CN109493358A - 一种基于人眼视觉模型的误差反馈半色调算法 - Google Patents

Abstract

本发明涉及一种基于人眼视觉模型的误差反馈半色调算法，本发明方法是针对现有经典数字半色调算法的改进，采用人眼视觉模型与打印机模型相结合的方式，实现对经典数字半色调算法的改进，解决了传统经典误差扩散算法出现的人工痕迹、边缘模糊、边缘过渡不连续等问题，从而达到更好的图像复现效果，在图像硬拷贝领域具有一定的应用价值。

Description

一种基于人眼视觉模型的误差反馈半色调算法

技术领域

本发明涉及图像硬拷贝复制技术领域，尤其是一种基于人眼视觉模型的误差反馈半色调算法。

背景技术

数字半色调技术又称数字加网，是在二值输出设备上实现连续调图像再现的一门技术。大多数打印设备都只能够输出二值信息或有限的几个阶调，因此需要用半色调技术来模拟连续调图像。半色调技术早期经历了模拟半色调阶段，从十九世纪中期到二十世纪初一度成为印刷工业的主导技术，随着数字化设备的出现，数字半色调技术应运而生。在过去的几十年，数字半色调技术形成了较为完善的理论体系，形成了一系列的方法，主要包括抖动法、误差扩散法和迭代法。

目前应用较广泛的是误差扩散法，其中比较经典的方法是Floyrd-Steinberg 误差扩散算法，其主要实现方式为将灰度图的当前像素值与阈值进行比较，获得二值输出，并将输入输出的像素差值扩散到当前像素的邻域上。连续调图像中某一点的像素的误差扩散处理方式主要分为以下步骤(如附图1所示)：首先，将连续调图像的像素与量化误差相加，得到当前输入；再将输入值与阈值进行比较得到二值输出；最后将输入与输出的误差按照一定的规律扩散到未处理的邻域上。

误差扩散法虽能够更加完整的保留原图像的阶调信息，且具有较高的打印分辨率。但在多灰度级图像中存在具有相关性的人工痕迹，严重的会出现蠕虫效应。还会出现边缘模糊、边缘过渡不连续的现象。另外，打印点的重叠效应会使上述现象更为明显，会产生不良的视觉效果。

发明内容

本发明的目的在于弥补现有技术的不足之处，针对经典误差扩散算法出现的人工痕迹、边缘模糊、边缘过渡不连续等问题，提供了一种基于人眼视觉模型的误差反馈半色调算法，意在改善经典半色调存在的不足，提高算法对连续调图像的处理效果，从而达到更好的视觉效果。

本发明的目的是通过以下技术手段实现的：

一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：包括以下步骤：

步骤1，获取数字图像灰度数据，将连续调图像的像素值进行归一化处理；

步骤2，将打印机模型引入传统误差扩散方法中，将经过打印机模型后的输出值和量化输入值的差作为误差扩散方法中反馈的量化误差，达到降低点增益现象的效果；

步骤3，采用经过打印机模型的F-S误差扩散方法，获得二值输出b(m,n)，并将获得的半调图像b(m,n)与原始图像f(m,n)分别经过人眼视觉模型(HVS)，获得与

步骤4，将经过人眼视觉模型响应后的半色调图像与原始图像做差，获得人眼视觉差可以表示为

步骤5，根据当前区域的像素灰度特征计算视觉差的反馈系数H(m,n)；

步骤6，采用正负反馈的方式，将视觉差反馈给原图像，深化图像的纹理结构，其具体的反馈原则为：当前像素值f(m,n)大于其邻域3×3的平均像素值时，采用正反馈的方式；当前像素值f(m,n)小于其邻域3×3的平均像素值时，采用负反馈的方式；当当前像素值与其邻域像素值相差不大或为0时，说明该像素所在区域比较平滑，纹理特征不明显，此时采用较小的反馈系数或者不反馈来保证图像在平滑区域的连续性；

