CN108389259B - 一种随机中心聚集图像网目调方法和系统 - Google Patents
一种随机中心聚集图像网目调方法和系统 Download PDFInfo
- Publication number
- CN108389259B CN108389259B CN201810203984.1A CN201810203984A CN108389259B CN 108389259 B CN108389259 B CN 108389259B CN 201810203984 A CN201810203984 A CN 201810203984A CN 108389259 B CN108389259 B CN 108389259B
- Authority
- CN
- China
- Prior art keywords
- point
- threshold
- matrix
- seed
- triangle
- 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 33
- 230000002776 aggregation Effects 0.000 title claims abstract description 10
- 238000004220 aggregation Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 111
- 239000013598 vector Substances 0.000 claims abstract description 13
- 101100324465 Caenorhabditis elegans arr-1 gene Proteins 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 13
- 101150044281 Arr2 gene Proteins 0.000 claims description 8
- 230000003252 repetitive effect Effects 0.000 claims description 8
- 230000005587 bubbling Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 241001632427 Radiola Species 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000010076 replication Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 4
- 101150099190 ARR3 gene Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种随机中心聚集图像网目调方法和系统,属于图像硬拷贝复制领域。首先,本发明采用蓝噪声网目调算法对一定灰度值的灰度色块进行网目调处理,获得均匀随机分布的种子点。然后,借助Delaunay三角形网格划分种子点区域,利用向量法确定每一个像素点所属的三角形。之后,通过面积法获得像素点在三角形内部的位置参数,计算阈值。为了降低阈值矩阵中阈值的重复性,本发明利用贝尔表对初始阈值矩阵中的阈值进行调整。最后,按照从左到右、从上到下的顺序排列阈值矩阵,比较阈值矩阵和输入图像对应位置处的阈值大小,得到网目调图像。本发明所述的方法可以减少网目调图像中的规律性纹理,改善网目调图像的视觉效果。
Description
技术领域
本发明属于图像硬拷贝复制领域,涉及一种网目调处理方法,具体涉及一种随机中心聚集图像网目调方法和系统。
背景技术
数字网目调技术是连接图像输入和输出环节的关键技术,它利用数学、计算机等工具,在牺牲一定分辨率的基础上,将连续调图像处理为二值图像,即网目调图像。网目调图像的质量对图像的输出效果有很大影响,根据网点的分布规律,可以将网目调算法分为调幅、调频、混合三大类。
调幅网目调算法通过调整网点大小再现图像的阶调层次,由于网点周期性分布,所以在图像输出时会存在规律性纹理。调频网目调算法利用大小相等但频率变化的网点表现图像的明暗程度,但是调频网点尺寸小,周长面积比大,网点扩大严重,不利于图像阶调再现。在混合网目调算法中,网点的大小和出现频率同时可变,网目调处理结果优于调幅和调频算法。在目前已有的算法中,通常利用蓝噪声网目调算法或误差扩散方法获得随机分布网点,但是蓝噪声网目调算法获得的网点分布随机均匀程度还是不太理想,因此输出图像时存在明显的人工纹理;此外,现有算法获得阈值矩阵中的重复阈值数量较多,不利于网目调图像的阶调再现,以上问题最终影响图像的视觉效果。
发明内容
针对上述问题,本发明提出一种随机中心聚集图像网目调方法,首先利用蓝噪声网目调算法获得随机均匀分布的种子点,然后借助Delaunay三角形网格进行网目调区域划分,让网点随机聚集分布并保持良好的形状,从而减少输出图像中的有害纹理。
为了实现上述发明目标,本发明所采用的技术方案是:一种随机中心聚集图像网目调方法,包括以下步骤:
步骤1,利用蓝噪声网目调算法对灰度色块进行网目调处理,得到二值图像,将其看成一个元素为1(种子点)和0(非种子点)的矩阵Arr1;
步骤2,对矩阵Arr1进行处理,增加种子点分布的随机均匀性;
步骤3,采用三角网生长法对步骤2中的所有种子点构建Delaunay三角形网格;
步骤4,根据像素点在三角形中的位置计算阈值;
步骤5,对阈值进行调整以增加非重复阈值的数量;
步骤6,将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理,得到网目调图像。
进一步的,步骤2对种子点进行如下处理以增加种子点分布的随机均匀性,
(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵;
(2)利用高斯滤波函数对矩阵Arr1中的每个元素进行7×7邻域滤波,计算每个元素周围的种子点密度,高斯滤波函数表述如下:
其中,x、y分别表示邻域像素点到中心像素点的水平和垂直距离,σ是标准差;
