颜色,表示方向,这3个“显著度图”通过跨等级相加来获得,这种相加由每个图与等级σ相减和逐点相加构成,则为合并后的总显著图。
4.根据权利要求1所述的显著性视觉注意模型的混合式数字图像半色调方法,其特征在于:所述步骤D中,在感兴趣区域ROIs采用一种基于模型的加权最小二乘半色调迭代方法进行图像的半色调化的具体步骤如下:
D1、对于一副图像像素点(i,j),给定一个初始二值估计图像[bi,j],找到输出图像的二值bi,j,使得平方差最小,i,j表示图像像素;Bi,j表示像素八邻域;zi,j表示视觉误差;wi,j表示打印机模型误差;
D2、假定Βi,j的邻域足够大,保证最小化Ei,j等同于最小化ε,为了能够得到较小的误差和较好的图像质量,在迭代过程中,每次最小化都是在相邻的一组像素间进行;给定一初始估计[bi,j],在(i,j)的邻域Ci,j∈Bi,j寻找二值bk,l,使得平方误差Ei,j最小,在Ci,j的八邻域系统中,测试29个可能的二值模式,使计算过程得到简化,使得加权平方值最小,其中Βi,j是点(i,j)的邻域,加权值 表示像素方差,ε表示整幅图像的全局平方误差;
D3、采用直接二值搜索算法DBS最小化原图像与半色调图像的误差来寻找最佳的二值输出;DBS应用一个人类视觉模型来减少半色调图像和原始图像的可见误差,视觉半色调定义如下:
是HVS模型的点扩散函数PSF;
a=2.6,b=0.0192,c=0.114,d=1.1
f-1二维空间的傅立叶逆变换;
原始图像和半色调图像的均方差仅仅是定义的互相关函数;
来评价半色调图像的网点,在连续空间感知误差为利用DBS最小化均方感知误差测度
定义一附加的自相关函数则
计算滤波器的自相关函数以及误差和滤波器间的互相关函数对每个像素进行“开关”计算和“交换”计算,在八邻域像素中改变像素值。
5.根据权利要求1所述的显著性视觉注意模型的混合式数字图像半色调方法,其特征在于:所述步骤E中,在非感兴趣区域采用基于色调的误差扩散法进行半色调图像的转化,图像的两个区域进行半色调并行计算的具体步骤如下:
E1、令w[k,l;a]和t[k,l;a]分别表示误差权重和阈值矩阵,则二值半色调输出
当吸收比a等于0.5时,在直接二值搜索模式下阈值矩阵为:
,其中tu(a)和tl(a)表示基于色调的参数,满足tu(a)≥tl(a),将t[m,n;a]带入g[m,n]中,则
E2、一个视觉代价函数用来评价亮调和暗调半色调图像的质量,和分别表示直接二值搜索模式和基于色调的误差扩散模式的离散傅里叶变换,则全局方差为很好的评价中间色调图像的质量;
E3、在感兴趣区域和非感兴趣区域利用一种并行计算模式来提高计算速度,缩短计算时间。
6.根据权利要求1所述的显著性视觉注意模型的混合式数字图像半色调方法,其特征在于:所述步骤F中,应用基于选择性注意模型的质量评价方法客观评价数字图像半色调的性能,并对算法复杂度进行分析,进而得到最优半色调图像的具体步骤如下:
F1、利用选择性注意模型算法自动提取出图像的显著度图,在显著度图中给出了每个像素的显著度值,用每个像素的显著度值来作为该像素在质量评价中的兴趣权值,在此基础上,对每个像素点都计算出一个权重因子,该权重因子反映了人眼对该像素的关注程度,再使用该权重因子对均方误差值MSE进行加权计算,得到对图像质量的评价结果;
F2、对原始图像f(m,n)根据选择性注意模型算法计算该图的显著度图S(m,n);
F3、对计算出来的显著度图S(m,n),进行归一化权重因子的计算:
F4、对原始图像和待测图像进行基于显著度的均方误差WMSE的计算:
F5、在WMSE的基础上进行基于显著度的峰值信噪比WPSNR的计算:
F6、对算法复杂度进行分析,进而得到最优半色调图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610828008.6A CN106506901B (zh) | 2016-09-18 | 2016-09-18 | 一种显著性视觉注意模型的混合式数字图像半色调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610828008.6A CN106506901B (zh) | 2016-09-18 | 2016-09-18 | 一种显著性视觉注意模型的混合式数字图像半色调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106506901A CN106506901A (zh) | 2017-03-15 |
CN106506901B true CN106506901B (zh) | 2019-05-10 |
Family
ID=58290259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610828008.6A Active CN106506901B (zh) | 2016-09-18 | 2016-09-18 | 一种显著性视觉注意模型的混合式数字图像半色调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106506901B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3635679B1 (en) * | 2017-06-08 | 2021-05-05 | The Procter & Gamble Company | Method and device for holistic evaluation of subtle irregularities in digital image |
CN107403175A (zh) * | 2017-09-21 | 2017-11-28 | 昆明理工大学 | 一种运动背景下的视觉跟踪方法及视觉跟踪系统 |
CN108549872B (zh) * | 2018-04-17 | 2022-03-22 | 福州大学 | 一种适用于重定向图像质量评估的视觉注意融合方法 |
CN108737686A (zh) * | 2018-06-11 | 2018-11-02 | 昆明理工大学 | 基于图像系数变更的边缘增强误差扩散数字半色调方法 |
CN108921886B (zh) * | 2018-06-11 | 2021-09-14 | 昆明理工大学 | 一种纹理信息融合多尺度结构化森林数字图像半色调方法 |
US10943115B2 (en) * | 2018-07-24 | 2021-03-09 | Apical Ltd. | Processing image data to perform object detection |
CN109087264B (zh) * | 2018-08-07 | 2021-04-09 | 清华大学深圳研究生院 | 一种基于深度网络的使网络注意到数据的重要部分的方法 |
CN109493358A (zh) * | 2018-12-14 | 2019-03-19 | 中国船舶重工集团公司第七0七研究所 | 一种基于人眼视觉模型的误差反馈半色调算法 |
CN110264571A (zh) * | 2019-06-17 | 2019-09-20 | 闽江学院 | 一种测绘信息沙盘数据处理方法 |
JP7443515B2 (ja) | 2019-12-16 | 2024-03-05 | ザ プロクター アンド ギャンブル カンパニー | 一体型吐出ノズルを備える液体吐出システム |
CN115499556B (zh) * | 2022-09-19 | 2024-05-28 | 浙江工业大学 | 一种基于机器学习迭代的数字印刷加网方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069475A (zh) * | 2015-08-06 | 2015-11-18 | 电子科技大学 | 基于视觉注意机制模型的图像处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6182092B2 (ja) * | 2014-03-10 | 2017-08-16 | キヤノン株式会社 | 画像処理装置および画像処理方法 |
-
2016
- 2016-09-18 CN CN201610828008.6A patent/CN106506901B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069475A (zh) * | 2015-08-06 | 2015-11-18 | 电子科技大学 | 基于视觉注意机制模型的图像处理方法 |
Non-Patent Citations (3)
Title |
---|
Computational modeling of visual attention;Itti L,Koch C.;《Nature Reviews Neuroscience》;20010301;全文 |
基于感兴趣区域的图像质量评价算法研究;梁东等;《包装工程》;20160331;全文 |
基于改进视觉注意模型的显著区域区检测;宋侃;《计算机技术与发展》;20150730;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106506901A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106506901B (zh) | 一种显著性视觉注意模型的混合式数字图像半色调方法 | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
Amirshahi et al. | PHOG analysis of self-similarity in aesthetic images | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN104599271A (zh) | 基于CIE Lab彩色空间的灰度阈值分割方法 | |
CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
CN110706196B (zh) | 基于聚类感知的无参考色调映射图像质量评价算法 | |
CN104021567B (zh) | 基于首数字定律的图像高斯模糊篡改检测方法 | |
Li et al. | Image inpainting based on scene transform and color transfer | |
Ma et al. | An all-weather lane detection system based on simulation interaction platform | |
CN1237485C (zh) | 利用快速人脸检测对新闻被采访者进行脸部遮挡的方法 | |
CN115809966A (zh) | 一种低照度图像的增强方法和系统 | |
CN110263778A (zh) | 一种基于图像识别的抄表方法及装置 | |
Guo et al. | Visual complexity assessment of painting images | |
CN111489333B (zh) | 一种无参考夜间自然图像质量评价方法 | |
Li et al. | Two-layer average-to-peak ratio based saliency detection | |
Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
Alaei et al. | Document image quality assessment based on texture similarity index | |
Naccari et al. | Natural scenes classification for color enhancement | |
Hong et al. | Single image dehazing based on pixel-wise transmission estimation with estimated radiance patches | |
Ying et al. | Region-aware RGB and near-infrared image fusion | |
Singh et al. | Multiscale reflection component based weakly illuminated nighttime image enhancement | |
CN108711139B (zh) | 一种基于去雾ai图像分析系统和快速响应门禁控制方法 | |
CN104636495B (zh) | 一种基于内容的视频检索方法 | |
Vanrell et al. | Induction operators for a computational colour–texture representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |