[发明专利]基于数据降维和CNNs的彩色图像逆半调处理方法

说明书

本发明提出了一种基于数据降维和CNNs的彩色图像逆半调处理方法。主要解决现有技术中存在的彩色图像逆半调结果清晰度较低的技术问题。实现步骤为：获取训练标签集V_l、训练样本集V、测试标签集T_l和测试样本集T；对训练样本集V和训练标签集V_l进行高维数据降维；构建卷积神经网络CNNs；对卷积神经网络CNNs进行初始化；对卷积神经网络CNNs进行训练；对训练好的卷积神经网络CNNs进行测试；对训练好的卷积神经网络CNNs进行优化；对待处理的彩色半调图像进行逆半调处理。本发明可用于文件打印和文档扫描领域。

技术领域

本发明属于人工智能和图像处理技术领域，涉及一种彩色图像逆半调处理方法，具体涉及一种基于数据降维和CNNs的彩色图像逆半调处理方法。可用于文件打印和文档扫描领域。

背景技术

图像“半调”又称为半色调、半影调，是指用二值灰度近似模拟多级灰度的过程。逆半调技术是指由半调图像重建为连续色调图像的一种图像恢复技术。在传真、印刷图书、数字化文本等情况下，只能获取到半调图像，如需对半调图像进行分类识别、图像压缩、图像缩放、图像增强等操作，只能使用连续色调图像，为了处理这类图像，逆半调技术研究随之逐步展开。传统逆半调技术包括低通滤波法、快速逆半调算法、基于小波变换的逆半色调算法、基于B样条小波变换的逆半调算法、基于MRF-MAP估计的逆半调算法、查找表(LUT)逆半色调算法等方法。

半调过程是用量化操作将多级灰度转变为二级灰度的过程，属于多对一映射，因此逆半调过程不存在唯一解，是一种不适定问题。此外，半调处理引入的噪声主要分布在结果图像的中、高频分量当中，和图像的细节、边缘混淆在一起，增加了逆半调问题的解决难度。若要提高逆半调处理图像的质量，就必须掌握足够的半调先验知识，并充分利用半调的先验知识，有针对性地消除半调处理过程中引入的噪声，同时尽可能减少图像细节信息的丢失。逆半调图像的清晰度评价指标一般采用峰值信噪比(Peak Signal to Noise Ratio，PSNR)，峰值信噪比值越高，图像清晰度越好，

卷积神经网络(Convolutional Neural Networks,CNNs)是在多层神经网络的基础上发展起来的针对图像处理而特别设计的一种深度学习方法。它是一种人工神经网络，一个卷积神经网络的结构包括输入层、若干隐含层和输出层，每一层都有多个神经元，上一层的神经元通过激活函数映射到下一层神经元。研究人员可以通过卷积神经网络完成图像处理任务。

基于卷积神经网络在图像领域表现的优越性能，为解决传统逆半调算法处理彩色半调图像后得到的彩色逆半调图像清晰度不高的问题，XianxuHou和GuopingQiu率先把卷积神经网络方法引入到图像逆半调处理过程中，在其发表的论文“Image Companding andInverse Halftoning using Deep Convolutional Neural Networks”(XianxuHou andGuopingQiu.Image Companding and Inverse Halftoning using Deep ConvolutionalNeural Networks.arXiv preprint arXiv:1707.00116(2017).)中提出一种基于卷积神经网络的彩色图像逆半调方法。该方法使用卷积神经网络对输入的彩色半调图像进行处理，卷积神经网络经过若干次训练，得到训练好的神经网络，输入为彩色半调图像，输出为彩色逆半调图像。但是，该方法仍然存在不足是，在对卷积神经网络进行训练时，输入的训练样本集和训练标签集存在冗余，数据分析难度大，不能有效的提取出数据特征，导致最终输出的彩色逆半调图像清晰度较低，且由于卷积神经网络的结构复杂，网络所需参数会增多，导致网络容易过拟合，进一步影响网络输出图像清晰度。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出一种基于数据降维和CNNs的彩色图像逆半调处理方法，用于解决现有技术中存在的彩色图像逆半调结果清晰度较低的技术问题。