(3)遍历矩阵Arr1中的像素,如果种子点周围的种子点密度最大,则将该点置为非种子点;如果非种子点周围的种子点密度最小,则将该点置为种子点;依次迭代循环,直到最小密度点和最大密度点位置重合为止,结束循环,得到随机均匀分布的种子点,将结果保存到矩阵Arr2中。
进一步的,步骤3的具体实现方式如下,
步骤3.1,在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3;
步骤3.2,将矩阵Arr3左上角像素点P1作为起始点,在剩余点集中找出距离该点最近的种子点P3,连接两点,得到初始基线P1P3;
步骤3.3,根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点P2,按照逆时针方向依次存储点P1、P2、P3;
Temp=(xp-x1)(y3-y1)-(yp-y1)(x3-x1) (2)
其中,xp和yp分别表示点P的纵横坐标值,xi、yi表示点Pi的纵横坐标(i=1,3);如果Temp>0,则说明点P满足条件,进入下一步,反之,继续遍历循环;
步骤3.3.2,利用余弦公式计算∠P1PP3的余弦值:
如果cos∠P1PP3是最小值,说明此时的∠P1PP3最大,满足最小角最大准则,将点P记为P2,按照逆时针方向依次存储点P1、P2、P3;反之,回转执行步骤3.3.1继续寻找第三个顶点;
步骤3.4,分别以P1P2、P2P3为初始基线,得到第二个、第三个Delaunay三角形;
步骤3.5,重复步骤3.3和步骤3.4,直到所有种子点完成Delaunay三角网构建为止。
进一步的,步骤4的具体实现方式如下,
步骤4.1,设当前像素点M的坐标为(j,i),将三角形的三条边看成三个向量,利用叉乘运算确定像素点所属的三角形:
Temp0=(j-x4)(y5-y4)-(i-y4)(x5-x4) (4)
Temp1=(j-x5)(y6-y5)-(i-y5)(x6-x5) (5)
Temp2=(j-x6)(y4-y6)-(i-y6)(x4-x6) (6)
其中,xk、yk表示点Pk的纵横坐标(k=4,5,6);如果Temp0、Temp1和Temp2均小于等于零,则说明像素点(j,i)在三角形P4P5P6内;
步骤4.2,利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离;
S=|(x5-x4)(y6-y4)-(x6-x4)(y5-y4)| (7)
S4=|(j-x6)(y5-y6)-(x5-x6)(i-y6)| (8)
S5=|(j-x4)(y6-y4)-(x6-x4)(i-y4)| (9)
S6=|(j-x5)(y4-y5)-(x4-x5)(i-y5)| (10)
其中,S、S4、S5、S6分别表示△P4P5P6、△MP5P6、△MP4P6、△MP4P5面积的2倍值;
H4=S/L56 (11)
H5=S/L64 (12)
H6=S/L45 (13)
其中,L45、L56、L64分别表示边P4P5、P5P6、P6P4的长度,H4、H5、H6分别表示边P5P6上的高、边P6P4上的高和边P4P5上的高;
h4=S4/L56 (14)
h5=S5/L64 (15)
h6=S6/L45 (16)
其中,h4、h5、h6分别表示点M到边P5P6、P6P4、P4P5的垂直距离;
步骤4.3,根据上述步骤获得的像素点位置参数计算阈值:
在公式17中,Q代表阈值,ak、rk为阈值生成参数,ak控制着网点在Hk(k=4,5,6)方向上的伸长率,影响网点形状;rk决定各网点在不同方向上的接触情况;
步骤4.4,将Q的取值区间转化到0~255之间,得到阈值Q′并保存在阈值矩阵Arr4中;
Q′=(Q-Qmin)/(Qmax-Qmin)×255 (18)
其中,Qmin表示阈值中的最小值,Qmax表示阈值中的最大值。
进一步的,步骤5利用8×8的贝尔表对阈值进行调整,具体实现方式如下,
步骤5.1,确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标xb、yb,根据元素在贝尔表中的对应值Bay[xb,yb]计算得到新的阈值Arr5[i,j];
xb=i%8,yb=j%8 (19)
Arr5[i,j]=Arr4[i,j]+0.1×Bay[xb,yb]/64 (20)
步骤5.2,采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序,计算非重复阈值的个数Sum,根据每个阈值对应的排序号Num得到阈值Q″,将计算结果保存在阈值矩阵Arr6中,该矩阵为最终的目标阈值矩阵,
Q″=(INT)(Num/Sum×255+0.5) (21)
其中,INT表示取整操作。
此外,本发明还提供一种随机中心聚集图像网目调系统,包括如下模块:
种子点获取模块,用于利用蓝噪声网目调算法对灰度色块进行网目调处理,得到二值图像,将其看成一个元素为1(种子点)和0(非种子点)的矩阵Arr1;
种子点随机处理模块,用于对矩阵Arr1进行处理,增加种子点分布的随机均匀性;
三角网生成模块,用于采用三角网生长法对种子点随机处理模块中的所有种子点构建Delaunay三角形网格;
阈值计算模块,用于根据像素点在三角形中的位置计算阈值;
阈值调整模块,用于对阈值进行调整以增加非重复阈值的数量;
网目调处理模块,用于将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理,得到网目调图像。
进一步的,种子点随机处理模块用于对种子点进行如下处理以增加种子点分布的随机均匀性,
(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵;
(2)利用高斯滤波函数对矩阵Arr1中的每个元素进行7×7邻域滤波,计算每个元素周围的种子点密度,高斯滤波函数表述如下:
其中,x、y分别表示邻域像素点到中心像素点的水平和垂直距离,σ是标准差;
(3)遍历矩阵Arr1中的像素,如果种子点周围的种子点密度最大,则将该点置为非种子点;如果非种子点周围的种子点密度最小,则将该点置为种子点;依次迭代循环,直到最小密度点和最大密度点位置重合为止,结束循环,得到随机均匀分布的种子点,将结果保存到矩阵Arr2中。
