專利名稱：：數(shù)字半色調影像處理方法以及其類別矩陣最佳化方法
技術領域：
：本發(fā)明是關于一種應用于影像打印方面的半色調影像處理方法，特別是有關一種基于點擴散法的半色調影像處理方法。
背景技術：
：半色調影像數(shù)字處理技術是一種廣為使用的打印技術，適用于電腦圖像的輸出、印刷品、書報、及雜志等。當進行打印輸出之前，原始影像需先轉為半色調影像。半色調影像如通過人類視覺系統(tǒng)(HumanVisualSystem,HVS)藉間隔一段距離觀看時，會如原始影像經低通濾波的感受?，F(xiàn)有的半色調技術包含有有序抖動法(ordereddithering)、點擴散法、錯誤擴散法、及二元直接搜尋法(directbinarysearch,DBS)等。有序抖動法是一種具平行處理特性的方法，通常分為使用點聚集(clustered-dot)半色調網(wǎng)屏與點分散(dispersed-dot)半色調網(wǎng)屏兩大類。使用有序抖動法產生的半色調影像品質劣于使用二元直接搜尋法、錯誤擴散法、或點擴散法產生的半色調影像品質，此因使用有序抖動法進行半色調影像處理過程中，半色調影像每一像素皆存有一定的誤差。使用有序抖動法產生的半色調影像，因影像品質太差，很難被人們接受。而錯誤擴散法就沒有上述的問題，因為鄰近的像素可以分擔固定量值的誤差。然而，錯誤擴散法本來就不具有可平行處理影像的特性，錯誤擴散法對影像處理的效率遠劣于有序抖動法。目前，以半色調影像品質來說，二元直接搜尋法是最為突出的半色調技術。然而，耗時且需反覆進行運算的二元直接搜尋法很難應用于如鐳射打印機及噴墨打印機等商業(yè)化的產品。上述提及的方法中，點擴散法在半色調影像品質與影像處理效率這兩方面互為調和。點擴散法運用所謂的類別矩陣(classmatrix)來平行處理影像，故既有平行處理的特性。Knuth及Mese兩人提出的點擴散法為目前最廣為人知的兩種方法，他們對點擴散法的研究皆著重于類別矩陣的最佳化方面。下文中將描述點擴散法的基本概念以及Knuth點擴散法和Mese點擴散法此兩種現(xiàn)有方法主要的差異和缺失?，F(xiàn)假設一張PXQ大小的原始影像，其分割成若干個非重疊且大小為MXN的區(qū)塊。類別矩陣置放著點擴散法處理一個MXN區(qū)塊中所有像素的順序，類別矩陣與該區(qū)塊有相同的大小。請參閱圖1，該圖顯示點擴散法進行影像處理時的流程圖。在此，像素值255定義為屬于白色的像素，像素值O定義為屬于黑色的像素。x,.,代表正在處理的像素的灰階值，此灰階值即目前的輸入值，x;，,代表由已處理過的鄰近像素擴散而來的積累誤差，^代表修正后的灰階值，、代表在目前位置a力的二元輸出值，即為半色調影像的像素值。此外，為修正后的灰階值.與二元輸出值、的差距量，v"、~、及、.間的關以下列公式表示<formula>formulaseeoriginaldocumentpage6</formula>其中&"為擴散權重，此變數(shù)在Kmith及Mese所提出的類別矩陣最佳化過程中皆固定使用表1所示的擴散權重，其中符號X代表正在處理的像素位置，而那些位于八個鄰點的整數(shù)數(shù)值為擴散比例，亦即擴散權重。位于正在處理的像素的垂直方向及水平方向的鄰近像素較接近中央正在處理的像素，相較于對角方向的鄰近像素，正交方向的鄰近像素具有較高的相關性，其擴散比例亦較高。<table>tableseeoriginaldocumentpage7</column></row><table>于處理過程中需要注意，誤差僅許擴散至尚未進行二元輸出的鄰近像素，亦即尚未處理的鄰近像素，而判斷鄰近像素是否處理過的關鍵在于相應的類別矩陣中的成員數(shù)值是否小于目前正在處理的像素的成員數(shù)值。<formula>formulaseeoriginaldocumentpage7</formula>表示鄰近尚未處理過的像素的擴散比例總和。