CN111986275A - 一种多模态半色调图像的逆半色调化方法 - Google Patents

一种多模态半色调图像的逆半色调化方法 Download PDF

Info

Publication number
CN111986275A
CN111986275A CN202010757909.7A CN202010757909A CN111986275A CN 111986275 A CN111986275 A CN 111986275A CN 202010757909 A CN202010757909 A CN 202010757909A CN 111986275 A CN111986275 A CN 111986275A
Authority
CN
China
Prior art keywords
halftone
image
error diffusion
convolution
inverse
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.)
Pending
Application number
CN202010757909.7A
Other languages
English (en)
Inventor
张二虎
段敬红
王雨彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010757909.7A priority Critical patent/CN111986275A/zh
Publication of CN111986275A publication Critical patent/CN111986275A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/70—

Abstract

本发明公开了一种多模态半色调图像的逆半色调化方法，首先生成不同模态的半色调图像，构建逆半色调数据集和模态风格转换数据集；然后构建模态风格转换网络，实现其它模态的半色调图像到误差扩散型半色调图像转换；接着构建误差扩散型半色调图像到连续调图像转换的逆半色调转换网络，实现误差扩散型半色调图像的逆半色调化；最后，对于任意模态类型的半色调图像，先通过模态风格转换网络转换为误差扩散型风格的半色调图像，再通过逆半色调转换网络转换为连续调图像。本发明方法针对多模态半色调图像的逆半色调化，提出了通过多种转换网络的逆半色调化方法，具有结构统一、转换效果好的特点。