进一步的,三角网生成模块中通过如下步骤构建Delaunay三角形网格,
步骤3.1,在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3;
步骤3.2,将矩阵Arr3左上角像素点P1作为起始点,在剩余点集中找出距离该点最近的种子点P3,连接两点,得到初始基线P1P3;
步骤3.3,根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点P2,按照逆时针方向依次存储点P1、P2、P3;
Temp=(xp-x1)(y3-y1)-(yp-y1)(x3-x1) (2)
其中,xp和yp分别表示点P的纵横坐标值,xi、yi表示点Pi的纵横坐标,i=1,3;如果Temp>0,则说明点P满足条件,进入下一步,反之,继续遍历循环;
步骤3.3.2,利用余弦公式计算∠P1PP3的余弦值:
如果cos∠P1PP3是最小值,说明此时的∠P1PP3最大,满足最小角最大准则,将点P记为P2,按照逆时针方向依次存储点P1、P2、P3;反之,回转执行步骤3.3.1继续寻找第三个顶点;
步骤3.4,分别以P1P2、P2P3为初始基线,得到第二个、第三个Delaunay三角形;
步骤3.5,重复步骤3.3和步骤3.4,直到所有种子点完成Delaunay三角网构建为止。
进一步的,阈值计算模块中通过如下步骤获得阈值,
步骤4.1,设当前像素点M的坐标为(j,i),将三角形的三条边看成三个向量,利用叉乘运算确定像素点所属的三角形:
Temp0=(j-x4)(y5-y4)-(i-y4)(x5-x4) (4)
Temp1=(j-x5)(y6-y5)-(i-y5)(x6-x5) (5)
Temp2=(j-x6)(y4-y6)-(i-y6)(x4-x6) (6)
其中,xk、yk表示点Pk的纵横坐标(k=4,5,6);如果Temp0、Temp1和Temp2均小于等于零,则说明像素点(j,i)在三角形P4P5P6内;
步骤4.2,利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离;
S=|(x5-x4)(y6-y4)-(x6-x4)(y5-y4)| (7)
S4=|(j-x6)(y5-y6)-(x5-x6)(i-y6)| (8)
S5=|(j-x4)(y6-y4)-(x6-x4)(i-y4)| (9)
S6=|(j-x5)(y4-y5)-(x4-x5)(i-y5)| (10)
其中,S、S4、S5、S6分别表示△P4P5P6、△MP5P6、△MP4P6、△MP4P5面积的2倍值;
H4=S/L56 (11)
H5=S/L64 (12)
H6=S/L45 (13)
其中,L45、L56、L64分别表示边P4P5、P5P6、P6P4的长度,H4、H5、H6分别表示边P5P6上的高、边P6P4上的高和边P4P5上的高;
h4=S4/L56 (14)
h5=S5/L64 (15)
h6=S6/L45 (16)
其中,h4、h5、h6分别表示点M到边P5P6、P6P4、P4P5的垂直距离;
步骤4.3,根据上述步骤获得的像素点位置参数计算阈值:
在公式17中,Q代表阈值,ak、rk为阈值生成参数,ak控制着网点在Hk(k=4,5,6)方向上的伸长率,影响网点形状;rk决定各网点在不同方向上的接触情况;
步骤4.4,将Q的取值区间转化到0~255之间,得到阈值Q′并保存在阈值矩阵Arr4中;
Q′=(Q-Qmin)/(Qmax-Qmin)×255 (18)
其中,Qmin表示阈值中的最小值,Qmax表示阈值中的最大值。
进一步的,阈值调整模块中利用8×8的贝尔表对阈值进行调整,
首先,确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标xb、yb,根据元素在贝尔表中的对应值Bay[xb,yb]计算得到新的阈值Arr5[i,j];
xb=i%8,yb=j%8 (19)
Arr5[i,j]=Arr4[i,j]+0.1×Bay[xb,yb]/64 (20)
然后,采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序,计算非重复阈值的个数Sum,根据每个阈值对应的排序号Num得到阈值Q″,将计算结果保存在阈值矩阵Arr6中,该矩阵为最终的目标阈值矩阵,
Q″=(INT)(Num/Sum×255+0.5) (21)
其中,INT表示取整操作。
本发明的优点和有益效果在于:采用本发明所述的算法,可以获得随机均匀分布的种子点,在利用Delaunay三角网格进行区域划分后,可以避免出现狭长的三角形,得到形状优良的网点,使网点随机聚集分布,减少规律性纹理。经阈值调整,阈值的非重复性提高,有利于图像阶调再现,改善网目调图像的视觉效果。
附图说明
图1为本发明的随机中心聚集图像网目调算法流程图;
图2为本发明实施例中的阈值矩阵5像素方位拓展图;
图3为本发明实施例中的三角形内部像素点位置判断图;
图4为本发明实施例中的测试图像;
图5为应用调幅网目调算法得到的网目调图像;
图6为应用调频网目调算法得到的网目调图像;
图7为本发明实施例中的随机中心聚集网目调图像。
具体实施方式
为方便理解,下面结合附图及实施例进一步说明本发明的技术方案。
如图1所示,本发明采用的技术方案是一种随机中心聚集图像网目调方法,其特征在于,包括以下步骤:
步骤1、利用蓝噪声网目调算法获得种子点,具体步骤如下:
1)设计同阈值矩阵大小相同的灰度色块。
2)利用蓝噪声网目调算法对灰度色块进行网目调处理,得到二值图像,将其看成一个元素为1(种子点)和0(非种子点)的矩阵Arr1。
步骤2,为保证种子点分布的随机均匀性,需要进行以下处理:
(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵。
(2)分别以矩阵Arr1中的每个元素为中心,利用二维高斯滤波函数对其7×7邻域进行滤波,计算每个元素周围的种子点密度。高斯滤波函数表述如下:
其中,x、y分别表示邻域像素点到中心像素点的水平和垂直距离,σ是标准差,本发明取1.5。
