CN112700457B - 分色图转换3d打印文件时图像拼缝处理方法、装置、介质 - Google Patents
分色图转换3d打印文件时图像拼缝处理方法、装置、介质 Download PDFInfo
- Publication number
- CN112700457B CN112700457B CN202011612540.7A CN202011612540A CN112700457B CN 112700457 B CN112700457 B CN 112700457B CN 202011612540 A CN202011612540 A CN 202011612540A CN 112700457 B CN112700457 B CN 112700457B
- Authority
- CN
- China
- Prior art keywords
- image
- color separation
- sub
- continuous tone
- pixels
- 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 48
- 238000012545 processing Methods 0.000 title claims abstract description 26
- 238000000926 separation method Methods 0.000 claims abstract description 102
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 238000007639 printing Methods 0.000 claims abstract description 18
- 238000003672 processing method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000005520 cutting process Methods 0.000 claims description 19
- 238000009792 diffusion process Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010146 3D printing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 13
- 239000000919 ceramic Substances 0.000 description 8
- 238000007641 inkjet printing Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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 using two or more images, e.g. averaging or subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种分色图转换3D打印文件时图像拼缝处理方法、装置、介质。本发明针对三维瓷砖打印文件中的拼缝消除的问题,提出了用深度学习的方式结合图像融合技术,将分色图按照三种不同方式分块转换后重新拼接融合,转换为半色调图像。该方法能够快速准确地实现分色图到半色调图像的转换,相对于传统的转换方法其处理速度和效率明显得到了提升。而且,本发明在转换过程中考虑了拼接缝隙的处理,使得设计师所设计的分色图转化为3D打印机的半色调图像时,避免了缝隙存在的情况且减少了打印图案瑕疵。
Description
技术领域
本发明针对图像数据格式转换这一应用领域,特别是在三维瓷砖打印文件中的图像格式转换方法。
背景技术
随着生产技术的更新换代,3D打印技术获得了越来越多的关注,并成为各类生产技术领域的研究热点。3D打印技术是指通过连续的物理层叠加,逐层增加材料来生成三维实体的技术。瓷砖现有3D效果主要是在陶瓷砖表层达到视觉立体或凹凸不平的装饰效果,而非通过3D技术的逐层打印形成主体结构。由于瓷砖原材料的限定,想要在其表面进行装饰十分不容易,因此3D打印技术在瓷砖生产领域的研究是非常具有价值的。
众所周知,瓷砖的生产是一个复杂的过程,受许多变量的影响,包括技术直接相关的变量、生产过程中的环境变量等。在瓷砖的3D打印技术中,瓷砖专色喷墨印刷是一种广受关注的实现方式。瓷砖专色喷墨印刷与传统纸质喷墨印刷在墨水颜色、墨水发色原理、通道数量、以及印后工序等多方面具有不同。专色油墨是由印刷厂先混合好或油墨厂生产的指定彩色油墨,对于每一种专色,印刷时都有一个专门的色板与之对应。瓷砖专色喷墨印刷技术是指电子计算机存储的设计图案经图像处理软件PhotoShop分色转化多通道信息,通道数与喷墨印刷墨组对应,每一个通道对应一张半色调图。在打印机系统控制的系统下,通过数据信号来控制对应喷头工作状态,将墨水喷印到瓷砖表面的对应位置,在瓷砖上形成图案。其中,3D打印机的打印墨水量度通过逐层叠加的半色调图像中的灰度信息进行控制,而设计师所设计的瓷砖图需要通过各种渲染方式转换成半色调图像,并且这个渲染的速度十分的漫长。那么在流水线的生成过程中,如何快速的将设计师所设计的分色图转为半色调图像成为了亟待解决的问题。
随着机器学习技术的不断成熟,我们可以考虑引入机器学习来实现分色图和半色调图的转换。然而通过机器学习的方法,由于受GPU和电脑内存的影响,我们不能将整个瓷砖进行颜色预测,必须将瓷砖切割成固定大小的块进行处理,然后再将切割的小块拼接成一块完整的瓷砖图像,但拼接后的图可以明显看到存在着一定的缝隙。因此,如何将设计师所设计的分色图转换为3D打印机所能识别的半色调图像且在转换中避免出现拼接缝隙,是目前亟待解决的技术问题。
发明内容
本发明的目的在于解决现有技术中存在的问题,并提供一种分色图转换3D打印文件时图像拼缝处理方法、装置、介质。
本发明所采用的具体技术方案如下:
第一方面,本发明提供了一种分色图转换3D打印文件时图像拼缝处理方法,其步骤如下:
S1:将待转换为半色调图的原始分色图按照三种不同方式进行切割,原始分色图的第i行第j列的像素坐标为(i,j),其中:
第一种切割方式以原始分色图的(1,1)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,按照先行后列的顺序将起点(1,1)右下方的区域切割为256*256大小的第一分色图子图像块集合;
第二种切割方式以原始分色图的(129,1)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,按照先行后列的顺序将起点(129,1)右下方的区域切割为256*256大小的第二分色图子图像块集合;
第三种切割方式以原始分色图的(1,129)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,按照先行后列的顺序将起点(1,129)右下方的区域切割为256*256大小的第三分色图子图像块集合;
S2:将第一分色图子图像块集合、第二分色图子图像块集合和第三分色图子图像块集合中的每个分色图子图像块输入经过训练的转换模型中转换为连续调子图像块,分别输出第一连续调子图像块集合、第二连续调子图像块集合和第三连续调子图像块集合;
所述转换模型以U-Net卷积神经网络为主干网络,U-Net卷积神经网络的输入层和输出层均为256*256的单通道图像;分色图子图像块输入U-Net卷积神经网络后得到一张值在0和1之间的输出特征图,将其作为连续调子图像块;
S3:分别针对第一连续调子图像块集合、第二连续调子图像块集合和第三连续调子图像块集合,将每个集合中的所有连续调子图像块重新还原至其对应的分色图子图像块在原始分色图中的位置并拼接成一张连续调图像,分别得到第一连续调图像、第二连续调图像和第三连续调图像;
S4:以第一连续调图像中上下相邻的两块连续调子图像块的横向拼缝为第一中心线,在每一条第一中心线上下一定跨度内形成跨越横向拼缝的横向替换条带区域;以第一连续调图像中左右相邻的两块连续调子图像块的竖向拼缝扣除两端若干像素后的线段为第二中心线,在每一条第二中心线左右一定跨度内形成跨越竖向拼缝的竖向替换条带区域;
在第一连续调图像上,将第一连续调图像中所有横向替换条带区域内的像素用第二连续调图像中相同位置的像素替换,得到初步融合图像;然后在初步融合图像基础上,将初步融合图像中所有竖向替换条带区域内的像素用第三连续调图像中相同位置的像素替换,得到最终融合图像;
S5:将最终融合图像的值区间映射至[0,1],再对映射后的每一个像素值乘以系数S得到中间图像,所述系数S为最终融合图像中的最大值Xmax和半色调图的最大灰度级M的乘积;对中间图像通过误差扩散算法取整后,得到消除拼接缝隙后的半色调图。
作为优选,所述S2中,训练U-Net卷积神经网络所采用的训练样本为三维瓷砖打印所用的分色图和半色调图,其中半色调图的值区间预先映射至[0,1]。
作为优选,所述S4中,第一连续调图像中任意一条横向替换条带区域的第一中心线所在的像素行数均为256的正整数倍,横向替换条带区域的跨度为第一中心线上方50像素至下方50像素。
作为优选,所述S4中,初步融合图像中任意一条竖向替换条带区域的第二中心线所在列数均为256的正整数倍;竖向替换条带区域的第二中心线上端部与上方最近的横向拼缝距离为5个像素,第二中心线下端部与下方最近的横向拼缝距离也为5个像素,竖向替换条带区域的跨度为第二中心线左侧50像素至右侧50像素。
作为优选,所述S5中,将最终融合图像的值区间映射至[0,1]的方法为:
获取最终融合图像中的最小值Xmin和最大值Xmax,然后对于最终融合图像中的任意像素值Xi,其映射至[0,1]区间后的值X’i为:
作为优选,所述S5中,半色调图的灰度级为0~3,最大灰度级M为3。
作为优选,所述S5中,误差扩散算法取整的方法如下:针对待处理的中间图像,按照先行后列的遍历顺序逐个对中间图像中的每个像素进行向下取整,并在下一个像素进行取整前将当前像素取整后的误差按比例分散至周边的像素中。
作为优选,所述3D打印文件为三维瓷砖的打印文件,三维瓷砖图案的每一张分色图均需要转换为消除拼接缝隙后的半色调图,并组成三维瓷砖打印所用的打印文件。
第二方面,本发明提供了一种分色图转换3D打印文件时图像拼缝处理装置,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如第一方面任一项所述的分色图转换3D打印文件时图像拼缝处理方法。
第三方面,本发明提供了一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面任一项所述的分色图转换3D打印文件时图像拼缝处理方法。
本发明相对于现有技术而言,具有以下有益效果:
本发明针对三维瓷砖打印文件中的拼缝消除的问题,提出了用深度学习的方式结合图像融合技术,将分色图分块转换后重新拼接融合,转换为半色调图像。该方法能够快速准确地实现分色图到半色调图像的转换,相对于传统的转换方法其处理速度和效率明显得到了提升。而且,本发明在转换过程中考虑了拼接缝隙的处理,使得设计师所设计的分色图转化为3D打印机的半色调图像时,避免了缝隙存在的情况且减少了打印图案瑕疵。
附图说明
图1为分色图转换3D打印文件时图像拼缝处理方法的流程图;
图2为三种切割方式示意图;
图3为U-Net卷积神经网络结构示意图;
图4为三种拼接方式示意图;
图5为两步融合过程示意图;
图6为第1组拼缝结果图(左图为未处理缝隙的拼接图,右图为处理缝隙后的拼接图)。
图7为第2组拼缝结果图(左图为未处理缝隙的拼接图,右图为处理缝隙后的拼接图)。
图8为第3组拼缝结果图(左图为未处理缝隙的拼接图,右图为处理缝隙后的拼接图)。
图9为第4组拼缝结果图(左图为未处理缝隙的拼接图,右图为处理缝隙后的拼接图)。
图10为第5组拼缝结果图(左图为未处理缝隙的拼接图,右图为处理缝隙后的拼接图)。
图11为第6组拼缝结果图(左图为未处理缝隙的拼接图,右图为处理缝隙后的拼接图)。
图12为第7组拼缝结果图(左图为未处理缝隙的拼接图,右图为处理缝隙后的拼接图)。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
在本发明的一个较佳实施例中,提供了一种分色图转换3D打印文件时的图像拼接缝隙处理方法,其作用是将瓷砖设计师所设计的分色图转换为三维瓷砖打印机所能识别的半色调图,其中分色图是通过分块后转换再重新拼接还原的方式形成打印文件中的半色调图的,因此本发明的图像拼接缝隙处理方法目的是在转换的过程中能够消除拼接缝处明显的痕迹。如图1所示,该方法的核心步骤包括子图像切割、模型转换、拼接、融合、映射和误差扩散取整,具体步骤如下:
S1:将待转换为半色调图的N*N原始分色图按照三种不同方式进行切割,原始分色图的第i行第j列的像素坐标为(i,j),因此其左上角顶点坐标为(1,1),其右下角顶点坐标为(N,N)。参见图2所示,三种切割的具体做法如下:
第一种切割方式以原始分色图的(1,1)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,每移动一个步长就切割得到窗口内的一块分色图子图像块记为第一分色图子图像块。窗口按照先行后列的顺序进行移动,因此将起点(1,1)右下方的区域切割为一系列256*256大小的第一分色图子图像块组成的第一分色图子图像块集合。
第二种切割方式以原始分色图的(129,1)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,每移动一个步长就切割得到窗口内的一块分色图子图像块记为第二分色图子图像块。窗口按照先行后列的顺序进行移动,因此将起点(129,1)右下方的区域切割为一系列256*256大小的第二分色图子图像块组成的第二分色图子图像块集合。
第三种切割方式以原始分色图的(1,129)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,每移动一个步长就切割得到窗口内的一块分色图子图像块记为第三分色图子图像块。窗口按照先行后列的顺序进行移动,因此将起点(1,129)右下方的区域切割为一系列256*256大小的第三分色图子图像块组成的第三分色图子图像块集合。
在上述切割过程中,若切割至最后一行或者最后一列时,原始分色图的图幅无法覆盖切割窗口,则可以直接舍弃该窗口中的子图像块。
S2:将第一分色图子图像块集合、第二分色图子图像块集合和第三分色图子图像块集合中的每个分色图子图像块输入经过训练的转换模型中转换为连续调子图像块,分别得到第一连续调子图像块集合、第二连续调子图像块集合和第三连续调子图像块集合。
在本发明中,所用的转换模型为U-Net卷积神经网络,U-Net卷积神经网的结构为现有技术,不再详细赘述。本发明中所用的网络结构参见图3所示,可以看出网络没有全连接,只有卷积和下采样,是一个端到端的图像,即输入是一幅图像,输出也是一副图像。由于前述输入的分色图子块尺寸为256*256,因此本实施例中需要设置U-Net卷积神经网络的输入层和输出层输入和输出的图像也均为256*256的单通道图像。分色图子图像块输入U-Net卷积神经网络后,其最终输出的是一张值在0和1之间的输出特征图,常规的U-Net卷积神经网络应用中将该特征图作为语义分割图,而本发明中将这张输出特征图作为连续调图子图像块,以便于进行后续处理。
本实施例中,第一分色图子图像块集合中的每一个第一分色图子图像块分别通过转换模型得到一个第一连续调子图像块,第二分色图子图像块集合中的每一个第二分色图子图像块分别通过转换模型得到一个第二连续调子图像块,第三分色图子图像块集合中的每一个第三分色图子图像块分别通过转换模型得到一个第三连续调子图像块。由此,分别将所有第一连续调子图像块构成第一连续调子图像块集合、将所有第二连续调子图像块构成第二连续调子图像块集合,将所有第三连续调子图像块构成第三连续调子图像块集合。
S3:分别针对第一连续调子图像块集合、第二连续调子图像块集合和第三连续调子图像块集合,将每个集合中的所有连续调子图像块重新还原至其对应的分色图子图像块在原始分色图中的位置并拼接成一张连续调图像,分别得到第一连续调图像、第二连续调图像和第三连续调图像。
在本实施例中,第一连续调子图像块集合、第二连续调子图像块集合和第三连续调子图像块集合的还原拼接方式如图4所示,还原后的连续调子图像块位置应当与其对应的分色图子图像块在原始分色图中的位置相同。即图2中从某一位置处切割得到的分色图子图像块经过模型转换后,其对应的连续调子图像块也应当还原至同一位置。由此,第一连续调子图像块集合还原拼接得到了第一连续调图像,第二连续调子图像块集合还原拼接得到了第二连续调图像,第三连续调子图像块集合还原拼接得到了第三连续调图像。
但此时拼接得到的第一连续调图像、第二连续调图像和第三连续调图像,在子图像块的拼接位置存在不连续现象,在后续瓷砖打印过程中容易在该位置出现明显拼接缝。但由于第一连续调图像、第二连续调图像和第三连续调图像分别是按照不同的切割方式切割得到的,因此第一连续调图像的十字拼接缝中,横向拼缝在第二连续调图像的同一位置刚好不是拼接缝,竖向拼缝在第三连续调图像的同一位置刚好不是拼接缝,因此可以利用第二连续调图像和第三连续调图像对第一连续调图像进行像素替换,实现三张图像的融合,以消除第一连续调图像中的拼接缝,其做法详见后续步骤。
S4:以第一连续调图像中上下相邻的两块连续调子图像块的横向拼缝为第一中心线,在每一条第一中心线上下一定跨度内形成跨越横向拼缝的横向替换条带区域。同样的,第一连续调图像中左右相邻的两块连续调子图像块之间也构成了竖向拼缝,但是需要注意的是此处如果第二中心线是一条完整的竖向拼缝,那么该条竖向拼缝的两端是连接上下两条横向拼缝的,因此其在于第一连续调图像融合过程中又会引入新的横向拼缝瑕疵,因此本实施例中的需要以第一连续调图像中左右相邻的两块连续调子图像块之间的竖向拼缝中扣除两端若干像素后的剩余线段作为第二中心线,然后在每一条第二中心线左右一定跨度内形成跨越竖向拼缝的竖向替换条带区域。横向替换条带区域和竖向替换条带区域都是矩形区域。
在第一连续调图像上,将第一连续调图像中所有横向替换条带区域内的像素用第二连续调图像中相同位置的像素替换,得到初步融合图像;然后在初步融合图像基础上,将初步融合图像中所有竖向替换条带区域内的像素用第三连续调图像中相同位置的像素替换,得到最终融合图像。
在本实施例中,参见图5所示,第一连续调图像中任意一条横向替换条带区域的第一中心线所在的像素行数均为256的正整数倍,而且由于连续调子图像块是整行拼接的,因此不同列连续调子图像之间的第一中心线也是沿水平连续的。横向替换条带区域在第一中心线上下的跨度范围可以根据需要调整,其跨度不宜过小也不宜过大,在本实施例中横向替换条带区域的跨度为第一中心线上方50像素至下方50像素,即将第一中心线分别上移50像素和下移50像素作为横向替换条带区域的上边界和下边界。图5中第一连续调图像中256行、512行、768行的上下各50度范围内像素,均需要用第二连续调图像中256行、512行、768行的上下各50度范围内即点划线框范围内像素进行替代,得到初步融合图像。
同样的,在本实施例中,初步融合图像中任意一条竖向替换条带区域的第二中心线所在列数均为256的正整数倍。竖向替换条带区域的第二中心线上端部与上方最近的横向拼缝距离为5个像素,第二中心线下端部与下方最近的横向拼缝距离也为5个像素,竖向替换条带区域的跨度为第二中心线左侧50像素至右侧50像素。例如,对于第二连续调图像的256列、512列、768列,其中除了两端靠近横向拼缝的5个像素之外,剩余部分竖向拼缝实际上是一条条不连续的线段,任意一条线段都不与任何一条横向拼缝接触,将每条竖向拼缝分别左移50像素和右移50像素就行了了竖向替换条带区域的左边界和右边界。因此,将图5中第三连续调图像点划线框范围内像素替换至初步融合图中,就可以得到最终融合图像。
但U-Net卷积神经网络输出的特征图中像素值是浮点型数据,因此是一种连续调图像,而因此拼接和融合后得到的最终融合图像也是连续调图像。而本发明最终的能够被瓷砖打印机识别的图像时半色调图像,因此需要对其进行下述取整操作。而且由于连续调图中的值区间为0~1之间,而半色调图像中的最大灰度级M可能是超过1的,因此其值区间需要进行转换,其具体做法如下:
S5:将最终融合图像的值区间映射至[0,1],本实施例中映射至[0,1]的方法为:
获取最终融合图像中的最小值Xmin和最大值Xmax,然后对于最终融合图像中的任意像素值Xi,其映射至[0,1]区间后的值X’i为:
然后再对映射后的每一个像素值乘以系数S得到中间图像,骑着系数S为最终融合图像中的最大值Xmax和半色调图的最大灰度级M的乘积。一般而言,最大灰度级M可以是1、3、7,在本实施例中半色调图的灰度级为0~3,因此最大灰度级M为3。
由此,中间图像中的值区间就被映射到了[0,S]。但此时的中间图像依然是连续调图像,需要对中间图像通过误差扩散算法取整后,得到满足灰度级要求的半色调图。误差扩散算法取整可以按照如下方式处理:
针对待处理的中间图像,按照先行后列的遍历顺序逐个对中间图像中的每个像素进行向下取整,并在下一个像素进行取整前将当前像素取整后的误差按比例分散至周边的像素中。中间图像经过误差扩散后,最终的半色调图的值区间变成了[0,M],满足其灰度级要求。
误差扩散算法属于现有技术,其中误差扩散过程中的具体分散比例可以根据实际需要调整。在本实施例中,实际采用的误差扩散算法如下:
1)先将中间图像的四周分别向外扩展一个像素的宽度,将扩展后的图像记为A图像。
2)对于A图像中的中间图像部分,按照从先行后列的遍历顺序对逐个对特征图中的每个像素进行向下截尾取整,然后得到小数部分作为误差E。将误差分等为16份,其中7份加到右侧像素上,其中3份加到左下角像素上,其中5份加到下方像素上,其中1份加到右下角像素上。当完成一个像素的取整和误差分配后,再进行下一个像素的取整和误差分配。对于任一坐标为(i,j)的像素,上述取整和误差分配过程用公式表示如下:
E=I(i,j)-fix(I(i,j))
e=E/t
式中:I(I,j)表示像素(i,j)的坐标值,t=16。
分配误差过程中周围像素值的更新过程如下:
I(i,j)=fix(I(i,j))
I(i,j+1)=I(i,j+1)+7*e
I(i+1,j-1)=I(i+1,j-1)+3*e
I(i+1,j)=I(i+1,j)+5*e
I(i+1,j+1)=I(i+1,j+1)+e
另外,需要注意的是,在上述U-Net卷积神经网络在用于进行实际的转换之前,需要预先用数据进行训练。本实施例中,训练U-Net卷积神经网络所采用的训练样本为部分瓷砖场景打印三维瓷砖所用的分色图和半色调图,两者已经预先用传统方法进行了转换。但需要注意的是,由于半色调图的最大灰度级是3,而本发明U-Net卷积神经网络的输出特征图最大值为1,因此训练样本中的半色调图需要预先通过归一化处理,将值区间预先映射至[0,1],然后再用于训练神经网络。神经网络的训练通过最小化损失函数获取最优模型参数,由此得到最终的转换模型。
本发明中所谓的分色图,是单通道的图像文件,每张分色图中仅有一种颜色。一般而言,可以在PhotoShop软件中,通过ICC特性文件将设计师绘制的RGB的设计图案转换为多通道模式的分色文件,每一个通道为一张分色图。三维瓷砖的每一张分色图均需要转换为半色调图,并最终用于组成三维瓷砖喷墨印刷所用的打印文件。
下面将上述实施例的方法应用于一个具体厂家的案例中,以展示其具体技术效果。
同时,为了对比本发明中的拼缝消除效果,在上述S1~S5的基础上设置了一组未处理缝隙的对照组。在该对照组中,其原始分色图不进行外边距扩展,而是直接分割为子块后输入本发明的U-Net卷积神经网络中,输出图像直接经过拼接后按照S5的方式进行映射和误差扩散取整。本发明和对照组的其中7组处理结果参见图6~图12所示,结果表明本发明的做法可以很好地实现分色图到半色调图的转换,且转换后的半色调图中不存在明显的拼接缝隙,而对照组中得到的半色调图中存在明显的拼接缝隙。虽然在十字缝的横向拼缝上下5个像素处,依然存在小范围的竖向拼接缝,但是其在整个画幅中的占比很小,因此基本不影响视觉效果。将本发明做法下得到的半色调图与厂家按照传统方法得到的半色调图对比可见,两者的吻合度很高,完美的实现了现分色图到半色调图的转换。
另外,在本发明的另一实施例中,还提供了一种分色图转换3D打印文件时的图像拼接缝隙处理装置,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现前述的分色图转换3D打印文件时的图像拼接缝隙处理方法。
另外,在本发明的另一实施例中,还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现前述的分色图转换3D打印文件时的图像拼接缝隙处理方法。
需要注意的是,存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。当然,还装置中还应当具有实现程序运行的必要组件,例如电源、通信总线等等。上述存储器和处理器可以集成于瓷砖打印机中或者打印机的控制主机中。
当然,以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种分色图转换3D打印文件时图像拼缝处理方法,其特征在于,步骤如下:
S1:将待转换为半色调图的原始分色图按照三种不同方式进行切割,原始分色图的第i行第j列的像素坐标为(i,j),其中:
第一种切割方式以原始分色图的(1,1)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,按照先行后列的顺序将起点(1,1)右下方的区域切割为256*256大小的第一分色图子图像块集合;
第二种切割方式以原始分色图的(129,1)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,按照先行后列的顺序将起点(129,1)右下方的区域切割为256*256大小的第二分色图子图像块集合;
第三种切割方式以原始分色图的(1,129)坐标位置为起点,用一个256*256的窗口以256像素为步长滑动,按照先行后列的顺序将起点(1,129)右下方的区域切割为256*256大小的第三分色图子图像块集合;
S2:将第一分色图子图像块集合、第二分色图子图像块集合和第三分色图子图像块集合中的每个分色图子图像块输入经过训练的转换模型中转换为连续调子图像块,分别输出第一连续调子图像块集合、第二连续调子图像块集合和第三连续调子图像块集合;
所述转换模型以U-Net卷积神经网络为主干网络,U-Net卷积神经网络的输入层和输出层均为256*256的单通道图像;分色图子图像块输入U-Net卷积神经网络后得到一张值在0和1之间的输出特征图,将其作为连续调子图像块;
S3:分别针对第一连续调子图像块集合、第二连续调子图像块集合和第三连续调子图像块集合,将每个集合中的所有连续调子图像块重新还原至其对应的分色图子图像块在原始分色图中的位置并拼接成一张连续调图像,分别得到第一连续调图像、第二连续调图像和第三连续调图像;
S4:以第一连续调图像中上下相邻的两块连续调子图像块的横向拼缝为第一中心线,在每一条第一中心线上下一定跨度内形成跨越横向拼缝的横向替换条带区域;以第一连续调图像中左右相邻的两块连续调子图像块的竖向拼缝扣除两端若干像素后的线段为第二中心线,在每一条第二中心线左右一定跨度内形成跨越竖向拼缝的竖向替换条带区域;
在第一连续调图像上,将第一连续调图像中所有横向替换条带区域内的像素用第二连续调图像中相同位置的像素替换,得到初步融合图像;然后在初步融合图像基础上,将初步融合图像中所有竖向替换条带区域内的像素用第三连续调图像中相同位置的像素替换,得到最终融合图像;
S5:将最终融合图像的值区间映射至[0,1],再对映射后的每一个像素值乘以系数S得到中间图像,所述系数S为最终融合图像中的最大值Xmax和半色调图的最大灰度级M的乘积;对中间图像通过误差扩散算法取整后,得到消除拼接缝隙后的半色调图。
2.如权利要求1所述的分色图转换3D打印文件时图像拼缝处理方法,其特征在于,所述S2中,训练U-Net卷积神经网络所采用的训练样本为三维瓷砖打印所用的分色图和半色调图,其中半色调图的值区间预先映射至[0,1]。
3.如权利要求1所述的分色图转换3D打印文件时图像拼缝处理方法,其特征在于,所述S4中,第一连续调图像中任意一条横向替换条带区域的第一中心线所在的像素行数均为256的正整数倍,横向替换条带区域的跨度为第一中心线上方50像素至下方50像素。
4.如权利要求1所述的分色图转换3D打印文件时图像拼缝处理方法,其特征在于,所述S4中,初步融合图像中任意一条竖向替换条带区域的第二中心线所在列数均为256的正整数倍;竖向替换条带区域的第二中心线上端部与上方最近的横向拼缝距离为5个像素,第二中心线下端部与下方最近的横向拼缝距离也为5个像素,竖向替换条带区域的跨度为第二中心线左侧50像素至右侧50像素。
5.如权利要求1所述的分色图转换3D打印文件时图像拼缝处理方法,其特征在于,所述S5中,将最终融合图像的值区间映射至[0,1]的方法为:
获取最终融合图像中的最小值Xmin和最大值Xmax,然后对于最终融合图像中的任意像素值Xi,其映射至[0,1]区间后的值X’i为:
6.如权利要求1所述的分色图转换3D打印文件时图像拼缝处理方法,其特征在于,所述S5中,半色调图的灰度级为0~3,最大灰度级M为3。
7.如权利要求1所述的分色图转换3D打印文件时图像拼缝处理方法,其特征在于,所述S5中,误差扩散算法取整的方法如下:针对待处理的中间图像,按照先行后列的遍历顺序逐个对中间图像中的每个像素进行向下取整,并在下一个像素进行取整前将当前像素取整后的误差按比例分散至周边的像素中。
8.如权利要求1所述的分色图转换3D打印文件时图像拼缝处理方法,其特征在于,所述3D打印文件为三维瓷砖的打印文件,三维瓷砖图案的每一张分色图均需要转换为消除拼接缝隙后的半色调图,并组成三维瓷砖打印所用的打印文件。
9.一种分色图转换3D打印文件时图像拼缝处理装置,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1~8任一项所述的分色图转换3D打印文件时图像拼缝处理方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1~8任一项所述的分色图转换3D打印文件时图像拼缝处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011612540.7A CN112700457B (zh) | 2020-12-30 | 2020-12-30 | 分色图转换3d打印文件时图像拼缝处理方法、装置、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011612540.7A CN112700457B (zh) | 2020-12-30 | 2020-12-30 | 分色图转换3d打印文件时图像拼缝处理方法、装置、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700457A CN112700457A (zh) | 2021-04-23 |
CN112700457B true CN112700457B (zh) | 2024-02-02 |
Family
ID=75512643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011612540.7A Active CN112700457B (zh) | 2020-12-30 | 2020-12-30 | 分色图转换3d打印文件时图像拼缝处理方法、装置、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700457B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6157462A (en) * | 1998-05-20 | 2000-12-05 | Xerox Corporation | Method and apparatus for error diffusion and undercolor removal/grey component replacement of digital color images |
CN111461989A (zh) * | 2020-04-02 | 2020-07-28 | 深圳普捷利科技有限公司 | 车载图像像素调整方法、装置、设备及可读存储介质 |
-
2020
- 2020-12-30 CN CN202011612540.7A patent/CN112700457B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6157462A (en) * | 1998-05-20 | 2000-12-05 | Xerox Corporation | Method and apparatus for error diffusion and undercolor removal/grey component replacement of digital color images |
CN111461989A (zh) * | 2020-04-02 | 2020-07-28 | 深圳普捷利科技有限公司 | 车载图像像素调整方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112700457A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704801B (zh) | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 | |
JP5861503B2 (ja) | 画像検査装置及び方法 | |
CN107031033A (zh) | 一种可3d打印的镂空二维码模型生成方法及系统 | |
CN112785536B (zh) | 一种消除拼缝的三维瓷砖打印文件转换方法、装置、介质 | |
CN108819508B (zh) | 印刷色彩管理方法及装置 | |
CN112700457B (zh) | 分色图转换3d打印文件时图像拼缝处理方法、装置、介质 | |
CN101794400B (zh) | 图像处理设备、打印设备和图像处理方法 | |
US20170355145A1 (en) | Printing system for printing an object with a pattern on a surface of the object | |
CN103295045A (zh) | 一种炫彩逻辑变色二维码及其生成方法 | |
CN102812696B (zh) | 用于从多位图像数据产生1位图像数据的设备和方法 | |
US20050065623A1 (en) | Vector-graphic data processing method and drawing apparatus | |
CN111462009A (zh) | 基于分割矩形区域相似度的出血点预测方法 | |
JP5167530B2 (ja) | 立体視印刷物 | |
CN102456000B (zh) | 用于消除页面内裂缝的方法和装置 | |
US7944587B2 (en) | Image data generation device, image data generation processing program and thermal transfer recording device | |
US20120314234A1 (en) | Image processing apparatus, image printing apparatus and image processing method | |
CN110853007B (zh) | 一种基于图形特性和振镜加工特性的自适应图档分割方法 | |
CN111391474B (zh) | 一种适用于大理石瓷砖中所有版面的丝网及其制作方法 | |
JP2009089266A (ja) | 画像処理装置、画素の属性の判定方法 | |
JP5790000B2 (ja) | 印刷装置、及び、その印刷方法 | |
CN111462258B (zh) | 一种针对制作印刷菲林片的纹理线条图像矢量化方法与系统 | |
CN115139670A (zh) | 一种基于单pass喷墨数据处理的喷墨印刷方法及系统 | |
CN102117032B (zh) | 改善打印质量的方法及其相关打印系统 | |
JP2001232925A (ja) | ゴースト消去方法および捨て網生成装置 | |
JP5953226B2 (ja) | 閾値マトリクス作成装置、方法、プログラム及び画像形成装置 |
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 |