Description

一种多模态半色调图像的逆半色调化方法
技术领域
本发明属于印刷图像处理技术领域，涉及一种多模态半色调图像的逆半色调化方法。
背景技术
半色调技术是一种将连续调的图像转换成二值阶调的图像，但人眼在一定的距离下观察仍呈现出连续调图像视觉效果的技术，所生成的二值图像被称为半色调图像。采用半色调技术，可以供无法再现连续调图像的各种二值输出设备输出视觉上近似的连续调图像，其被广泛应用于印刷、打印、电子显示等领域。
实际生活中产生了许多的半色调图像。为了进一步应用半色调图像，如对半色调图像转换加网、半色调图像数字化管理、印刷图像分类识别，需要将其转换为连续调图像，这被称为逆半色调化。之所以要进行逆半色调化，是因为现有的图像处理、分析及识别的软件和方法主要都是针对连续调图像的。
连续调图像在转换为半色调图像的过程中丢失了许多信息且在半色调化的过程中引入了半色调噪声，因此逆半色调化是一个病态图像的恢复过程。目前的逆半色调化方法主要有低通滤波法、反褶积法、迭代法、变换域法、稀疏表示法和查表法等，这些方法可以在一定程度上恢复出连续调图像，但恢复出的图像质量不高，且无法较好的联合三通道的彩色半色调图像恢复彩色图像。近年，深度学习技术被逐渐引用逆半色调技术领域，取得了较好的恢复效果，但仍然存在着以下问题：一是一种方法只能实现一种类型的半色调图像逆半色调化，无法完成多模态半色调图像的逆半色调化；二是无法较好恢复出半色调图像中的细节信息，且半色调噪声去除不够彻底。本发明针对以上问题，提供了一种有效的解决方法。
发明内容
本发明的目的是提供一种多模态半色调图像的逆半色调化方法，具有通过非线性降采样、融合多通道恢复的逆半色调化方法，从不同频带中去除半色调噪声并增强恢复图像中的细节信息的特点。
本发明所采用的技术方案是，一种多模态半色调图像的逆半色调化方法，具体按照以下步骤实施：
步骤1、采集不同类型的连续调图像，并利用不同种类的半色调方法生成不同模态的半色调图像，并构建半色调数据集和模态风格转换数据集；
步骤2、构建误差扩散型半色调图像到连续调图像转换的逆半色调转换网络，并利用逆半色调数据集D1进行训练和验证，实现误差扩散型半色调图像的逆半色调化；
步骤3、构建不同模态类型的半色调图像到误差扩散型半色调图像转换的模态风格转换网络，并利用模态风格转换数据集D2进行训练和验证；实现不同模态的半色调图像到误差扩散型半色调图像转换；
步骤4、对于输入的任一类型的其它模态的半色调图像，先用步骤3构建并训练好的模态风格转换网络将其转换为误差扩散型风格的半色调图像，再用步骤2构建并训练好的逆半色调转换网络将其转换为对应的连续调图像。
步骤1中不同种类的半色调方法包括误差扩散法、点扩散法抖动法和直接二值搜索法；其中半色调数据集由误差扩散法半色调图像和对应的连续调图像组成，用D1表示；模态风格转换数据集由其它模态的半色调图像和其对应的误差扩散型的半色调图像组成，用D2表示。
D1和D2可按照一定的比例随机划分为训练集和测试集。
步骤2中，逆半色调转换网络由内容提取模块和细节增强模块两部分组成，具体的：
内容提取模块，其输入为误差扩散型半色调图像，通过卷积核大小为3×3的卷积生成64个特征图，再通过中间三路不同尺度模块进行半色调噪声去除和内容恢复，接着中间三路的输出特征图堆叠，然后通过卷积核大小为3×3的卷积生成3通道的初始连续调图像；
细节增强模块，用于学习生成的初始连续调图像与真实连续调图像之间的细节残差；其输入为误差扩散型半色调图像与内容提取模块输出的初始连续调图像的通道堆叠，然后通过卷积核大小为3×3、步幅为1的卷积生成64个特征图，再经过8个残差稠密块得到细节残差输出，最后细节残差输出和生成的初始连续调图像进行相加得到最终的连续调图像；
逆半色调转换网络训练时的损失函数L，由内容损失Lc、感知损失Lp及边缘细节损失Le组成：
L＝Lc+2Lp+0.05Le，
其中：
Figure BDA0002612176480000031