(3)遍历矩阵Arr1中的像素,如果该像素为种子点,且其邻域内的种子点密度最大,则将该像素点置为非种子点;如果该像素点为非种子点,且其周围的种子点密度最小,则将该像素点置为种子点。依次进行迭代循环,直到最小种子密度点和最大种子密度点位置重合为止,结束循环,得到随机均匀分布的种子点,将结果保存到矩阵Arr2中。矩阵Arr2中的种子点即为后续出现的Delaunay三角形网格顶点。
步骤3、在获得随机均匀分布的种子点后,采用三角网生长法构建Delaunay三角形网格,具体步骤如下:
1)为了满足阈值矩阵边界连续的要求,需要对矩阵Arr2进行四方连续处理,如图2所示,在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3,其中,方框内的区域为方位拓展前的处理结果。
2)把矩阵Arr3左上角像素点P1作为起始点,在剩余点集中找出距离该点最近的种子点P3,连接两点,得到初始基线P1P3。
3)根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点,具体步骤如下:
Temp=(xp-x1)(y3-y1)-(yp-y1)(x3-x1) (2)
其中,xp和yp分别表示点P的纵横坐标值,xi、yi表示点Pi的纵横坐标,i=1,3。如果Temp>0,则说明点P满足条件,进入下一步,反之,继续遍历循环。
(2)利用余弦公式计算∠P1PP3的余弦值:
如果cos∠P1PP3是最小值,说明此时的∠P1PP3最大,满足最小角最大准则,将点P记为P2,按照逆时针方向依次存储点P1、P2、P3,然后进入步骤4);反之,回转执行步骤(1)继续寻找第三个顶点。
4)分别以P1P2、P2P3为初始基线,得到第二个、第三个Delaunay三角形。
5)重复步骤3)、4),直到所有种子点完成Delaunay三角网构建为止。
步骤4、根据像素点在Delaunay三角形中的位置计算阈值,具体步骤如下:
1)设当前像素点M的坐标为(j,i),将三角形的三条边看成三个向量,利用叉乘运算确定像素点所属的三角形:
Temp0=(j-x4)(y5-y4)-(i-y4)(x5-x4) (4)
Temp1=(j-x5)(y6-y5)-(i-y5)(x6-x5) (5)
Temp2=(j-x6)(y4-y6)-(i-y6)(x4-x6) (6)
其中,xk、yk表示点Pk的纵横坐标(k=4,5,6)。如果Temp0、Temp1和Temp2均小于等于零,则说明像素点(j,i)在三角形P4P5P6内。
2)如图3所示,利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离。
S=|(x5-x4)(y6-y4)-(x6-x4)(y5-y4)| (7)
S4=|(j-x6)(y5-y6)-(x5-x6)(i-y6)| (8)
S5=|(j-x4)(y6-y4)-(x6-x4)(i-y4)| (9)
S6=|(j-x5)(y4-y5)-(x4-x5)(i-y5)| (10)
其中,S、S4、S5、S6分别表示△P4P5P6、△MP5P6、△MP4P6、△MP4P5面积的2倍值。
H4=S/L56 (11)
H5=S/L64 (12)
H6=S/L45 (13)
其中,L45、L56、L64分别表示边P4P5、P5P6、P6P4的长度,H4、H5、H6分别表示边P5P6上的高、边P6P4上的高和边P4P5上的高。
h4=S4/L56 (14)
h5=S5/L64 (15)
h6=S6/L45 (16)
其中,h4、h5、h6分别表示点M到边P5P6、P6P4、P4P5的垂直距离。
3)根据上述步骤获得的像素点位置参数计算阈值:
在公式17中,Q代表阈值,ak、rk为阈值生成参数,ak控制着网点在Hk(k=4,5,6)方向上的伸长率,影响网点形状;rk决定各网点在不同方向上的接触情况。
图像灰度值的取值范围是0~255,因此需要将Q的取值区间转化到0~255之间,得到阈值Q′并保存在阈值矩阵Arr4中。
Q′=(Q-Qmin)/(Qmax-Qmin)×255 (18)
其中,Qmin表示阈值中的最小值,Qmax表示阈值中的最大值。
步骤5、阈值矩阵中重复阈值的数量越少,越有利于图像的阶调再现。为了降低阈值的重复度,本发明实施例利用8×8的贝尔表(如表1所示)对阈值进行调整,
表1 8×8贝尔表
1 | 33 | 9 | 41 | 3 | 35 | 11 | 43 |
49 | 17 | 57 | 25 | 51 | 19 | 59 | 27 |
13 | 45 | 5 | 37 | 15 | 47 | 7 | 39 |
61 | 29 | 53 | 21 | 63 | 31 | 55 | 23 |
4 | 36 | 12 | 44 | 2 | 34 | 10 | 42 |
52 | 20 | 60 | 28 | 50 | 18 | 58 | 26 |
16 | 48 | 8 | 40 | 14 | 46 | 6 | 38 |
64 | 32 | 56 | 24 | 62 | 30 | 54 | 22 |
具体方案如下:
(1)确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标xb、yb,根据元素在贝尔表中的对应值Bay[xb,yb]计算得到新的阈值Arr5[i,j];
xb=i%8,yb=j%8 (19)
Arr5[i,j]=Arr4[i,j]+0.1×Bay[xb,yb]/64 (20)
公式(19)表示阈值原来的横纵坐标分别和8取余,获得阈值在贝尔表中所对应的横纵坐标值;
(2)采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序,计算非重复阈值的个数Sum,根据每个阈值对应的排序号Num得到阈值Q″,将计算结果保存在阈值矩阵Arr6中,该矩阵为最终的目标阈值矩阵。
Q″=(INT)(Num/Sum×255+0.5) (21)
其中,INT表示取整操作。
步骤6,将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理,得到网目调图像。图4是本发明使用的测试图像。将阈值矩阵周期性平铺,得到与测试图像相同大小的阈值图像,然后直接比较两幅图像对应位置处的阈值大小,得到网目调图像,如图7所示。图5为应用调幅网目调算法得到的网目调图像,图6为应用调频网目调算法得到的网目调图像,图5和图6作为对比实验图像,从图中可以看出,图5存在周期性纹理,图6在一定阶调处存在明显的人工纹理,而应用本发明提出的一种随机中心聚集图像网目调方法对图像进行处理,得到的二值图像可以较好地再现输入图像的阶调层次。
本发明实施例提供一种随机中心聚集图像网目调系统,包括如下模块:
种子点获取模块,用于利用蓝噪声网目调算法对灰度色块进行网目调处理,得到二值图像,将其看成一个元素为1(种子点)和0(非种子点)的矩阵Arr1;
种子点随机处理模块,用于对矩阵Arr1进行处理,增加种子点分布的随机均匀性;
三角网生成模块,用于采用三角网生长法对种子点随机处理模块中的所有种子点构建Delaunay三角形网格;
阈值计算模块,用于根据像素点在三角形中的位置计算阈值;
阈值调整模块,用于对阈值进行调整以增加非重复阈值的数量;
网目调处理模块,用于将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理,得到网目调图像。
其中,种子点随机处理模块用于对种子点进行如下处理以增加种子点分布的随机均匀性,
(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵;
(2)利用高斯滤波函数对矩阵Arr1中的每个元素进行7×7邻域滤波,计算每个元素周围的种子点密度,高斯滤波函数表述如下:
其中,x、y分别表示邻域像素点到中心像素点的水平和垂直距离,σ是标准差;
(3)遍历矩阵Arr1中的像素,如果种子点周围的种子点密度最大,则将该点置为非种子点;如果非种子点周围的种子点密度最小,则将该点置为种子点;依次迭代循环,直到最小密度点和最大密度点位置重合为止,结束循环,得到随机均匀分布的种子点,将结果保存到矩阵Arr2中。
其中,三角网生成模块中通过如下步骤构建Delaunay三角形网格,
步骤3.1,在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3;
步骤3.2,将矩阵Arr3左上角像素点P1作为起始点,在剩余点集中找出距离该点最近的种子点P3,连接两点,得到初始基线P1P3;
步骤3.3,根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点P2,按照逆时针方向依次存储点P1、P2、P3;
Temp=(xp-x1)(y3-y1)-(yp-y1)(x3-x1) (2)
其中,xp和yp分别表示点P的纵横坐标值,xi、yi表示点Pi的纵横坐标,i=1,3;如果Temp>0,则说明点P满足条件,进入下一步,反之,继续遍历循环;
步骤3.3.2,利用余弦公式计算∠P1PP3的余弦值:
如果cos∠P1PP3是最小值,说明此时的∠P1PP3最大,满足最小角最大准则,将点P记为P2,按照逆时针方向依次存储点P1、P2、P3;反之,回转执行步骤3.3.1继续寻找第三个顶点;
步骤3.4,分别以P1P2、P2P3为初始基线,得到第二个、第三个Delaunay三角形;
步骤3.5,重复步骤3.3和步骤3.4,直到所有种子点完成Delaunay三角网构建为止。
其中,阈值计算模块中通过如下步骤获得阈值,
步骤4.1,设当前像素点M的坐标为(j,i),将三角形的三条边看成三个向量,利用叉乘运算确定像素点所属的三角形:
Temp0=(j-x4)(y5-y4)-(i-y4)(x5-x4) (4)
Temp1=(j-x5)(y6-y5)-(i-y5)(x6-x5) (5)
Temp2=(j-x6)(y4-y6)-(i-y6)(x4-x6) (6)
其中,xk、yk表示点Pk的纵横坐标(k=4,5,6);如果Temp0、Temp1和Temp2均小于等于零,则说明像素点(j,i)在三角形P4P5P6内;
步骤4.2,利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离;
S=|(x5-x4)(y6-y4)-(x6-x4)(y5-y4)| (7)
S4=|(j-x6)(y5-y6)-(x5-x6)(i-y6)| (8)
S5=|(j-x4)(y6-y4)-(x6-x4)(i-y4)| (9)
S6=|(j-x5)(y4-y5)-(x4-x5)(i-y5)| (10)
其中,S、S4、S5、S6分别表示△P4P5P6、△MP5P6、△MP4P6、△MP4P5面积的2倍值;
H4=S/L56 (11)
H5=S/L64 (12)
H6=S/L45 (13)
其中,L45、L56、L64分别表示边P4P5、P5P6、P6P4的长度,H4、H5、H6分别表示边P5P6上的高、边P6P4上的高和边P4P5上的高;
h4=S4/L56 (14)
h5=S5/L64 (15)
h6=S6/L45 (16)
其中,h4、h5、h6分别表示点M到边P5P6、P6P4、P4P5的垂直距离;
步骤4.3,根据上述步骤获得的像素点位置参数计算阈值:
在公式17中,Q代表阈值,ak、rk为阈值生成参数,ak控制着网点在Hk(k=4,5,6)方向上的伸长率,影响网点形状;rk决定各网点在不同方向上的接触情况;
步骤4.4,将Q的取值区间转化到0~255之间,得到阈值Q′并保存在阈值矩阵Arr4中;
Q′=(Q-Qmin)/(Qmax-Qmin)×255 (18)
其中,Qmin表示阈值中的最小值,Qmax表示阈值中的最大值。
其中,阈值调整模块中利用8×8的贝尔表对阈值进行调整,
首先,确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标xb、yb,根据元素在贝尔表中的对应值Bay[xb,yb]计算得到新的阈值Arr5[i,j];
xb=i%8,yb=j%8 (19)
Arr5[i,j]=Arr4[i,j]+0.1×Bay[xb,yb]/64 (20)
然后,采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序,计算非重复阈值的个数Sum,根据每个阈值对应的排序号Num得到阈值Q″,将计算结果保存在阈值矩阵Arr6中,该矩阵为最终的目标阈值矩阵,