步骤7，再次采用F-S误差扩散法实现对获得视觉差反馈的图像进行处理，获得二值输出；

步骤8，采用阈值调制的方式来降低半色调图像中的人工纹理，在阈值常量中添加高斯白噪声，其表达式为：

步骤9，通过实验综合图像处理效果及效率，确定反馈次数，本发明通过实验最终确定反馈次数为三次最佳，最终获得经过处理后的二值图像b³(m,n)；

步骤10，采用本发明中的算法实现对图像的仿真，并通过图像质量客观评价参数：峰值信噪比、归一化均方差、结构相似度来实现对本发明算法的处理效果的评价。

而且，所述的步骤2的具体子步骤如下：

步骤2-1，获得打印机模型输出的灰度值与输入灰度差值，可表示为

其中为等价灰度值，可表示为

为半色调图像的当前像素与其邻域构成，采用实圆点模型来实现打印机模型模拟，这里不再赘述；

步骤2-2，则经过打印机模型的实际的灰度值可表示为

其中v_i,j代表量化输入，x_i,j为连续调图像的像素值，通过打印机模型获得 e_i,j，并采用一定的规则将由打印机产生的点增益效应反馈给原图像，从而提高图像的对比度。

而且，所述的步骤3的具体子步骤如下：

步骤3-1，采用误差扩散方法实现对连续调图像的处理，将当前像素灰度值与阈值进行比较，获得二值输出，将二值输出与原连续调图像的像素值做差获得误差值，并按照如附图4所示的方向和误差扩散系数将当前像素的误差扩散到其邻域，达到误差补偿的效果；

步骤3-2，分别将获得的二值输出与输入通过人眼视觉模型，经过人眼视觉模型的半色调图像可以表示为：

连续调图像可表示为：

步骤3-3，将通过人眼视觉模型的输入输出做差获得最终作为反馈的视觉差。

而且，所述的步骤4包括如下的子步骤：

步骤4-1，本发明采用Nasanen函数模型来代替人眼视觉模型，由于人眼视觉模型具有圆对称性特点，这里采用Gaussian函数来代替Nasanen函数模型，可表示为

其中u,v为频域坐标，σ₁为高斯曲线扩张程度；

步骤4-2，则人眼视觉差可表示为

而且，所述的步骤5包括如下的子步骤：

步骤5-1，本发明采用当前像素值f(m,n)的邻域中的3×3的元素值与当前像素f(m,n)的差值作为衡量量，可以表示为

步骤5-2，Q是用来控制半色调图像特性的参数，Q值越大，在纹理区域就能更好的保持图像的纹理细节；Q值越小，在平滑区域越能更好的保持图像的连续性，则图像的反馈系数H(m,n)可表示为：

步骤5-3，视觉差反馈系数H(m,n)中，k决定视觉差的反馈量，表示为：

本发明可以通过调节k₁、Q的值来调节视觉差的反馈量，从而调节半色调图像的视觉效果。

而且，所述的步骤7包括如下的子步骤：

步骤7-1，灰度图像在经过第一次视觉差反馈，获得视觉差补偿后的连续调图像为：

步骤7-2，采用经典误差扩散法对f¹(m,n)进行半色调处理，则

步骤7-3，分别将连续调图像f¹(m,n)与半色调图像b¹(m,n)经过人眼视觉模型并做差获得可以表示为

步骤7-4，将第二次经过人眼视觉模型的视觉差反馈给f¹(m,n)，则有

返回步骤7-2，在进行两次步骤7-1至7-3，并采用经过阈值调制的经典半色调算法最后获得经过三次视觉差反馈的半色调图像，具有较好的视觉效果且时间效率较高。

而且，所述的步骤10的具体子步骤如下：

步骤10-1，计算被处理半色调图像的归一化均方误差，归一化均方误差是根据原始图像素与半色调图的均方差与原始图像的平方比值来衡量，如式(17)所示，其中M、N为图像的大小，该方法评价的半色调图像的NMSE的值越小越好，NMSE的值越小说明处理的半色调图像与原图像越接近；

在对图像进行处理时，进行三次迭代的过程中NMSE值逐次减小，当进行四次迭代时，其处理时间较长且获得的NMSE值要高于三次迭代后的归一化均方差值；

步骤10-2，计算被处理半色调图像的峰值信噪比；

峰值信噪比评价法是基于每个像素的字长，定义为峰值信号能量与平均噪声能量的比值，其本质与归一化均方误差相同，也是一种基于整体误差统计特性的评价方法，其计算方法如式(18)所示，该方法数学表达简单，易于实现，但不能反应半色调图像中的各种失真现象，如人工纹理，边缘模糊等，通常情况下， PSNR的值越大越好，可表示为

在对图像进行迭代处理时，进行前三次迭代时，其峰值信噪比的值逐渐增大，当进行第四次迭代后算得的峰值信噪比的值要低于前三次迭代，所以综合峰值信噪比与归一化均方差及算法的实效性，本发明采用三次迭代；

步骤10-3，计算被处理图像的结构相似度；

结构相似度评价法是通过一个相似度系统来评价图像的相似度，主要分为亮度、对比度、结构信息三部分，l(x,y)、c(x,y)、s(x,y)分别为亮度函数、对比度函数和相关性函数，分别可表示为

SSIM＝[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ………………………………(22)

其中C₁、C₂、C₃是为了防止出现除零现象而设置的常量，α、β、γ用来对亮度、对比度和结构相似度函数进行权重调节，一般情况下，α＝1，β＝1，γ＝1，使得结构相似度评价适合普通图像；

对所有像素点的SSIM取平均值，就可求得图像的全局结构相似度，表示为：

通常，全局结构相似度范围为[0,1]，当MSSIM越接近1时，说明两幅图像的视觉效果越接近；

步骤10-4，采用本发明算法对上述图像客观评价指标进行计算，为了证明算法的处理效果，本发明对经典的F-S算法与分别经过一次迭代、二次迭代和三次迭代的算法效果进行对比。

本发明的优点和积极效果是：

半色调技术的目的是对图像进行复制，使复制后的图像与原始图像视觉效果尽可能相似。在评判两幅图像的效果时会通过视觉系统即人眼去观察，将两幅图像反应在大脑，并作出主观判断，从视觉上得到其相似程度。另外，一般获得的图片都是经过打印机打印的图片，因此在进行主观判断前图像经历了半色调处理和打印过程。两幅图像的视觉差就包含半色调处理与打印机过程中的点增益引起的图像偏差两部分。所以本发明采用模拟打印机模型和人眼视觉模型来衡量视觉差，并反馈给被处理图像，从而得到符合人眼视觉特性的半色调图像。

本发明详细讨论了基于人眼视觉模型误差反馈的半色调算法，以经典半色调算法为基础进行改进。采用近似人眼视觉模型的Gauss函数模型作为反馈依据，并建立视觉差反馈系统，通过当前像素点的灰度值与其邻域平均像素之间的关系来确定正负反馈，较好的保护了原图像的结构纹理细节。并使处理后的半色调图像更加接近人眼视觉特征，降低了视觉纹理。又采用实圆点打印机模型作为降低半色调图像在打印过程中容易出现的点增益现象。同时，通过多次迭代实现图像增强，提高图像对比度。

本发明采用人眼视觉模型与打印机模型相结合的方式，实现对经典数字半色调算法的改进，具有一定的创新性，并获得了较好的处理效果。在图像硬拷贝领域具有一定的应用价值。

附图说明

图1为经典的误差扩散法半色调处理流程图；

图2为本发明半色调算法处理的原理框图；

图3为Campbell函数，Mannos函数，Nasanen函数和Daly函数模型对比图；

图4为误差扩散方向及其系数图；

图5为被处理的原连续调图；

图6为经过经典误差扩散F-S处理后的半色调图；

图7为经过本发明处理的半色调图。

具体实施方式

下面结合附图详细叙述本发明的实施例，需要说明的是，本实施例是叙述性的，不是限定性的，不能以此限定本发明的保护范围。

一种基于人眼视觉模型的误差反馈半色调算法，其原理框图如图2所示，包括以下步骤：

⑴、步骤1，获取数字图像灰度数据，将连续调图像的像素值进行归一化处理。

⑵、步骤2，将打印机模型引入传统误差扩散方法中，将经过打印机模型后的输出值和量化输入值的差作为误差扩散方法中反馈的量化误差，达到降低点增益现象的效果；步骤2的具体子步骤如下：