Ic表示一幅连续调图像，Ih是其对应的半色调图像，C(Ih)表示由Ih通过内容提取模块生成的初始连续调图像，G(Ih)表示由Ih最终生成的连续调图像，算子LF(·)表示低通滤波，算子VGGl(·)表示用VGG19模型提取其Conv4-4层的特征，算子S(·)表示进行Sobel边缘提取；
对于数据集D1中的训练数据集和损失函数训练逆半色调转换网络，利用数据集D1中的测试数据集验证该逆半色调转换网络。
中间三路不同尺度的模块，第一路为4个残差稠密块，采用的卷积核大小均为3×3，特征通道数均为64；第二路首先通过卷积进行降采样，然后是4个残差稠密块，再通过线性插值进行上采样，最后该路的输入通过跳连接和该路的上采样输出相连接，作为该路的输出；第三路首先在第二路的降采样的基础上再通过卷积进行一次降采样，然后是4个残差稠密块，接着进行一次上采样，并和该路的输入进行跳连接，最后再进行一次上采样作为该路的输出。
步骤3中，模态风格转换网络由生成器和判别器两部分组成，具体的：
生成器，采用步骤2中的逆半色调转换网络，输入为不同模态的半色调图像，输出为对应的误差扩散型半色调图像；
判别器，其输入是生成器输出的误差扩散型半色调图像和真实的误差扩散类半色调图像，输出为判别输入的半色调图像是否是真实的误差扩散类半色调图像；
模态风格转换网络训练时，生成器的损失函数LG，颜色损失Lcolor、风格损失Lstyle和生成对抗损失Ladv组成：
Figure BDA0002612176480000051
判别器D，其损失函数LD为：
Figure BDA0002612176480000052
其中Im表示多模态的半色调图像，Ie表示误差扩散型半色调图像，算子Blur(·)表示高斯模糊滤波处理，Gram(·)表示风格迁移中求格拉姆矩阵，D表示判别器。
对于数据集D2中的训练数据集和损失函数训练模态风格转换网络，利用数据集D2中的测试数据集验证该模态风格转换网络。
判别器网络结构为：卷积层1的卷积核大小为11×11、步幅为4、卷积核数为48，卷积层2的卷积核大小为5×5、步幅为2、卷积核数为128，卷积层3的卷积核大小为3×3、步幅为1、卷积核数为192，卷积层4的卷积核大小为3×3、步幅为1、卷积核数为192，卷积层5的卷积核大小为3×3、步幅为2、卷积核数为128；全连接层1的神经元个数为1024，全连接层2的神经元个数为2。
本发明的有益效果是：
(1)提供了一种通用的多模态半色调图像拟半色调化方法，克服了现有方法中一种方法只能针对一种类型的的半色调图像；(2)本发明基于非线性降采样的方式获得不同频带上的图像，可用从低、中、高三个频带尺度上较好的去除半色调噪声；(3)本发明通过不同尺度上图像信息的融合，可以较好的恢复出丢失的图像细节信息；(4)利用本发明方法可以自动的实现彩色半色调图像的拟半色调化，提高了恢复图像的质量。
附图说明
图1是本发明一种多模态半色调图像的逆半色调化方法的流程图；
图2是本发明应用本方法处理后图像的结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，一种多模态半色调图像的逆半色调化方法，具体按照以下步骤实施：
步骤1、采集不同类型的连续调图像，并利用不同种类的半色调方法生成不同模态的半色调图像，并构建半色调数据集和模态风格转换数据集；
步骤2、构建误差扩散型半色调图像到连续调图像转换的逆半色调转换网络，并利用逆半色调数据集D1进行训练和验证，实现误差扩散型半色调图像的逆半色调化；
步骤3、构建不同模态类型的半色调图像到误差扩散型半色调图像转换的模态风格转换网络，并利用模态风格转换数据集D2进行训练和验证；实现不同模态的半色调图像到误差扩散型半色调图像转换；
步骤4、对于输入的任一类型的其它模态的半色调图像，先用步骤3构建并训练好的模态风格转换网络将其转换为误差扩散型风格的半色调图像，再用步骤2构建并训练好的逆半色调转换网络将其转换为对应的连续调图像。
步骤1中不同种类的半色调方法包括误差扩散法、点扩散法抖动法和直接二值搜索法；其中半色调数据集由误差扩散法半色调图像和对应的连续调图像组成，用D1表示；模态风格转换数据集由其它模态的半色调图像和其对应的误差扩散型的半色调图像组成，用D2表示。
D1和D2可按照一定的比例随机划分为训练集和测试集。
步骤2中，逆半色调转换网络由内容提取模块和细节增强模块两部分组成，具体的：
内容提取模块，其输入为误差扩散型半色调图像，通过卷积核大小为3×3的卷积生成64个特征图，再通过中间三路不同尺度模块进行半色调噪声去除和内容恢复，接着中间三路的输出特征图堆叠，然后通过卷积核大小为3×3的卷积生成3通道的初始连续调图像；
细节增强模块，用于学习生成的初始连续调图像与真实连续调图像之间的细节残差；其输入为误差扩散型半色调图像与内容提取模块输出的初始连续调图像的通道堆叠，然后通过卷积核大小为3×3、步幅为1的卷积生成64个特征图，再经过8个残差稠密块得到细节残差输出，最后细节残差输出和生成的初始连续调图像进行相加得到最终的连续调图像；
逆半色调转换网络训练时的损失函数L，由内容损失Lc、感知损失Lp及边缘细节损失Le组成：
L＝Lc+2Lp+0.05Le，
其中：
Figure BDA0002612176480000071
Ic表示一幅连续调图像，Ih是其对应的半色调图像，C(Ih)表示由Ih通过内容提取模块生成的初始连续调图像，G(Ih)表示由Ih最终生成的连续调图像，算子LF(·)表示低通滤波，算子VGGl(·)表示用VGG19模型提取其Conv4-4层的特征，算子S(·)表示进行Sobel边缘提取；
对于数据集D1中的训练数据集和损失函数训练逆半色调转换网络，利用数据集D1中的测试数据集验证该逆半色调转换网络。
中间三路不同尺度的模块，第一路为4个残差稠密块，采用的卷积核大小均为3×3，特征通道数均为64；第二路首先通过卷积进行降采样，然后是4个残差稠密块，再通过线性插值进行上采样，最后该路的输入通过跳连接和该路的上采样输出相连接，作为该路的输出；第三路首先在第二路的降采样的基础上再通过卷积进行一次降采样，然后是4个残差稠密块，接着进行一次上采样，并和该路的输入进行跳连接，最后再进行一次上采样作为该路的输出。
步骤3中，模态风格转换网络由生成器和判别器两部分组成，具体的：
生成器，采用步骤2中的逆半色调转换网络，输入为不同模态的半色调图像，输出为对应的误差扩散型半色调图像；
判别器，其输入是生成器输出的误差扩散型半色调图像和真实的误差扩散类半色调图像，输出为判别输入的半色调图像是否是真实的误差扩散类半色调图像；
模态风格转换网络训练时，生成器的损失函数LG，颜色损失Lcolor、风格损失Lstyle和生成对抗损失Ladv组成：
Figure BDA0002612176480000081
判别器D，其损失函数LD为：
Figure BDA0002612176480000082
其中Im表示多模态的半色调图像，Ie表示误差扩散型半色调图像，算子Blur(·)表示高斯模糊滤波处理，Gram(·)表示风格迁移中求格拉姆矩阵，D表示判别器。
对于数据集D2中的训练数据集和损失函数训练模态风格转换网络，利用数据集D2中的测试数据集验证该模态风格转换网络。
判别器网络结构为：卷积层1的卷积核大小为11×11、步幅为4、卷积核数为48，卷积层2的卷积核大小为5×5、步幅为2、卷积核数为128，卷积层3的卷积核大小为3×3、步幅为1、卷积核数为192，卷积层4的卷积核大小为3×3、步幅为1、卷积核数为192，卷积层5的卷积核大小为3×3、步幅为2、卷积核数为128；全连接层1的神经元个数为1024，全连接层2的神经元个数为2。
如图2所示，为本方法处理后的图像结果，第一行为三幅不同的连续调图像，第二行为对上述三幅图像的不同模态的半色调图像(分别为有序抖动法、直接二值搜索法和点扩散法产生的半色调图像)，第三行为经过风格转换后的类似误差扩散型的半色调图像，最后一行为最终转换后的连续调图像。

Claims (7)

1.一种多模态半色调图像的逆半色调化方法，其特征在于，具体按照以下步骤实施：
步骤1、采集不同类型的连续调图像，并利用不同种类的半色调方法生成不同模态的半色调图像，并构建半色调数据集和模态风格转换数据集；
步骤2、构建误差扩散型半色调图像到连续调图像转换的逆半色调转换网络，并利用逆半色调数据集D1进行训练和验证，实现误差扩散型半色调图像的逆半色调化；
步骤3、构建不同模态类型的半色调图像到误差扩散型半色调图像转换的模态风格转换网络，并利用模态风格转换数据集D2进行训练和验证；实现不同模态的半色调图像到误差扩散型半色调图像转换；
步骤4、对于输入的任一类型的其它模态的半色调图像，先用步骤3构建并训练好的模态风格转换网络将其转换为误差扩散型风格的半色调图像，再用步骤2构建并训练好的逆半色调转换网络将其转换为对应的连续调图像。
2.根据权利要求1所述的一种多模态半色调图像的逆半色调化方法，其特征在于，所述步骤1中不同种类的半色调方法包括误差扩散法、点扩散法抖动法和直接二值搜索法；其中半色调数据集由误差扩散法半色调图像和对应的连续调图像组成，用D1表示；模态风格转换数据集由其它模态的半色调图像和其对应的误差扩散型的半色调图像组成，用D2表示。
3.根据权利要求2所述的一种多模态半色调图像的逆半色调化方法，其特征在于，所述D1和D2可按照一定的比例随机划分为训练集和测试集。
4.根据权利要求1所述的一种多模态半色调图像的逆半色调化方法，其特征在于，所述步骤2中，逆半色调转换网络由内容提取模块和细节增强模块两部分组成，具体的：
内容提取模块，其输入为误差扩散型半色调图像，通过卷积核大小为3×3的卷积生成64个特征图，再通过中间三路不同尺度模块进行半色调噪声去除和内容恢复，接着中间三路的输出特征图堆叠，然后通过卷积核大小为3×3的卷积生成3通道的初始连续调图像；
细节增强模块，用于学习生成的初始连续调图像与真实连续调图像之间的细节残差；其输入为误差扩散型半色调图像与内容提取模块输出的初始连续调图像的通道堆叠，然后通过卷积核大小为3×3、步幅为1的卷积生成64个特征图，再经过8个残差稠密块得到细节残差输出，最后细节残差输出和生成的初始连续调图像进行相加得到最终的连续调图像；
逆半色调转换网络训练时的损失函数L，由内容损失Lc、感知损失Lp及边缘细节损失Le组成：
L＝Lc+2Lp+0.05Le，
其中：
Figure FDA0002612176470000021
Ic表示一幅连续调图像，Ih是其对应的半色调图像，C(Ih)表示由Ih通过内容提取模块生成的初始连续调图像，G(Ih)表示由Ih最终生成的连续调图像，算子LF(·)表示低通滤波，算子VGGl(·)表示用VGG19模型提取其Conv4-4层的特征，算子S(·)表示进行Sobel边缘提取；
对于数据集D1中的训练数据集和损失函数训练逆半色调转换网络，利用数据集D1中的测试数据集验证该逆半色调转换网络。
5.根据权利要求4所述的一种多模态半色调图像的逆半色调化方法，其特征在于，所述中间三路不同尺度的模块，第一路为4个残差稠密块，采用的卷积核大小均为3×3，特征通道数均为64；第二路首先通过卷积进行降采样，然后是4个残差稠密块，再通过线性插值进行上采样，最后该路的输入通过跳连接和该路的上采样输出相连接，作为该路的输出；第三路首先在第二路的降采样的基础上再通过卷积进行一次降采样，然后是4个残差稠密块，接着进行一次上采样，并和该路的输入进行跳连接，最后再进行一次上采样作为该路的输出。
6.根据权利要求1所述的一种多模态半色调图像的逆半色调化方法，其特征在于，所述步骤3中，模态风格转换网络由生成器和判别器两部分组成，具体的：
生成器，采用步骤2中的逆半色调转换网络，输入为不同模态的半色调图像，输出为对应的误差扩散型半色调图像；
判别器，其输入是生成器输出的误差扩散型半色调图像和真实的误差扩散类半色调图像，输出为判别输入的半色调图像是否是真实的误差扩散类半色调图像；
模态风格转换网络训练时，生成器的损失函数LG，颜色损失Lcolor、风格损失Lstyle和生成对抗损失Ladv组成：
Figure FDA0002612176470000031
判别器D，其损失函数LD为：
Figure FDA0002612176470000041
其中Im表示多模态的半色调图像，Ie表示误差扩散型半色调图像，算子Blur(·)表示高斯模糊滤波处理，Gram(·)表示风格迁移中求格拉姆矩阵，D表示判别器；
对于数据集D2中的训练数据集和损失函数训练模态风格转换网络，利用数据集D2中的测试数据集验证该模态风格转换网络。
7.根据权利要求6所述的一种多模态半色调图像的逆半色调化方法，其特征在于，所述判别器网络结构为：卷积层1的卷积核大小为11×11、步幅为4、卷积核数为48，卷积层2的卷积核大小为5×5、步幅为2、卷积核数为128，卷积层3的卷积核大小为3×3、步幅为1、卷积核数为192，卷积层4的卷积核大小为3×3、步幅为1、卷积核数为192，卷积层5的卷积核大小为3×3、步幅为2、卷积核数为128；全连接层1的神经元个数为1024，全连接层2的神经元个数为2。
CN202010757909.7A 2020-07-31 2020-07-31 一种多模态半色调图像的逆半色调化方法 Pending CN111986275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010757909.7A CN111986275A (zh) 2020-07-31 2020-07-31 一种多模态半色调图像的逆半色调化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010757909.7A CN111986275A (zh) 2020-07-31 2020-07-31 一种多模态半色调图像的逆半色调化方法

Publications (1)

Publication Number Publication Date
CN111986275A true CN111986275A (zh) 2020-11-24

Family

ID=73445950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010757909.7A Pending CN111986275A (zh) 2020-07-31 2020-07-31 一种多模态半色调图像的逆半色调化方法

Country Status (1)

Country Link
CN (1) CN111986275A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222856A (zh) * 2021-05-31 2021-08-06 中国人民警察大学 一种逆半色调图像处理方法、终端设备及可读存储介质
CN115356599A (zh) * 2022-10-21 2022-11-18 国网天津市电力公司城西供电分公司 一种多模态城市电网故障诊断方法及系统
WO2024077742A1 (zh) * 2022-10-13 2024-04-18 北京大学 基于条件扩散网络的逆半色调方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990009075A2 (en) * 1989-01-30 1990-08-09 Eastman Kodak Company Digital halftoning with error diffusion
CN1655583A (zh) * 2004-02-12 2005-08-17 施乐公司 生成具有多个前景平面的高压缩图像数据文件的系统和方法
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
WO2019042139A1 (zh) * 2017-08-29 2019-03-07 京东方科技集团股份有限公司 图像处理方法、图像处理装置、神经网络的训练方法
CN110378844A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 基于循环多尺度生成对抗网络的图像盲去运动模糊方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990009075A2 (en) * 1989-01-30 1990-08-09 Eastman Kodak Company Digital halftoning with error diffusion
CN1655583A (zh) * 2004-02-12 2005-08-17 施乐公司 生成具有多个前景平面的高压缩图像数据文件的系统和方法
WO2019042139A1 (zh) * 2017-08-29 2019-03-07 京东方科技集团股份有限公司 图像处理方法、图像处理装置、神经网络的训练方法
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
CN110378844A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 基于循环多尺度生成对抗网络的图像盲去运动模糊方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张燕;张二虎;: "图像逆半色调技术研究", 西安理工大学学报, no. 03 *
易尧华;刘磊;刘菊华;梁正宇;: "顾及边缘信息的多尺度误差扩散半色调算法", 包装工程, no. 23 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222856A (zh) * 2021-05-31 2021-08-06 中国人民警察大学 一种逆半色调图像处理方法、终端设备及可读存储介质
WO2024077742A1 (zh) * 2022-10-13 2024-04-18 北京大学 基于条件扩散网络的逆半色调方法及装置
CN115356599A (zh) * 2022-10-21 2022-11-18 国网天津市电力公司城西供电分公司 一种多模态城市电网故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN110992275B (zh) 一种基于生成对抗网络的细化单幅图像去雨方法
CN111986275A (zh) 一种多模态半色调图像的逆半色调化方法
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN111507909A (zh) 一种有雾图像清晰化的方法、装置及存储介质
CN111754438B (zh) 基于多分支门控融合的水下图像复原模型及其复原方法
US20050069197A1 (en) Method for embedding color image information into a black-and-white image
JP2003018403A (ja) 画像処理装置
CN110533614B (zh) 一种结合频域和空域的水下图像增强方法
CN113066027B (zh) 面向Raw域的屏摄图像摩尔纹去除方法
Ma et al. A robust structure-adaptive hybrid vector filter for color image restoration
CN111008936B (zh) 一种多光谱图像全色锐化方法
CN110930327A (zh) 基于级联深度残差网络的视频去噪方法
CN112070668A (zh) 一种基于深度学习和边缘增强的图像超分辨方法
CN111105357A (zh) 一种失真图像的去失真方法、装置及电子设备
CN109003247B (zh) 彩色图像混合噪声的去除方法
CN114359073A (zh) 一种低光照图像增强方法、系统、装置及介质
CN111523550A (zh) 一种图像识别方法、系统、介质及电子设备
CN114742911A (zh) 图像压缩感知重建方法、系统、设备及介质
CN110874828B (zh) 神经网络模型及基于神经网络模型的超声波束形成方法
Pandey et al. A new approach for upscaling document images for improving their quality
CN115345801B (zh) 一种基于图像去噪思想的图像压缩及滤镜去除方法及系统
JPH0981723A (ja) 画像処理装置
CN113222856A (zh) 一种逆半色调图像处理方法、终端设备及可读存储介质
CN110648291B (zh) 一种基于深度学习的无人机运动模糊图像的复原方法
Huang et al. Detection and classification of various image operations using deep learning technology

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