Q″=(INT)(Num/Sum×255+0.5) (21)
其中,INT表示取整操作。
应该明确的是,上述内容是对本发明的具体实施例的详细说明,并非是对本发明专利保护范围的限制。因此,本技术领域的普通技术人员在本发明的精神和原则之内所作的任何修改、替换,均在本发明的保护范围之内。
Claims (2)
1.一种随机中心聚集图像网目调方法,其特征在于,包括如下步骤:
步骤1,利用蓝噪声网目调算法对灰度色块进行网目调处理,得到二值图像,将其看成一个元素为1和0的矩阵Arr1,其中1表示种子点,0表示非种子点;
步骤2,对矩阵Arr1进行处理,增加种子点分布的随机均匀性;处理方式如下,
(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵;
(2)利用高斯滤波函数对矩阵Arr1中的每个元素进行7×7邻域滤波,计算每个元素周围的种子点密度,高斯滤波函数表述如下:
其中,x、y分别表示邻域像素点到中心像素点的水平和垂直距离,σ是标准差;
(3)遍历矩阵Arr1中的像素,如果种子点周围的种子点密度最大,则将该点置为非种子点;如果非种子点周围的种子点密度最小,则将该点置为种子点;依次迭代循环,直到最小密度点和最大密度点位置重合为止,结束循环,得到随机均匀分布的种子点,将结果保存到矩阵Arr2中;
步骤3,采用三角网生长法对步骤2中的所有种子点构建Delaunay三角形网格;
步骤3的具体实现方式如下,
步骤3.1,在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3;
步骤3.2,将矩阵Arr3左上角像素点P1作为起始点,在剩余点集中找出距离该点最近的种子点P3,连接两点,得到初始基线P1P3;
步骤3.3,根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点P2,按照逆时针方向依次存储点P1、P2、P3;
Temp=(xp-x1)(y3-y1)-(yp-y1)(x3-x1) (2)
其中,xp和yp分别表示点P的纵横坐标值,xi、yi表示点Pi的纵横坐标,i=1,3;如果Temp>0,则说明点P满足条件,进入下一步,反之,继续遍历循环;
步骤3.3.2,利用余弦公式计算∠P1PP3的余弦值:
如果cos∠P1PP3是最小值,说明此时的∠P1PP3最大,满足最小角最大准则,将点P记为P2,按照逆时针方向依次存储点P1、P2、P3;反之,回转执行步骤3.3.1继续寻找第三个顶点;
步骤3.4,分别以P1P2、P2P3为初始基线,得到第二个、第三个Delaunay三角形;
步骤3.5,重复步骤3.3和步骤3.4,直到所有种子点完成Delaunay三角网构建为止;
步骤4,根据像素点在三角形中的位置计算阈值;
步骤4的具体实现方式如下,
步骤4.1,设当前像素点M的坐标为(j,i),将三角形的三条边看成三个向量,利用叉乘运算确定像素点所属的三角形:
Temp0=(j-x4)(y5-y4)-(i-y4)(x5-x4) (4)
Temp1=(j-x5)(y6-y5)-(i-y5)(x6-x5) (5)
Temp2=(j-x6)(y4-y6)-(i-y6)(x4-x6) (6)
其中,xk、yk表示点Pk的纵横坐标,k=4,5,6;如果Temp0、Temp1和Temp2均小于等于零,则说明像素点(j,i)在三角形P4P5P6内;
步骤4.2,利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离;
S=|(x5-x4)(y6-y4)-(x6-x4)(y5-y4) (7)
S4=|(j-x6)(y5-y6)-(x5-x6)(i-y6)| (8)
S5=|(j-x4)(y6-y4)-(x6-x4)(i-y4) (9)
S6=|(j-x5)(y4-y5)-(x4-x5)(i-y5)| (10)
其中,S、S4、S5、S6分别表示△P4P5P6、△MP5P6、△MP4P6、△MP4P5面积的2倍值;
H4=S/L56 (11)
H5=S/L64 (12)
H6=S/L45 (13)
其中,L45、L56、L64分别表示边P4P5、P5P6、P6P4的长度,H4、H5、H6分别表示边P5P6上的高、边P6P4上的高和边P4P5上的高;
h4=S4/L56 (14)
h5=S5/L64 (15)
h6=S6/L45 (16)
其中,h4、h5、h6分别表示点M到边P5P6、P6P4、P4P5的垂直距离;
步骤4.3,根据上述步骤获得的像素点位置参数计算阈值:
在公式17中,Q代表阈值,ak、rk为阈值生成参数,ak控制着网点在Hk方向上的伸长率,影响网点形状;rk决定各网点在不同方向上的接触情况;
步骤4.4,将Q的取值区间转化到0~255之间,得到阈值Q′并保存在阈值矩阵Arr4中;
Q′=(Q-Qmin)/(Qmax-Qmin)×255 (18)
其中,Qmin表示阈值中的最小值,Qmax表示阈值中的最大值;
步骤5,对阈值进行调整以增加非重复阈值的数量;
步骤5利用8×8的贝尔表对阈值进行调整,具体实现方式如下,
步骤5.1,确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标xb、yb,根据元素在贝尔表中的对应值Bay[xb,yb]计算得到新的阈值Arr5[i,j];
xb=i%8,yb=j%8 (19)
Arr5[i,j]=Arr4[i,j]+0.1×Bay[xb,yb]/64 (20)
步骤5.2,采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序,计算非重复阈值的个数Sum,根据每个阈值对应的排序号Num得到阈值Q″,将计算结果保存在阈值矩阵Arr6中,该矩阵为最终的目标阈值矩阵,
Q″=(INT)(Num/Sum×255+0.5) (21)
其中,INT表示取整操作;
步骤6,将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理,得到网目调图像。
2.一种随机中心聚集图像网目调系统,其特征在于,包括如下模块:
种子点获取模块,用于利用蓝噪声网目调算法对灰度色块进行网目调处理,得到二值图像,将其看成一个元素为1和0的矩阵Arr1,其中1表示种子点,0表示非种子点;
种子点随机处理模块,用于对矩阵Arr1进行处理,增加种子点分布的随机均匀性;处理方式如下,
(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵;
(2)利用高斯滤波函数对矩阵Arr1中的每个元素进行7×7邻域滤波,计算每个元素周围的种子点密度,高斯滤波函数表述如下:
其中,x、y分别表示邻域像素点到中心像素点的水平和垂直距离,σ是标准差;
(3)遍历矩阵Arr1中的像素,如果种子点周围的种子点密度最大,则将该点置为非种子点;如果非种子点周围的种子点密度最小,则将该点置为种子点;依次迭代循环,直到最小密度点和最大密度点位置重合为止,结束循环,得到随机均匀分布的种子点,将结果保存到矩阵Arr2中;
三角网生成模块,用于采用三角网生长法对种子点随机处理模块中的所有种子点构建Delaunay三角形网格;
三角网生成模块中通过如下步骤构建Delaunay三角形网格,
步骤3.1,在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3;
步骤3.2,将矩阵Arr3左上角像素点P1作为起始点,在剩余点集中找出距离该点最近的种子点P3,连接两点,得到初始基线P1P3;
步骤3.3,根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点P2,按照逆时针方向依次存储点P1、P2、P3;
Temp=(xp-x1)(y3-y1)-(yp-y1)(x3-x1) (2)
其中,xp和yp分别表示点P的纵横坐标值,xi、yi表示点Pi的纵横坐标,i=1,3;如果Temp>0,则说明点P满足条件,进入下一步,反之,继续遍历循环;
步骤3.3.2,利用余弦公式计算∠P1PP3的余弦值:
如果cos∠P1PP3是最小值,说明此时的∠P1PP3最大,满足最小角最大准则,将点P记为P2,按照逆时针方向依次存储点P1、P2、P3;反之,回转执行步骤3.3.1继续寻找第三个顶点;
步骤3.4,分别以P1P2、P2P3为初始基线,得到第二个、第三个Delaunay三角形;
步骤3.5,重复步骤3.3和步骤3.4,直到所有种子点完成Delaunay三角网构建为止;
阈值计算模块,用于根据像素点在三角形中的位置计算阈值;
阈值计算模块中通过如下步骤获得阈值,
步骤4.1,设当前像素点M的坐标为(j,i),将三角形的三条边看成三个向量,利用叉乘运算确定像素点所属的三角形:
Temp0=(j-x4)(y5-y4)-(i-y4)(x5-x4) (4)
Temp1=(j-x5)(y6-y5)-(i-y5)(x6-x5) (5)
Temp2=(j-x6)(y4-y6)-(i-y6)(x4-x6) (6)
其中,xk、yk表示点Pk的纵横坐标,k=4,5,6;如果Temp0、Temp1和Temp2均小于等于零,则说明像素点(j,i)在三角形P4P5P6内;
步骤4.2,利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离;
S=|(x5-x4)(y6-y4)-(x6-x4)(y5-y4) (7)
S4=|(j-x6)(y5-y6)-(x5-x6)(i-y6)| (8)
S5=|(j-x4)(y6-y4)-(x6-x4)(i-y4) (9)
S6=|(j-x5)(y4-y5)-(x4-x5)(i-y5)| (10)
其中,S、S4、S5、S6分别表示△P4P5P6、△MP5P6、△MP4P6、△MP4P5面积的2倍值;
H4=S/L56 (11)
H5=S/L64 (12)
H6=S/L45 (13)
其中,L45、L56、L64分别表示边P4P5、P5P6、P6P4的长度,H4、H5、H6分别表示边P5P6上的高、边P6P4上的高和边P4P5上的高;
h4=S4/L56 (14)
h5=S5/L64 (15)
h6=S6/L45 (16)
其中,h4、h5、h6分别表示点M到边P5P6、P6P4、P4P5的垂直距离;
步骤4.3,根据上述步骤获得的像素点位置参数计算阈值:
在公式17中,Q代表阈值,ak、rk为阈值生成参数,ak控制着网点在Hk方向上的伸长率,影响网点形状;rk决定各网点在不同方向上的接触情况;
步骤4.4,将Q的取值区间转化到0~255之间,得到阈值Q′并保存在阈值矩阵Arr4中;
Q′=(Q-Qmin)/(Qmax-Qmin)×255 (18)
其中,Qmin表示阈值中的最小值,Qmax表示阈值中的最大值;
阈值调整模块,用于对阈值进行调整以增加非重复阈值的数量;
阈值调整模块中利用8×8的贝尔表对阈值进行调整,
首先,确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标xb、yb,根据元素在贝尔表中的对应值Bay[xb,yb]计算得到新的阈值Arr5[i,j];
xb=i%8,yb=j%8 (19)
Arr5[i,j]=Arr4[i,j]+0.1×Bay[xb,yb]/64 (20)
然后,采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序,计算非重复阈值的个数Sum,根据每个阈值对应的排序号Num得到阈值Q″,将计算结果保存在阈值矩阵Arr6中,该矩阵为最终的目标阈值矩阵,
Q″=(INT)(Num/Sum×255+0.5) (21)
其中,INT表示取整操作;
网目调处理模块,用于将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理,得到网目调图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810203984.1A CN108389259B (zh) | 2018-03-13 | 2018-03-13 | 一种随机中心聚集图像网目调方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810203984.1A CN108389259B (zh) | 2018-03-13 | 2018-03-13 | 一种随机中心聚集图像网目调方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389259A CN108389259A (zh) | 2018-08-10 |