步骤2-1，获得打印机模型输出的灰度值与输入灰度差值，可表示为

其中为等价灰度值，可表示为

为半色调图像的当前像素与其邻域构成，采用实圆点模型来实现打印机模型模拟，这里不再赘述；

步骤2-2，则经过打印机模型的实际的灰度值可表示为

其中v_i,j代表量化输入，x_i,j为连续调图像的像素值，通过打印机模型获得 e_i,j，并采用一定的规则将由打印机产生的点增益效应反馈给原图像，从而提高图像的对比度。

⑶、步骤3，采用经过打印机模型的F-S误差扩散方法，获得二值输出b(m,n)，并将获得的半调图像b(m,n)与原始图像f(m,n)分别经过人眼视觉模型(HVS)，获得与步骤3的具体子步骤如下：

步骤3-1，采用误差扩散方法实现对连续调图像的处理，将当前像素灰度值与阈值进行比较，获得二值输出，将二值输出与原连续调图像的像素值做差获得误差值，并按照如附图4所示的方向和误差扩散系数将当前像素的误差扩散到其邻域，达到误差补偿的效果；

步骤3-2，分别将获得的二值输出与输入通过人眼视觉模型，经过人眼视觉模型的半色调图像可以表示为：

连续调图像可表示为：

步骤3-3，将通过人眼视觉模型的输入输出做差获得最终作为反馈的视觉差。

⑷、步骤4，将经过人眼视觉模型响应后的半色调图像与原始图像做差，获得人眼视觉差可以表示为

步骤4包括如下的子步骤：

步骤4-1，目前用于半色调技术的HVS模型仅限于对比度敏感函数(CSF) 是线性时不变滤波器的情况，主要有四种CSF函数用于半色调技术，分别为： Campbell函数，Mannos函数，Nasanen函数和Daly函数，通过四种函数的曲线分析(如附图3所示)可知，Campbell函数模型与Mannos函数模型均具有带通滤波器的特性，Nasanen函数模型和Daly函数模型具有低通滤波器特性，对于数字半色调技术而言，Nasanen函数模型具有较好的低通滤波特性作为应用首选，因此，本发明采用Nasanen函数模型来代替人眼视觉模型，由于人眼视觉模型具有圆对称性特点，这里采用Gaussian函数来代替Nasanen函数模型，可表示为

其中u,v为频域坐标，σ₁为高斯曲线扩张程度；

步骤4-2，则人眼视觉差可表示为

⑸、步骤5，根据当前区域的像素灰度特征计算视觉差的反馈系数H(m,n)；

步骤5包括如下的子步骤：

步骤5-1，本发明采用当前像素值f(m,n)的邻域中的3×3的元素值与当前像素f(m,n)的差值作为衡量量，可以表示为

步骤5-2，Q是用来控制半色调图像特性的参数，Q值越大，在纹理区域就能更好的保持图像的纹理细节；Q值越小，在平滑区域越能更好的保持图像的连续性，则图像的反馈系数H(m,n)可表示为：

步骤5-3，视觉差反馈系数H(m,n)中，k决定视觉差的反馈量，表示为：

本发明可以通过调节k₁、Q的值来调节视觉差的反馈量，从而调节半色调图像的视觉效果。

⑹、步骤6，采用正负反馈的方式，将视觉差反馈给原图像，深化图像的纹理结构，其具体的反馈原则为：当前像素值f(m,n)大于其邻域3×3的平均像素值时，采用正反馈的方式；当前像素值f(m,n)小于其邻域3×3的平均像素值时，采用负反馈的方式；当当前像素值与其邻域像素值相差不大或为0时，说明该像素所在区域比较平滑，纹理特征不明显，此时采用较小的反馈系数或者不反馈来保证图像在平滑区域的连续性。

⑺、步骤7，再次采用F-S误差扩散法实现对获得视觉差反馈的图像进行处理，获得二值输出；步骤7包括如下的子步骤：

步骤7-1，灰度图像在经过第一次视觉差反馈，获得视觉差补偿后的连续调图像为：

步骤7-2，采用经典误差扩散法对f¹(m,n)进行半色调处理，则

步骤7-3，分别将连续调图像f¹(m,n)与半色调图像b¹(m,n)经过人眼视觉模型并做差获得可以表示为

步骤7-4，将第二次经过人眼视觉模型的视觉差反馈给f¹(m,n)，则有

返回步骤7-2，在进行两次步骤7-1至7-3，并采用经过阈值调制的经典半色调算法最后获得经过三次视觉差反馈的半色调图像，具有较好的视觉效果且时间效率较高。

⑻、步骤8，采用阈值调制的方式来降低半色调图像中的人工纹理，在阈值常量中添加高斯白噪声，其表达式为：

⑼、步骤9，通过实验综合图像处理效果及效率，确定反馈次数，本发明通过实验最终确定反馈次数为三次最佳，最终获得经过处理后的二值图像b³(m,n)。

⑽、步骤10，采用本发明中的算法实现对图像的仿真，并通过图像质量客观评价参数：峰值信噪比、归一化均方差、结构相似度来实现对本发明算法的处理效果的评价。步骤10的具体子步骤如下：

步骤10-1，计算被处理半色调图像的归一化均方误差，归一化均方误差是根据原始图像素与半色调图的均方差与原始图像的平方比值来衡量，如式17所示，其中M、N为图像的大小，该方法评价的半色调图像的NMSE的值越小越好， NMSE的值越小说明处理的半色调图像与原图像越接近；

在对附图5进行处理时，进行三次迭代的过程中NMSE值逐次减小，当进行四次迭代时，其处理时间较长且获得的NMSE值要高于三次迭代后的归一化均方差值；

步骤10-2，计算被处理半色调图像的峰值信噪比；

峰值信噪比评价法是基于每个像素的字长，定义为峰值信号能量与平均噪声能量的比值，其本质与归一化均方误差相同，也是一种基于整体误差统计特性的评价方法，其计算方法如式(18)所示，该方法数学表达简单，易于实现，但不能反应半色调图像中的各种失真现象，如人工纹理，边缘模糊等，通常情况下， PSNR的值越大越好，可表示为

在对附图5进行迭代处理时，进行前三次迭代时，其峰值信噪比的值逐渐增大，当进行第四次迭代后算得的峰值信噪比的值要低于前三次迭代，所以综合峰值信噪比与归一化均方差及算法的实效性，本发明采用三次迭代；

步骤10-3，计算被处理图像的结构相似度；

结构相似度评价法是通过一个相似度系统来评价图像的相似度，主要分为亮度、对比度、结构信息三部分，l(x,y)、c(x,y)、s(x,y)分别为亮度函数、对比度函数和相关性函数，分别可表示为

SSIM＝[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ………………………………(22)

其中C₁、C₂、C₃是为了防止出现除零现象而设置的常量，α、β、γ用来对亮度、对比度和结构相似度函数进行权重调节，一般情况下，α＝1，β＝1，γ＝1，使得结构相似度评价适合普通图像；

对所有像素点的SSIM取平均值，就可求得图像的全局结构相似度，表示为：

通常，全局结构相似度范围为[0,1]，当MSSIM越接近1时，说明两幅图像的视觉效果越接近；

步骤10-4，采用本发明算法对上述图像客观评价指标进行计算，为了证明算法的处理效果，本发明对经典的F-S算法与分别经过一次迭代、二次迭代和三次迭代的算法效果进行对比，其半色调图像的MSSIM指标计算结果如附表1所示，从表中可以看出本发明采用的算法的结构相似度值要明显高于F-S算法及经过两次迭代算法，说明本发明算法处理的半色调图像与原连续调图像更加接近，具有较好的半色调处理效果。

实例作用与效果

本发明中采用的数字半色调方法，由于采用目前效果较好的误差扩散方法，并将人眼视觉模型用于半色调方法中，将视觉差作为反馈给被处理图像，将由误差扩散方法产生的误差得到量化和补偿，使得被处理图像具有更多的原图像信息，保留了原始图像相对完整的阶调信息，使得最后图像处理的效果接近人眼视觉效果。

另外，本实例采用多次迭代的方法，并采用当前像素点与其邻域像素的平均值进行比较，从而确定反馈原则，并通过误差量来确定反馈量的方式来确定反馈系数，较多的保留了图像的结构信息，使被处理图像的边界清晰，改善了原F-S 误差扩散算法边界模糊，边界过渡不连续等问题。

本实例采用图像实例如图5所示进行处理，并采用经典的F-S算法对相应图像进行处理，并获得其客观评价参数指标全局结构相似度的值，如附表1所示。从处理的半色调图像可以看出，由本发明算法处理的半色调图像，图像结构轮廓清晰、边界过渡柔和、图像阶调信息相对完整。从附表1中可以看出，本发明采用的半色调算法处理的图像的结构相似度值要大于采用另外三种方法，说明本发明采用的数字半色调算法处理的图像在相似程度上要更接近原图像，达到预期效果。

附表1为半色调图像客观评价指标计算结果

算法名称	F_S	一次迭代	二次迭代	三次迭代
					MSSIM值	0.0313	0.0335	0.0352	0.0379

Claims (7)

1.一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：包括以下步骤：

步骤1，获取数字图像灰度数据，将连续调图像的像素值进行归一化处理；

步骤2，将打印机模型引入传统误差扩散方法中，将经过打印机模型后的输出值和量化输入值的差作为误差扩散方法中反馈的量化误差，达到降低点增益现象的效果；

步骤3，采用经过打印机模型的F-S误差扩散方法，获得二值输出b(m,n)，并将获得的半调图像b(m,n)与原始图像f(m,n)分别经过人眼视觉模型(HVS)，获得与

步骤4，将经过人眼视觉模型响应后的半色调图像与原始图像做差，获得人眼视觉差可以表示为

步骤5，根据当前区域的像素灰度特征计算视觉差的反馈系数H(m,n)；

步骤6，采用正负反馈的方式，将视觉差反馈给原图像，深化图像的纹理结构，其具体的反馈原则为：当前像素值f(m,n)大于其邻域3×3的平均像素值时，采用正反馈的方式；当前像素值f(m,n)小于其邻域3×3的平均像素值时，采用负反馈的方式；当当前像素值与其邻域像素值相差不大或为0时，说明该像素所在区域比较平滑，纹理特征不明显，此时采用较小的反馈系数或者不反馈来保证图像在平滑区域的连续性；

步骤7，再次采用F-S误差扩散法实现对获得视觉差反馈的图像进行处理，获得二值输出；

步骤8，采用阈值调制的方式来降低半色调图像中的人工纹理，在阈值常量中添加高斯白噪声，其表达式为：

步骤9，通过实验综合图像处理效果及效率，确定反馈次数，本发明通过实验最终确定反馈次数为三次最佳，最终获得经过处理后的二值图像b³(m,n)；

步骤10，采用本发明中的算法实现对图像的仿真，并通过图像质量客观评价参数：峰值信噪比、归一化均方差、结构相似度来实现对本发明算法的处理效果的评价。

2.根据权利要求1所述的一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：所述的步骤2的具体子步骤如下：

步骤2-1，获得打印机模型输出的灰度值与输入灰度差值，可表示为

其中为等价灰度值，可表示为

为半色调图像的当前像素与其邻域构成，采用实圆点模型来实现打印机模型模拟，这里不再赘述；

步骤2-2，则经过打印机模型的实际的灰度值可表示为

其中v_i,j代表量化输入，x_i,j为连续调图像的像素值，通过打印机模型获得e_i,j，并采用一定的规则将由打印机产生的点增益效应反馈给原图像，从而提高图像的对比度。

3.根据权利要求1所述的一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：所述的步骤3的具体子步骤如下：

步骤3-1，采用误差扩散方法实现对连续调图像的处理，将当前像素灰度值与阈值进行比较，获得二值输出，将二值输出与原连续调图像的像素值做差获得误差值，并按照如附图4所示的方向和误差扩散系数将当前像素的误差扩散到其邻域，达到误差补偿的效果；

步骤3-2，分别将获得的二值输出与输入通过人眼视觉模型，经过人眼视觉模型的半色调图像可以表示为：

连续调图像可表示为：

步骤3-3，将通过人眼视觉模型的输入输出做差获得最终作为反馈的视觉差。

4.根据权利要求1所述的一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：所述的步骤4包括如下的子步骤：

步骤4-1，本发明采用Nasanen函数模型来代替人眼视觉模型，由于人眼视觉模型具有圆对称性特点，这里采用Gaussian函数来代替Nasanen函数模型，可表示为

其中u,v为频域坐标，σ₁为高斯曲线扩张程度；

步骤4-2，则人眼视觉差可表示为

5.根据权利要求1所述的一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：所述的步骤5包括如下的子步骤：

步骤5-1，本发明采用当前像素值f(m,n)的邻域中的3×3的元素值与当前像素f(m,n)的差值作为衡量量，可以表示为

步骤5-2，Q是用来控制半色调图像特性的参数，Q值越大，在纹理区域就能更好的保持图像的纹理细节；Q值越小，在平滑区域越能更好的保持图像的连续性，则图像的反馈系数H(m,n)可表示为：

步骤5-3，视觉差反馈系数H(m,n)中，k决定视觉差的反馈量，表示为：

本发明可以通过调节k₁、Q的值来调节视觉差的反馈量，从而调节半色调图像的视觉效果。

6.根据权利要求1所述的一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：所述的步骤7包括如下的子步骤：

步骤7-1，灰度图像在经过第一次视觉差反馈，获得视觉差补偿后的连续调图像为：

步骤7-2，采用经典误差扩散法对f¹(m,n)进行半色调处理，则

步骤7-3，分别将连续调图像f¹(m,n)与半色调图像b¹(m,n)经过人眼视觉模型并做差获得可以表示为

步骤7-4，将第二次经过人眼视觉模型的视觉差反馈给f¹(m,n)，则有

返回步骤7-2，在进行两次步骤7-1至7-3，并采用经过阈值调制的经典半色调算法最后获得经过三次视觉差反馈的半色调图像，具有较好的视觉效果且时间效率较高。

7.根据权利要求1所述的一种基于人眼视觉模型的误差反馈半色调算法，其特征在于：所述的步骤10的具体子步骤如下：

步骤10-1，计算被处理半色调图像的归一化均方误差，归一化均方误差是根据原始图像素与半色调图的均方差与原始图像的平方比值来衡量，如式(17)所示，其中M、N为图像的大小，该方法评价的半色调图像的NMSE的值越小越好，NMSE的值越小说明处理的半色调图像与原图像越接近；

在对图像进行处理时，进行三次迭代的过程中NMSE值逐次减小，当进行四次迭代时，其处理时间较长且获得的NMSE值要高于三次迭代后的归一化均方差值；

步骤10-2，计算被处理半色调图像的峰值信噪比；

峰值信噪比评价法是基于每个像素的字长，定义为峰值信号能量与平均噪声能量的比值，其本质与归一化均方误差相同，也是一种基于整体误差统计特性的评价方法，其计算方法如式(18)所示，该方法数学表达简单，易于实现，但不能反应半色调图像中的各种失真现象，如人工纹理，边缘模糊等，通常情况下，PSNR的值越大越好，可表示为

在对图像进行迭代处理时，进行前三次迭代时，其峰值信噪比的值逐渐增大，当进行第四次迭代后算得的峰值信噪比的值要低于前三次迭代，所以综合峰值信噪比与归一化均方差及算法的实效性，本发明采用三次迭代；

步骤10-3，计算被处理图像的结构相似度；

结构相似度评价法是通过一个相似度系统来评价图像的相似度，主要分为亮度、对比度、结构信息三部分，l(x,y)、c(x,y)、s(x,y)分别为亮度函数、对比度函数和相关性函数，分别可表示为

SSIM＝[l(x,y)]^α[c(x,y)]^β[s(x,y)]^γ………………………………(22)

其中C₁、C₂、C₃是为了防止出现除零现象而设置的常量，α、β、γ用来对亮度、对比度和结构相似度函数进行权重调节，一般情况下，α＝1，β＝1，γ＝1，使得结构相似度评价适合普通图像；

对所有像素点的SSIM取平均值，就可求得图像的全局结构相似度，表示为：

通常，全局结构相似度范围为[0,1]，当MSSIM越接近1时，说明两幅图像的视觉效果越接近；

步骤10-4，采用本发明算法对上述图像客观评价指标进行计算，为了证明算法的处理效果，本发明对经典的F-S算法与分别经过一次迭代、二次迭代和三次迭代的算法效果进行对比。