利用圖2所示的例子以及表2所示Kmith提出的類別矩陣可以說明上述提到的誤差僅許擴散至尚未處理的鄰近像素此一概念。類別矩陣中成員數(shù)值為0對應的像素的誤差可以擴散至成員數(shù)值為3、4、6、8、12、16、20、及24對應的像素；而類別矩陣中成員數(shù)值為7對應的像素的誤差可以擴散至成員數(shù)值為10、15、18、23、及31對應的像素。類別矩陣中成員數(shù)值為0和7對應像素的擴散比例總和wm分別為12和7。此外，3448403229152331425856532157105062614513121838465437251792628142230354941332046114359575212031951636044241682739475536表2點擴散法的平行處理特性亦展現(xiàn)于圖2，若干個非重疊的區(qū)塊分別對應的類別矩陣中相同的成員可同時處理，故假設使用8X8的類別矩陣來執(zhí)行點擴散程序，處理完整張影像僅需要64個單位時間。置于類別矩陣中的點擴散法對像素的處理順序會明顯影響到重建的影像品質，亦即點擴散法產生的半色調影像的品質。Knuth的最佳化方式為嘗試減少類別矩陣中的主爵(baron)(目前進行處理的成員周圍無數(shù)值更高的成員存在)及次爵(near-baron)(目前進行處理的成員周圍僅存在一個數(shù)值更高的成員)數(shù)目。這種觀念非常直接，因為主爵會使得誤差無法擴散至鄰近像素，而次爵僅允許誤差擴散至一個鄰近像素。此外，Kmith點擴散法并未將人眼之特性考慮于其中，導致所產生的半色調影像觀看時是不舒服的。對此，Mese將下列公式所示的人眼特性考慮于類別矩陣最佳化的過程中，以決定置于類別矩陣中的最佳的處理順序。圖3顯示頻域上依下列公式所取得的曲線。/f(w，v)="http://1exp(-iVM+VS⑨Clog(Z)+),L,、「l一5^附，/(1、「l+5^附，where51(^7)=[-]cos(4p)+[-].(3)(4)2、'…2在Mese的研究中，變數(shù)a=131.6、b=0.318、c=0.525、d=3.91、及L=0.091,在Mese對類別矩陣的最佳化過程中，使用單一灰階值16的影像來訓練取得最終的類別矩陣，Mese所取的類別矩陣如表3(8X8的類別矩陣)及表4(16X16的類別矩陣)所示。<table>tableseeoriginaldocumentpage9</column></row><table>表4(Mese的16X16類別矩陣)然而，Mese所提出的方法中，并未將擴散權重以及擴散區(qū)域的變化列入考慮，且并未將擴散權重最佳化，這限制了訓練出的類別矩陣對于重建影像品質上的成長空間。此外，Mese僅僅考慮使用單一灰階值16的影像進行類別矩陣最佳化，所訓練出的類別矩陣套用于其他灰階值所構成的影像，將無法得到最佳的結果。綜上所述，有序抖動法、錯誤擴散法、及二元直接搜尋法仍有上述提及的缺失，現(xiàn)有廣為人知的Kriuth點擴散法及Mese點擴散法在半色調影像品質方面仍具有改善的空間。因此，有必要發(fā)展一種方法以提高重建的半色調影像品質，同時保有平行處理影像的特性。
發(fā)明內容為改善上述提及的現(xiàn)有技術的缺失，特別是為改善Knuth和Mese提出的傳統(tǒng)的點擴散法，本發(fā)明之一目的在于提供一種基于點擴散法的半色調影像處理方法，用以提高半色調影像的品質，同時保有點擴散法既存的平行處理的特性。為達前述目的，本發(fā)明提供一種數(shù)字半色調影像處理方法，本方法包含下列步驟(sl)將原始影像分成非重疊的區(qū)塊；(s2)通過比較至少一張訓練影像及相應于訓練影像的半色調結果，以得到經訓練的最小均方濾波器(Least-Mean-Squarefilter,LMSfilter)，其中經訓練的LMS濾波器中的數(shù)值視同于擴散權重，經訓練的LMS濾波器的大小視同于擴散區(qū)域；(s3)利用經訓練的LMS濾波器來將類別矩陣(classmatrix)最佳化，也就是利用經訓練的LMS濾波器的擴散區(qū)域及其擴散權重來將類別矩陣最佳化，以得到最佳化的類別矩陣；以及(s4)利用由步驟(s3)取得的最佳化的類別矩陣及由步驟(s2)取得的擴散權重，對前述提及的非重疊區(qū)塊執(zhí)行點擴散程序，以產生與原始影像相應的半色調影像。在步驟(s3)類別矩陣的最佳化過程中，類別矩陣其中一個成員與其他成員之一交換。如果交換的類別矩陣相較于類別矩陣導致較高的重建影像品質，則保留交換的類別矩陣作為下次交換程序之用。相反地，如果類別矩陣相較于交換的類別矩陣導致較高的重建影像品質，則保留類別矩陣作為下次交換程序之用。當依序交換達到預定的次數(shù)后，因此確定最佳化的類別矩陣。本發(fā)明并提供一種類別矩陣最佳化方法，該方法包含下列步驟(gl)選取類別矩陣其中一個成員；(g2)將類別矩陣中所選取的成員與其他成員之一交換；(g3)利用該類別矩陣，對至少一測試影像執(zhí)行點擴散程序，以得到相應于測試影像的第一半色調影像；利用由步驟(g2)得到的交換的類別矩陣，對測試影像執(zhí)行相同的點擴散程序，以得到相應于測試影像的第二半色調影像；(g4)比較第一半色調影像的峰值信噪比(peaksignal-to-noise，PSNR)及第二半色調影像的峰值信噪比，以得到比較結果；以及(g5)根據(jù)比較結果決定最佳化的類別矩陣。類別矩陣中的成員經過一系列的交換程序后，如果再做交換無法得到較高的峰值信噪比，則此時的類別矩陣確定為最佳化的類別矩陣。本發(fā)明并提供一種類別矩陣最佳化方法，該方法包含下列步驟(hl)選取類別矩陣其中一個成員；(h2)將該類別矩陣中所選取的成員與其他成員交換，以得到若干個交換的類別矩陣；(h3)分別利用該類別矩陣及于擴散區(qū)域內之擴散權重、這些交換的類別矩陣及擴散權重，對至少一測試影像執(zhí)行點擴散程序，以分別得到相應于測試影像的半色調影像；(h4)計算每張相應于測試影像的半色調影像的峰值信噪比(peaksignal-to-noise，PSNR);以及(h5)保留導致相應于測試影像的半色調影像具有最大的峰值信噪比的類別矩陣。類別矩陣中的成員經過多次重覆步驟(h2)的交換程序后，如果再做交換無法導致相應于測試影像的半色調影像具有較高的峰值信噪比，則此時的類別矩陣確定為最佳化的類別矩陣。依本發(fā)明實施的半色調影像處理方法處理所得的半色調影像品質與某些錯誤擴散法相近，甚至優(yōu)于有名的Jarvis錯誤擴散法、Stucki錯誤擴散法、及Mese點擴散法。而且，本發(fā)明得以保有點擴散法平行處理的特性。相較于二元直接搜尋法及錯誤擴散法，依本發(fā)明實施的半色調影像處理方法具有相當高的執(zhí)行效率。為清楚明了本發(fā)明的諸多優(yōu)勢，將于后文更詳細地描述本發(fā)明與現(xiàn)有半色調技術的比較。圖1顯示現(xiàn)有的點擴散法進行影像處理時的流程圖。圖2顯示點擴散法使用類別矩陣處理一張灰階影像時的示意圖。圖3顯示Mese點擴散法采用的HVS公式其于頻域上的波形圖。圖4顯示依本發(fā)明實施的數(shù)字半色調影像處理方法的流程圖。圖5a顯示依本發(fā)明訓練得到于空間域上的3X3LMS濾波器。圖5b顯示依本發(fā)明訓練得到于空間域上的5X5LMS濾波器。圖5c顯示依本發(fā)明訓練得到于空間域上的7X7LMS濾波器。圖5d顯示依本發(fā)明訓練得到于空間域上的9X9LMS濾波器。圖6顯示依本發(fā)明實施的一個類別矩陣進行最佳化的例子的流程圖。圖7顯示依本發(fā)明實施的另一個類別矩陣進行最佳化的例子的流程圖。圖8顯示依本發(fā)明實驗的結果用不同擴散區(qū)域得出的類別矩陣對所計算而得的峰值信噪比的比較圖。圖9顯示利用本發(fā)明實施的數(shù)字半色調影像處理方法與利用現(xiàn)有的半色調影像處理方式所得的峰值信噪比的比較表。具體實施方式請參閱圖4，以下將描述依本發(fā)明實施的數(shù)字半色調影像處理方法的實施例。首先，將一張原始影像分成非重疊的區(qū)塊(步驟(al))，這些非重疊區(qū)塊并在步驟(a4)做后續(xù)處理。于步驟(a2)中，通過比較一或多張灰階影像及相應于灰階影像的半色調結果來得到最小均方濾波器(Least-Mean-Squarefilter,LMSfilter)。因為此灰階影像是作為訓練LMS濾波器之用，故稱為訓練影像。與每一灰階影像相應的半色調結果是由二元輸出值組成，例如0和255。此相應的半色調結果可利用各種半色調技術來處理而得，例如點擴散法、錯誤擴散法、有序抖動法(ordereddithering)、或二元直接搜尋法(directbinarysearch,DBS)。經訓練影像及與其相應的半色調結果訓練而得的LMS濾波器，稱為經訓練的LMS濾波器。因為經訓練的LMS濾波器具有類似于人類視覺系統(tǒng)(HumanVisualSystem,HVS)的特性，濾波器中的數(shù)值可以表示為擴散權重，濾波器的大小可以表示為擴散區(qū)域。在此，經訓練的LMS濾波器的擴散權重是由下列公式計算而得O，(6)=-H+，(7)5eu_如果則氣,應減小,如果1,<氣",則i,"應增大(8)6.,(9)其中^,為訓練影像的灰階值，、為與訓練影像相應的半色調結果，為擴散權重，vv，為初始設置的LMS濾波器最佳的系數(shù)，《為、與^間的均方誤差(meansquarederror,MSE)，以及/i為用于訓練LMS濾波器過程中控制收斂速度的調整參數(shù)。圖5a至圖5d分別顯示依本發(fā)明訓練得到的四種不同大小的LMS濾波器，大小分別為3X3(如圖5a所示)、5X5(如圖5b所示)、7X7(如圖5c所示)、及9X9(如圖5d所示)。表5顯示3X3大小且經訓練的LMS濾波器其內含的擴散權重。需注意的是，這些經訓練的LMS濾波器具有類似于人類視覺系統(tǒng)的基本特性。此基本特性可分為兩點(1)濾波器中在對角方向的敏感度較在垂直方向和水平方向低，以及(2)濾波器中央部分的敏感度最高，遠離中央部分的敏感度遞減。0.0800090.1266640.0751750.121144X0.1183280.0796540.1311940.081044表5于步驟(a3)中，利用上述提及的經訓練的LMS濾波器其內含的擴散權重來將類別矩陣(classmatrix)最佳化。然而，在其他類別矩陣最佳化的例子中，由心理學實驗取得的擴散權重亦可用來將類別矩陣最佳化。另外，其他一些具有擴散區(qū)域大小的濾波器其內含的擴散權重亦可作為本發(fā)明中類別矩陣的最佳化之用。在本發(fā)明類別矩陣的最佳化過程中，需要評估半色調影像的品質。半色調影像品質可通過計算半色調影像的峰值信噪比(peaksignal-to-noise，PSNR)來評估，其峰值信噪比定義為^Jm，rteiL附，"、"乂(+mj+rt乂其中;c,，,為一張影像的灰階值，6,.,為相應于該影像的半色調結果的二元輸出值，^"表示內含于經訓練的LMS濾波器在位置(附,《)的擴散權重，以及i為此經訓練的LMS濾波器所包含的區(qū)域。需注意的是，半色調影像品質的評估過程中需要任一經訓練的LMS濾波器的參與。為了將類別矩陣最佳化，類別矩陣的每個成員需與其他成員接續(xù)地交換。這些類別矩陣并用于一組測試影像的半色調化過程。本發(fā)明利用點擴散法使測試影像產生相應的半色調影像。而且，使用上述介紹的半色調影像品質評估方法來計算相映于該組測試影像的半色調影像的平均峰值信噪比?；ハ啾容^使用類別矩陣而產生的半色調影像的平均峰值信噪比與使用交換的類別矩陣而產生的半色調影像的平均峰值信噪比，只有當交換的類別矩陣導致較高的平均峰值信噪比時，才會保留此交換的類別矩陣作為新的類別矩陣。此新的類別矩陣再用于上述提及的交換程序，重覆執(zhí)行這樣的交換程序，直到交換的類別矩陣無法再增加平均峰值信噪比為止，最后得到的類別矩陣即為最佳化的類別矩陣。請參閱圖6，該圖顯示一個類別矩陣進行最佳化的例子的流程圖。假設要將一個8X8大小的類別矩陣最佳化。于步驟S810中從四種大小為3X3、5X5、7X7、及9X9的經訓練的LMS濾波器中選出一個，例如，選取3X3大小的LMS濾波器。內含于經訓練的LMS濾波器的數(shù)值可以視為擴散權重，該經訓練的LMS濾波器的大小可以視為擴散區(qū)域。于步驟S820中給定一個初始的類別矩陣，例如，使用Mese類別矩陣作為初始的類別矩陣。類別矩陣的成員可以視為以一維的方式依序排列。于步驟S831中選取類別矩陣其中一個成員C(i)。于步驟S832中類別矩陣中的成員C(i)與其他63個成員其中之一成員C(j)交換，其中i^j。于步驟S840中利用類別矩陣及由步驟S810選取的經訓練的LMS濾波器，對一組測試影像執(zhí)行點擴散程序，以得到相應于該組測試影像的半色調影像，在此以第一半色調影像稱之；類似地，利用交換的類別矩陣及由步驟S810選取的經訓練的LMS濾波器，對同樣一組測試影像執(zhí)行相同的點擴散程序，以得到相應于該組測試影像的半色調影像，在此以第二半色調影像稱之。所述測試影像可為任意的自然影像，具有任一灰階值的灰階影像都可采用作為所述的測試影像。于步驟S850中計算第一半色調影像的平均峰值信噪比以及計算第二半色調影像的平均峰值信噪比。于步驟S860中比較第一半色調影像的平均峰值信噪比以及第二半色調影像的平均峰值信噪比來決定交換的類別矩陣是否導致較高的重建影像品質。如果交換的類別矩陣導致較高的重建影像品質，則將交換的類別矩陣用作新的類別矩陣，以供上述交換程序使用。否則，將提供于此次交換程序中的原類別矩陣給上述交換程序使用。如果類別矩陣中并非所有的成員C(j)都與成員C(i)交換過，則到步驟S832以交換另一個成員C(j)。當所有的成員C(j)都與成員C(i)交換過后，選取另一個成員C(i)來做交換。如果并非所有的成員C(i)都被選過，則到步驟S831以選取另一未被選過的成員C(i)。如果再做交換無法增進重建影像的品質，則終止類別矩陣的最佳化，此時的類別矩陣確定為最佳化的類別矩陣。否則，反覆執(zhí)行步驟S831至步驟S860。請參閱圖7，該圖顯示另一個類別矩陣進行最佳化的例子的流程圖。假設要將一個8X8大小的類別矩陣最佳化。因為步驟S910、S920、及S930分別與圖6中步驟S810、S820、及S830相類似，故為簡潔明了起見，在此省略步驟S910、S920、及S930的相關描述。于步驟S932中類別矩陣中的成員C(i)與其他63個成員C(j)交換，其中i^j。因此，可以得到63個交換的類別矩陣。于步驟S940中分別利用類別矩陣及由步驟S910選取的經訓練的LMS濾波器、63個交換的類別矩陣及所述經訓練的LMS濾波器，對一張測試影像執(zhí)行點擴散程序，以分別得到相應于測試影像的64張半色調影像。本發(fā)明亦可用于對一組測試影像執(zhí)行點擴散程序，在此以一張測試影像為例來做說明。于步驟S950中計算每張半色調影像的峰值信噪比。此例中相應于64張半色調影像可得到64個峰值信噪比，其中的一張半色調影像是由使用上述類別矩陣得到的，另外的63張半色調影像是由分別使用上述63個交換的類別矩陣得到的。于步驟S960中64張半色調影像中，保留導致半色調影像具有最大的峰值信噪比的類別矩陣。使半色調影像具有最大的峰值信噪比的類別矩陣即可導致較高的重建影像品質，故將此類別矩陣用作新的類別矩陣。如果并非所有的成員C(i)都被選過，則到步驟S931以選取另一未被選過的成員C(i)。此時，由步驟S960得到的導致半色調影像具有最大的峰值信噪比的類別矩陣將用作新的類別矩陣，選取此新的類別矩陣中另一未被選過的成員C(i)繼續(xù)與成員C(j)做交換。如果再做交換無法增進重建影像的品質，則終止類別矩陣的最佳化，此時的類別矩陣確定為最佳化的類別矩陣。表6a至6d以及表7列出幾個利用不同大小的擴散區(qū)域及其相應的擴散權重執(zhí)行類別矩陣最佳化所收斂得到的類別矩陣。'291658105118411582253164495851576342614442145155452045333235340623026546375730242941394633223246024471213316356418492719251154524843142538055405259491736208961591176472617616028403931335562728432734362312101表(833域得1150(使月-到K442233》J8X4353:3力8類755:小^別知6238〗擴費脾)481337k區(qū)表(198485b域得6350(使月到的571目5X8X5542:5力8類3121;別究262〗擴費脾)3819慪2361581292459492024253639114445462533315610424284705441437353233621551340356563051154240331633805432553635820501854952172615125234165760693432271021594546395141271714284313194822602930表(2250(使月9目"18〔了力2:小^47]擴費3762t區(qū)表(535d1(使月26目9X41:9大7:小^61]擴費12慪域得到的8X8類別矩陣)域得到的8X8類別矩陣)18<table>tableseeoriginaldocumentpage19</column></row><table>表7(使用3X3大小的擴散區(qū)域得到的16X16類別矩陣)于步驟(a4)中，利用自步驟(a2)中得到的擴散區(qū)域內的擴散權重、以及自步驟(a3)中取得最佳化的類別矩陣，對步驟(al)中提及的非重疊區(qū)塊執(zhí)行點擴散程序，以得到相應于原始影像的半色調影像。當處理依本發(fā)明進行實驗而取得的實驗結果時，采用上述提及的公式(10)來計算半色調影像的峰值信噪比，其中并使用圖5c所示大小為7X7經訓練的LMS濾波器參與半色調影像品質的評估。圖8顯示不同擴散區(qū)域得出的類別矩陣對所計算而得的峰值信噪比的比較圖。很明顯地，當擴散區(qū)域的大小增加時，所得的半色調影像品質會降低。由此可見，本發(fā)明中，點擴散法最適合使用3X3大小經訓練的LMS濾波器，3X3大小經訓練的LMS濾波器亦最適合用來最佳化類別矩陣，最佳化的類別矩陣如表6a及表7所示。圖9顯示分別利用13種半色調影像處理方式而得的峰值信噪比(PSNR)，包括Floyd錯誤擴散法(PSNR二35.4)、Jarvis錯誤擴散法(PSNR=30.3)、Stucki錯誤擴散法(PSNR=31.1)、Ostromoukhov錯誤擴散法(PSNR=35.9)、Shiau錯誤擴散法(PSNR二35.1)、Knuth點擴散法(PSNR二30.1)、Mese點擴散法(使用16X16類別矩陣得到的PSNR=30.1、使用8X8類別矩陣得到的PSNR=30.9)、采用古典四型點聚集(Classical-4clustered-dotdithering)的有序抖動法(PSNR二19.4)、采用拜耳五型點分散(Bayer-5dispersed-dotdithering)的有序抖動法(PSNR=30.2)、二元直接搜尋法(DBS)(PSNR=39.9)、以及依本發(fā)明實施的點擴散法(使用16X16類別矩陣得到的PSNR=34.3、使用8X8類別矩陣得到的PSNR二33.2)。根據(jù)上述實驗結果的比較，依本發(fā)明實施的點擴散法取得的半色調影像品質較Mese點擴散法為佳。進一步來說，依本發(fā)明提供的8X8類別矩陣進行點擴散運算所得到的峰值信噪比優(yōu)于Mese提供的8X8類別矩陣；依本發(fā)明提供的16X16類別矩陣進行點擴散運算所得到的峰值信噪比優(yōu)于Mese提供的16X16類別矩陣。