CN108389259B true CN108389259B (zh) | 2020-05-26 |
Family
ID=63066735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810203984.1A Active CN108389259B (zh) | 2018-03-13 | 2018-03-13 | 一种随机中心聚集图像网目调方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389259B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389147B (zh) * | 2018-08-28 | 2022-02-08 | 昆明理工大学 | 一种基于改进PHash算法的图像相似判定方法 |
CN109727519A (zh) * | 2018-12-10 | 2019-05-07 | 成都运达科技股份有限公司 | 一种大规模虚拟人群仿真系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69735250T8 (de) * | 1996-05-17 | 2007-03-08 | Dainippon Screen Mfg. Co., Ltd. | Verfahren und Gerät zur Erzeugung von Halbtonrasterpunkten |
JP4241823B2 (ja) * | 2004-05-19 | 2009-03-18 | セイコーエプソン株式会社 | ドットデータ処理装置、画像出力システムおよびそれらの方法 |
JP4440142B2 (ja) * | 2005-03-02 | 2010-03-24 | Kddi株式会社 | 割符画像生成方法、復号方法、割符画像生成装置および復号装置 |
US8547598B2 (en) * | 2011-04-28 | 2013-10-01 | Xerox Corporation | Polygonal-boundary-based halftone method |
CN103152509B (zh) * | 2013-04-02 | 2015-04-01 | 武汉大学 | 基于打印机非线性特性的图像半色调阈值矩阵设计方法 |
CN107209648B (zh) * | 2015-01-30 | 2020-06-23 | 惠普发展公司有限责任合伙企业 | 半色调阈值的调整 |
-
2018
- 2018-03-13 CN CN201810203984.1A patent/CN108389259B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108389259A (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5962393B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN108389259B (zh) | 一种随机中心聚集图像网目调方法和系统 | |
CN108510562B (zh) | 基于图像分形纹理的数码迷彩图案生成方法 | |
CN103402042A (zh) | 基于分块式误差扩散的半色调图像生成方法 | |
JP2007065916A (ja) | 画像処理方法、画像処理装置、画像形成装置、コンピュータプログラム及び記録媒体 | |
CN102622729A (zh) | 基于模糊集合理论的空间自适应块匹配图像去噪方法 | |
CN114359076A (zh) | 一种基于图像边缘指示函数的自适应加权高斯曲率滤波方法 | |
CN109978804B (zh) | 基于深度学习的人眼视线矫正方法及系统 | |
US9036938B2 (en) | Image processing apparatus, image processing method, and program | |
CN110930331B (zh) | 一种噪声模糊图像非盲复原方法、系统及存储介质 | |
CN111462009B (zh) | 基于分割矩形区域相似度的出血点预测方法 | |
CN106251307B (zh) | 基于Extended Smoothlets变换的图像近似方法 | |
CN110766117B (zh) | 一种二维码的生成方法及系统 | |
CN116863101A (zh) | 基于自适应网格细分的重建模型几何与纹理优化方法 | |
US8576448B2 (en) | Clustered halftone generation | |
US9154671B2 (en) | Image processing apparatus, image processing method, and program | |
CN115082597A (zh) | 基于调色板的图像重着色方法和系统 | |
CN111429383B (zh) | 图像降噪方法及装置、计算机可读存储介质 | |
CN113012079B (zh) | 低亮度车底图像增强方法、装置及存储介质 | |
CN115205456A (zh) | 三维模型构建方法、装置、电子设备及存储介质 | |
CN114677295A (zh) | 一种现实场景镜面高光图像增强方法、装置及存储介质 | |
CN109064425B (zh) | 一种自适应非局部总变分的图像去噪方法 | |
CN102005060A (zh) | 自动移除图像中选定影像的方法和装置 | |
CN113837971B (zh) | 一种基于暗通道和分数阶多变分正则化的图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |