[发明专利]基于数据降维和CNNs的彩色图像逆半调处理方法

摘要

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。

主权项

1.一种基于数据降维和CNNs的彩色图像逆半调处理方法，其特征在于包括如下步骤：(1)获取训练标签集Vl、训练样本集V、测试标签集Tl和测试样本集T：从数据库中选取Mnum幅彩色图像，Mnum≥500，并将其中半数以上的彩色图像以矩阵的形式存储，作为训练标签集Vl，将对fcol进行半调处理获得的彩色半调图像以矩阵的形式存储，作为训练样本集V，将Mnum幅彩色图像中半数以下的彩色图像作为测试标签集Tl，将对半数以下的彩色图像进行半调处理获得的彩色半调图像作为测试样本集T；(2)对训练样本集V和训练标签集Vl进行高维数据降维：采用主成份分析方法对训练样本集V和训练标签集Vl分别进行初次降维，再采用线性判别分析方法分别对两个初次降维结果进行降维，得到降维后的训练样本集V'和降维后的训练标签集V′l；(3)构建卷积神经网络CNNs：构建包含输入层、M个隐含层和输出层依次层叠的卷积神经网络CNNs，4≤M≤8，M个隐含层包括依次层叠的卷积层Ci、B′t个网络层B'和卷积层CO，其中，网络层B'由依次层叠的卷积层Ch、批量标准化BNh和线性整流函数Rh构成，1≤B′t≤M‑2；(4)对卷积神经网络CNNs进行初始化：设置卷积神经网络CNNs的权重矩阵为Wl，偏置为bl，训练迭代次数为M'，峰值信噪比目标值为Acc，并将Wl和bl初始化为0～1之间的随机数，其中M'＝1,2,3...Mmax，Mmax为最大迭代次数；(5)对卷积神经网络CNNs进行训练：(5a)将降维后的训练样本集V'和训练标签集V′l输入到卷积神经网络CNNs中，实现对CNNs的权重矩阵Wl和偏置bl的更新，得到CNNs的前向输出Ytrain‑pre，Ytrain‑pre中的像素点s的值为ys，并通过ys和V′l计算损失函数MSE；(5b)采用反向传播算法，通过Ytrain‑pre和MSE对CNNs进行微调,实现对CNNs的权重矩阵Wl和偏置bl的更新，得到CNNs的反向输出Ytrain‑bac；(5c)采用Dense‑Sparse‑DenseTraining算法，通过Ytrain‑pre和Ytrain‑bac对CNNs进行微调,实现对CNNs的权重矩阵Wl和偏置bl的更新，得到微调后的CNNs；(5d)令M'＝M'+1，并重复步骤(5b)至(5d)，直到M'＝Mmax停止迭代，得到训练好的卷积神经网络CNNs；(6)对训练好的卷积神经网络CNNs进行测试：将从测试样本集T中选取的m个彩色半调图像组合成集合p，m≥50，并将p中的彩色半调图像逐个输入到训练好的卷积神经网络CNNs中，得到m个彩色逆半调图像g，g中的像素点s的R,G,B三通道的平均值是f′s；(7)对训练好的卷积神经网络CNNs进行优化：将从测试标签集Tl中选取的m个与集合p中彩色半调图像对应的彩色图像，组合成集合p'，p'中彩色图像g'中的像素点s的R,G,B三通道的平均值是f″s，通过m、f′s和f″s计算训练好的卷积神经网络CNNs的峰值信噪比平均值Accpre，并判断Accpre>Acc是否成立，若是，执行步骤(8)，否则，增大Mmax的值，并执行步骤(5)；(8)对待处理的彩色半调图像进行逆半调处理：将待处理的彩色半调图像输入到训练好的卷积神经网络CNNs中，得到彩色半调图像的彩色逆半调图像。