CN113222856A - 一种逆半色调图像处理方法、终端设备及可读存储介质 - Google Patents
一种逆半色调图像处理方法、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN113222856A CN113222856A CN202110606012.9A CN202110606012A CN113222856A CN 113222856 A CN113222856 A CN 113222856A CN 202110606012 A CN202110606012 A CN 202110606012A CN 113222856 A CN113222856 A CN 113222856A
- Authority
- CN
- China
- Prior art keywords
- image
- halftone image
- preset
- halftone
- model
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000011084 recovery Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 238000006243 chemical reaction Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 239000010410 layer Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本申请适用于图像处理技术领域，提供了一种逆半色调图像处理方法、终端设备及可读存储介质，包括：获取待恢复的半色调图像；根据预设的半色调图像恢复网络模型对半色调图像进行处理，生成对应的初始连续调图像；根据预设的深度残差去网模型对初始连续调图像进行处理，生成对应的目标连续调图像。本申请实施例提供的逆半色调图像处理方法、终端设备及可读存储介质，通过构建演进式深度网络模型，将发生严重降质的半色调图像信息逐渐恢复，并对恢复的连续调图像信息中的网点或记录点噪声信息进行识别并去除，进而获得高质量的连续调图像。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及一种逆半色调图像处理方法、终端设备及可读存储介质。
背景技术
逆半色调技术的最终目标是将半色调图像转换获得高质量的且满足人们视觉感受的连续调图像。在图像的半色调加网过程中，无论是网点聚集有序抖动加网方法还是误差扩散加网方法，都会因量化而产生两种数据空间之间的非线性变换，并生成降质的半色调图像。在没有任何网点尺寸、加网方法等先验信息的条件下，由一定量信息损失的半色调图像恢复为连续调图像从数学解析的角度描述是一个病态的问题，即由半色调图像信息恢复的连续调图像值不唯一。如何转换获得既能够去除平滑区域网点噪声还能够恢复图像纹理、边缘等结构细节的连续调图像是一个具有挑战性的任务。
发明内容
有鉴于此，本申请实施例提供了一种逆半色调图像处理方法、终端设备及可读存储介质，以解决目前半色调图像信息恢复技术中存在的图像质量较低的问题。
根据第一方面，本申请实施例提供了一种逆半色调图像处理方法，包括：获取待恢复的半色调图像；根据预设的半色调图像恢复网络模型对所述半色调图像进行处理，生成对应的初始连续调图像；根据预设的深度残差去网模型对所述初始连续调图像进行处理，生成对应的目标连续调图像。
结合第一方面，在本申请的一些实施例中，在所述根据预设的半色调图像恢复网络模型对所述半色调图像进行处理，生成对应的初始连续调图像的步骤之前，所述逆半色调图像处理方法还包括：获取所述预设的半色调图像恢复网络模型和所述预设的深度残差去网模型。
结合第一方面，在本申请的一些实施例中，所述获取所述预设的半色调图像恢复网络模型和所述预设的深度残差去网模型的步骤，包括：创建半色调图像恢复网络模型；对所述半色调图像恢复网络模型进行训练直至收敛，确定对应的第一参数集；根据所述第一参数集确定所述预设的半色调图像恢复网络模型。
结合第一方面，在本申请的一些实施例中，通过
F1(H)＝max(0，W1*H+B1)
F2(H)＝max(0，W2*F1(H)+B2)
F3(H)＝W3*F2(H)+B3
创建所述半色调图像恢复网络模型。
其中，F3(H)表示所述初始连续调图像；H表示所述半色调图像；W1、W2、 W3、B1、B2和B3均属于所述第一参数集；W1、W2和W3均表示权值；B1、B2和B3均表示偏置。
结合第一方面，在本申请的一些实施例中，所述获取所述预设的半色调图像恢复网络模型和所述预设的深度残差去网模型的步骤，包括：创建深度残差去网模型；对所述深度残差去网模型进行训练直至收敛，确定对应的第二参数集；根据所述第二参数集确定所述预设的深度残差去网模型。
结合第一方面，在本申请的一些实施例中，通过
创建所述深度残差去网模型。
其中，Θ2表示所述第二参数集；
表示N对网络的训练输入图像和原始连续调图像对集。
结合第一方面，在本申请的一些实施例中，所述根据预设的深度残差去网模型对所述初始连续调图像进行处理，生成对应的目标连续调图像的步骤，包括：根据所述预设的深度残差去网模型确定所述初始连续调图像对应的残差图像；根据所述残差图像和所述初始连续调图像，计算并生成所述目标连续调图像。
根据第二方面，本申请实施例提供了一种终端设备，包括：输入端元，用于获取待恢复的半色调图像；恢复单元，用于根据预设的半色调图像恢复网络模型对所述半色调图像进行处理，生成对应的初始连续调图像；降噪单元，用于根据预设的深度残差去网模型对所述初始连续调图像进行处理，生成对应的目标连续调图像。
根据第三方面，本申请实施例提供了另种终端设备，包括：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。
根据第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第方面或第一方面任一实施方式所述方法的步骤。
本申请实施例提供的逆半色调图像处理方法、终端设备及可读存储介质，通过构建演进式深度网络模型，将发生严重降质的半色调图像信息逐渐恢复，并对恢复的连续调图像信息中的网点或记录点噪声信息进行识别并去除，进而获得高质量的连续调图像。通过串联两个学习任务明确的深度神经网络，使其各自对应设计精确的损失函数，通过在一定训练图像集上的学习对各自训练任务中图像信息进行特征表示和特征空间映射，逐渐学习获得适应各自目标的网络模型，当两个模型共同完成逆半色调图像转换时，能够获得各自性能增益的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的逆半色调图像处理方法的实现流程示意图；
图2是本申请实施例提供的终端设备的示意图；
图3是本申请实施例提供的另一终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
在逆半色调技术研究中采用神经网络构建转换模型的研究还在起步阶段。 2008年，Huang、Su等人提出了用于图像半色调和逆半色调图像转换的混合神经网络模型。该模型由负责图像半色调转换的单层感知神经网络(single layer perception neuralnetwork，简称SLPNN)和进行逆半色调变换的径向基神经网络(radial-basis functionneural network，简称RBFNN)构成。在逆半色调阶段，传统的方法是根据半色调图像待恢复像素及一定范围邻域内像素组成一个模块进行计算获得连续调图像像素值。然而由于半色调图像网点或记录点信息分布不同和加网转换时的信息损失，连续调图像的重构函数是一个非常复杂的函数，所以Huang、Su等人运用了非线性近似性能好的径向基网络实现连续调图像的重构，通过径向神经网络实现了半色调图像局域信息到连续调图像对应的局域中心像素的非线性转换。2012年墨西哥国立理工学院的Fernando、Luis等人开展了MLP神经网络进行逆半色调图像恢复研究。但由于网络训练时采用的BP 算法是一种局域搜索优化算法，在对连续调图像恢复时求解复杂的非线性目标函数的全局最优解时，往往会陷入局部极值，限制了MLP神经网络进行逆半色调图像恢复的性能。
在计算机视觉的研究中，深度CNN卷积神经网络对图像或视频信息的特征表示和提取显示了强劲的优势。因此，针对逆半色调图像转换问题，在一定量半色调图像与连续调图像实例训练集上，本申请实施例构建了演进式的深度学习卷积神经网络模型，实现了由半色调图像恢复获得连续调图像的端对端转换模型，最终获得高质量的连续调恢复图像。
本申请实施例提供的逆半色调图像处理方法，如图1所述，该方法可以包括：
步骤S101：获取待恢复的半色调图像。
对于待恢复的半色调图像，本申请实施例提出了演进式深度学习的逆半色调算法(Evolutionary Deep Learning Inverse Halftoning Method，简称EDLIH)。通过构建演进式深度网络模型，将发生严重降质的半色调图像信息逐渐恢复，并对恢复的连续调图像信息中的网点或记录点噪声信息进行识别并去除，进而获得高质量的连续调图像。
步骤S102：根据预设的半色调图像恢复网络模型对半色调图像进行处理，生成对应的初始连续调图像。
步骤S103：根据预设的深度残差去网模型对初始连续调图像进行处理，生成对应的目标连续调图像。
在一具体实施方式中，可以首先将初始连续调图像输入预设的深度残差去网模型，从而确定初始连续调图像所对应的残差图像；然后，在根据残差图像和初始连续调图像，计算并生成目标连续调图像，例如将初始连续调图像与其对应的残差图像做差，即可计算得到降噪后的目标连续调图像。
步骤S102和步骤S103中涉及的预设的半色调图像恢复网络模型及预设的深度残差去网模型，均为预先训练完善并符合预设的收敛条件的模型。因此，在步骤S102之前还可以增设获取上述两个预设模型的步骤。
在本申请实施例中，算法的整体实现可以分为深度卷积网络模型训练和逆半色调恢复两个阶段。在训练阶段，所提出的深度卷积网络模型结构由两个深度卷积神经网络组成，第一个深度卷积网络主要用于半色调图像的恢复，网络模型通过训练尽量能够使半色调图像信息恢复得到表征连续调图像的信息，不仅能够保证连续调图像背景平滑，也要尽可能恢复发生了信息损失的半色调图像的细节信息，如图像的边缘、结构等纹理。将第一阶段深度网络记为半色调图像恢复网络模型。半色调图像恢复网络模型对半色调图像恢复时，半色调图像的网点或记录点分布特征也会被认为是图像的一种信息被一定程度地表示，所以本申请实施例设计了第二个深度卷积网络，通过采用残差学习的策略，对初步恢复的连续调图像与训练集中对应的连续调图像进行比较学习，使网络模型具有对初步恢复连续调图像中加网信息引起噪声的识别能力，使在半色调图像恢复过程中尽量不会因消除噪声而消弱了图像结构和纹理信息。将第二个网络记为深度残差去网模型。当两个网络先后训练达到收敛时，提出的整个深度卷积神经网络模型就能够对半色调图像进行精度高的连续调转换。
具体的，可以通过创建初始的半色调图像恢复网络模型及初始的深度残差去网模型，分别对两个模型进行训练直至收敛，从而确定两个模型各自对应的第一参数集和第二参数集，再根据第一参数集及第二参数集确定预设的半色调图像恢复网络模型和预设的深度残差去网模型。
任意一幅待恢复的半色调图像通过训练好的半色调图像恢复网络模型初步获得对应的初始连续调图像，这个阶段恢复的初始连续调图像无论是图像的低频信息还是高频信息相较与半色调图像有了较大的丰富，图像的阶调变化更加连续。
在本申请实施例中，将基的迭代优化通过训练一个卷积的网络进行，所以第一个卷积网络层的操作F1定义为：
F1(H)＝max(0，W1*H+B1) (1)
其中H表示深度网络的输入，即待转换的半色调图像，W1和B1分别表示权值和偏置，符号“*”表示卷积操作。网络输入层和第1卷积层之间的权值W1对应为n1个大小为c×f1×f1滤波器，c为输入图像颜色通道数，f1为滤波器的尺寸大小。实质上第一个卷积层对输入图像进行n1次卷积，每次卷积采用的卷积核大小为c×f1×f1，通过第一个卷积层就可以获得n1个特征映射。B1是一个n1维的向量，每个元素与一个滤波器相关联。网络采用ReLU(Rectified Linear Unit，) 作为激活函数。
半色调图像到连续调图像数据空间的映射是一个复杂的非线性映射关系。深度网络的第一层对输入图像即待恢复的半色调图像进行了卷积，获得了n1个特征映射。将半色调图像n1维特征模式映射为连续调n2维特征模式，可以看作是在一定空间的n2个卷积滤波，从而实现两个模态数据空间的非线性映射，可以定义为：
F2(H)＝max(0，W2*F1(H)+B2) (2)
其中W2是第一卷积层到第二层的权值，即大小为n1×f2×f2的n2个滤波核，B2为n2维偏置向量。深度网络第二卷积层的输出为由半色调图像特征模式到连续调图像特征映射图像，这将是连续调图像重构的基本元素。恢复像素的图像块加权平均可以运用卷积滤波实现，连续调图像的重构可以表示为：
F3(H)＝W3*F2(H)+B3 (3)
其中W3为第二卷积层和输出图像的权值，即大小为n2×f3×f3的c个滤波核， B3为c维的偏置向量。总体上，深度网络的半色调图像恢复模型通过三次卷积实现了半色调图像特征表示、两种模态特征空间的映射以及连续调图像的重构，将三个卷积层组成了半色调图像恢复的深度卷积网络。
在上述公式(1)至公式(3)中，W1、W2、W3、B1、B2和B3均为第一参数集中的参数。
在半色调图像恢复网络模型对半色调图像进行了初步连续调转换的基础上，设计深度残差去网模型以及提出高效的网络训练方法仍是实现半色调图像到高质量的连续调图像端对端恢复的重中之重。
基于残差学习的深度网络的损失函数可定义为：
通过计算期望的残差图像和网络输出估计的残差图像的均方误差函数(即公式(4)中的损失函数L2(Θ2))，学习训练深度残差去网模型所对应的第二的参数集Θ2。
表示N对网络的训练输入图像和原始连续调图像对集。根据公式(4)定义的损失函数，采用与半色调图像恢复网络模型相同的随机梯度下降SGD算法训练，由于第二阶段深度网络中引入了残差学习的策略，使网络训练过程更加稳定并更快速地收敛。
总体上分析，本申请实施例所提出的演进式逆半色调深度卷积神经网络模型通过串联两个学习任务明确的深度神经网络，使其各自对应设计精确的损失函数，通过在一定训练图像集上的学习对各自训练任务中图像信息进行特征表示和特征空间映射，逐渐学习获得适应各自目标的网络模型，当两个模型共同完成逆半色调图像转换时，能够获得各自性能增益的效果。
为了解决降质的半色调图像到连续调图像恢复的非线性映射模型参数优化问题，本申请实施例首次将深度学习应用到逆半色调图像恢复研究中，提出了针对逆半色调图像转换的演进式深度CNN网络模型，并将残差学习和批归一化处理引入到深度CNN 网络的训练中，使深度CNN网络在训练时快速收敛并获得了高水平的转换性能。在深度网络的设计中，依据转换的两种模态图像数据分析，为了加强网络训练损失函数表示的准确性，即网络训练的任务明确，提高网络学习能力，设计了演进式深度学习框架。在半色调图像恢复阶段，训练好的两个深度网络相互作用，功能相互增益，实现了半色调图像到连续调图像的端对端高效转换。通过大量实验分析，本申请实施例提出的演进式深度学习的逆半色调算法，相较于传统的自适应滤波法Fast_IH、解卷积法WInHD、查表法LUT，甚至是基于稀疏表示的GLDP法、SCMDL-SCIH法，无论是转换图像的客观评价指标还是主观视觉感受都获得了更高的性能，恢复的连续调图像背景清晰，并保持了丰富的图像细节。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备，如图2所示，该终端设备包括输入端元201、恢复单元202和降噪单元203。
具体的，输入端元201用于获取待恢复的半色调图像；其对应的工作过程可参见上述方法实施例中步骤S101的记载。
恢复单元202用于根据预设的半色调图像恢复网络模型对半色调图像进行处理，生成对应的初始连续调图像；其对应的工作过程可参见上述方法实施例中步骤S102和的记载。
降噪单元203用于根据预设的深度残差去网模型对初始连续调图像进行处理，生成对应的目标连续调图像；其对应的工作过程可参见上述方法实施例中步骤S103的记载。
图3是本申请实施例还提供的另一终端设备的示意图。如图3所示，该实施例的终端设备300包括：处理器301、存储器302以及存储在所述存储器302 中并可在所述处理器301上运行的计算机程序303，例如逆半色调图像处理程序。所述处理器301执行所述计算机程序303时实现上述各个逆半色调图像处理方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器301执行所述计算机程序303时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述终端设备300中的执行过程。例如，所述计算机程序303可以被分割成同步模块、汇总模块、获取模块、返网模块(虚拟装置中的模块)。
所述终端设备300可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Ciruit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器302可以是所述终端设备300的内部存储单元，例如终端设备 300的硬盘或内存。所述存储器302也可以是所述终端设备300的外部存储设备，例如所述终端设备300上配备的插接式硬盘，智能存储卡(Smart Media Card， SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器302还可以既包括所述终端设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。.另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种逆半色调图像处理方法，其特征在于，包括：
获取待恢复的半色调图像；
根据预设的半色调图像恢复网络模型对所述半色调图像进行处理，生成对应的初始连续调图像；
根据预设的深度残差去网模型对所述初始连续调图像进行处理，生成对应的目标连续调图像。
2.如权利要求1所述的逆半色调图像处理方法，其特征在于，在所述根据预设的半色调图像恢复网络模型对所述半色调图像进行处理，生成对应的初始连续调图像的步骤之前，所述逆半色调图像处理方法还包括：
获取所述预设的半色调图像恢复网络模型和所述预设的深度残差去网模型。
3.如权利要求2所述的逆半色调图像处理方法，其特征在于，所述获取所述预设的半色调图像恢复网络模型和所述预设的深度残差去网模型的步骤，包括：
创建半色调图像恢复网络模型；
对所述半色调图像恢复网络模型进行训练直至收敛，确定对应的第一参数集；
根据所述第一参数集确定所述预设的半色调图像恢复网络模型。
4.如权利要求3所述的逆半色调图像处理方法，其特征在于，通过
F1(H)＝max(0，W1*H+B1)
F2(H)＝max(0，W2*F1(H)+B2)
F3(H)＝W3*F2(H)+B3
创建所述半色调图像恢复网络模型；
其中，F3(H)表示所述初始连续调图像；H表示所述半色调图像；W1、W2、W3、B1、B2和B3均属于所述第一参数集；W1、W2和W3均表示权值；B1、B2和B3均表示偏置。
5.如权利要求2所述的逆半色调图像处理方法，其特征在于，所述获取所述预设的半色调图像恢复网络模型和所述预设的深度残差去网模型的步骤，包括：
创建深度残差去网模型；
对所述深度残差去网模型进行训练直至收敛，确定对应的第二参数集；
根据所述第二参数集确定所述预设的深度残差去网模型。
6.如权利要求5所述的逆半色调图像处理方法，其特征在于，通过
创建所述深度残差去网模型；
其中，Θ2表示所述第二参数集；
表示N对网络的训练输入图像和原始连续调图像对集。
7.如权利要求1所述的逆半色调图像处理方法，其特征在于，所述根据预设的深度残差去网模型对所述初始连续调图像进行处理，生成对应的目标连续调图像的步骤，包括：
根据所述预设的深度残差去网模型确定所述初始连续调图像对应的残差图像；
根据所述残差图像和所述初始连续调图像，计算并生成所述目标连续调图像。
8.一种终端设备，其特征在于，包括：
输入端元，用于获取待恢复的半色调图像；
恢复单元，用于根据预设的半色调图像恢复网络模型对所述半色调图像进行处理，生成对应的初始连续调图像；
降噪单元，用于根据预设的深度残差去网模型对所述初始连续调图像进行处理，生成对应的目标连续调图像。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110606012.9A CN113222856A (zh) | 2021-05-31 | 2021-05-31 | 一种逆半色调图像处理方法、终端设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110606012.9A CN113222856A (zh) | 2021-05-31 | 2021-05-31 | 一种逆半色调图像处理方法、终端设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113222856A true CN113222856A (zh) | 2021-08-06 |
Family
ID=77082029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110606012.9A Pending CN113222856A (zh) | 2021-05-31 | 2021-05-31 | 一种逆半色调图像处理方法、终端设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222856A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115499556A (zh) * | 2022-09-19 | 2022-12-20 | 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 |
| 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 |
| 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 |
|---|---|---|---|---|
| CN111986275A (zh) * | 2020-07-31 | 2020-11-24 | 西安理工大学 | 一种多模态半色调图像的逆半色调化方法 |
-
2021
- 2021-05-31 CN CN202110606012.9A patent/CN113222856A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986275A (zh) * | 2020-07-31 | 2020-11-24 | 西安理工大学 | 一种多模态半色调图像的逆半色调化方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHAO DONG等: "Image Super-Resolution Using Deep Convolutional Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| JIN YUAN等: "Gradient-Guided Residual Learning for Inverse Halftoning and Image Expanding", 《IEEE ACCESS》 * |
| MENGHAN XIA 等: "Deep Inverse Halftoning via Progressively Residual Learning", 《LNCS》 * |
| 张燕等: "图像逆半色调技术研究", 《西安理工大学学报》 * |
| 高净植等: "改进深度残差卷积神经网络的 LDCT 图像估计", 《计算机工程与应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115499556A (zh) * | 2022-09-19 | 2022-12-20 | 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 |
| 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358586B (zh) | 一种图像增强方法、装置及设备 | |
| CN111275626B (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
| CN108932697B (zh) | 一种失真图像的去失真方法、装置及电子设备 | |
| CN111080541B (zh) | 基于比特分层和注意力融合机制的彩色图像去噪方法 | |
| CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
| CN110047044B (zh) | 一种图像处理模型的构建方法、装置及终端设备 | |
| CN109325928A (zh) | 一种图像重建方法、装置及设备 | |
| CN110569961A (zh) | 一种神经网络训练方法、装置及终端设备 | |
| CN110677651A (zh) | 一种视频压缩方法 | |
| CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
| CN113066027B (zh) | 面向Raw域的屏摄图像摩尔纹去除方法 | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| CN110782406B (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
| CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
| CN110675334A (zh) | 一种图像增强方法及装置 | |
| CN110753225A (zh) | 一种视频压缩方法、装置及终端设备 | |
| CN112132758A (zh) | 基于非对称光学系统点扩散函数模型的图像复原方法 | |
| CN111986275A (zh) | 一种多模态半色调图像的逆半色调化方法 | |
| CN114742911A (zh) | 图像压缩感知重建方法、系统、设备及介质 | |
| CN111105357A (zh) | 一种失真图像的去失真方法、装置及电子设备 | |
| CN110838085A (zh) | 一种图像的超分辨率重建方法、装置及电子设备 | |
| CN113344804B (zh) | 一种弱光图像增强模型的训练方法和弱光图像增强方法 | |
| 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 | |
| CN113763268A (zh) | 人脸图像盲修复方法及系统 | |
| CN108717687B (zh) | 基于转换压缩的图像增强方法及终端设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
| RJ01 | Rejection of invention patent application after publication |