此外，本發(fā)明提供的半色調影像處理方式運用點擴散法處理所得的半色調影像品質與前述提及的錯誤擴散法相近，但遠優(yōu)于前述的有序抖動法。雖然本發(fā)明提供的半色調影像處理方式所得的半色調影像品質仍略差于某些錯誤擴散法及二元直接搜尋法，但本發(fā)明使用的點擴散法具有可平行處理的特性，影像處理速度遠優(yōu)于非平行處理的錯誤擴散法以及需反覆進行運算的二元直接搜尋法，此為本發(fā)明使用點擴散法極具優(yōu)勢的特點。權利要求1、一種數(shù)字半色調影像處理方法，其特征在于該方法包含下列步驟(a1)將一原始影像分成非重疊之區(qū)塊；(a2)比較至少一訓練影像及與該訓練影像相應的半色調結果，以得到于一擴散區(qū)域內的擴散權重；(a3)利用該擴散區(qū)域內的擴散權重來將一類別矩陣(classmatrix)最佳化，以得到一最佳化的類別矩陣；以及(a4)利用該最佳化的類別矩陣及所述擴散權重，對所述非重疊區(qū)塊執(zhí)行一點擴散程序，以產生與該原始影像相應的半色調影像。2、根據(jù)權利要求1所述的數(shù)字半色調影像處理方法，其特征在于于步驟(a2)中，所述擴散權重是由下列公式計算而得<formula>formulaseeoriginaldocumentpage2</formula>如果JlUm"應減小如果Wm，M<W附，附，。p,，則氣,應增大其中~為該訓練影像的灰階值，、為與該訓練影像相應的半色調結果，wm,為所述擴散權重，w，，，為一最小均方濾波器(Least-Mean-Squarefilter,LMSfilter)最佳的系數(shù)，《■為;與jf,y.間的均方誤差(meansquarederror,MSE)，以及//為用于控制收斂速度的調整參數(shù)。3、根據(jù)權利要求1所述的數(shù)字半色調影像處理方法，其特征在于步驟(a3)包含子步驟將該類別矩陣其中一個成員與其他成員之一交換，以得到一交換的類別矩陣。4、根據(jù)權利要求3所述的數(shù)字半色調影像處理方法，其特征在于步驟(a3)包含子步驟如果該交換的類別矩陣相較于該類別矩陣導致較高的重建影像品質，則保留該交換的類別矩陣。5、根據(jù)權利要求3所述的數(shù)字半色調影像處理方法，其特征在于步驟(a3)包含子步驟如果該類別矩陣相較于該交換的類別矩陣導致較高的重建影像品質，則保留該類別矩陣。6、一種類別矩陣最佳化方法，其特征在于該方法包含下列步驟(Cl)選取一類別矩陣其中一個成員；(C2)將該類別矩陣中所選取的成員與其他成員之一交換；(c3)利用該類別矩陣，對至少一測試影像執(zhí)行一點擴散程序，以得到相應于該測試影像的一第一半色調影像；利用由步驟(c2)得到的交換的類別矩陣，對該測試影像執(zhí)行相同的點擴散程序，以得到相應于該測試影像的一第二半色調影像；(c4)比較該第一半色調影像的峰值信噪比(peaksignal-to-noise，PSNR)及該第二半色調影像的峰值信噪比，以得到一比較結果；以及(c5)根據(jù)該比較結果決定一最佳化的類別矩陣。7、根據(jù)權利要求6所述的類別矩陣最佳化方法，其特征在于該第一半色調影像及該第二半色調影像任一者的峰值信噪比，是由下列公式計算而得腿=,10_PXQX2552其中、為該測試影像的灰階值，為相應于該訓練影像的第一(或第二)半色調影像的二元輸出值，、表示內含于一經訓練的最小均方濾波器(Least-Mean-Squarefilter,LMSfilter)在位置(/n,")的擴散權重，以及W為該經訓練的LMS濾波器所包含的區(qū)域。8、根據(jù)權利要求6所述的類別矩陣最佳化方法，其特征在于步驟(c4)包含子步驟如果該第二半色調影像的峰值信噪比高于該第一半色調影像的峰值信噪比，則保留該交換的類別矩陣。9、根據(jù)權利要求6所述的類別矩陣最佳化方法，其特征在于步驟(c4)包含子步驟如果該第一半色調影像的峰值信噪比高于該第二半色調影像的峰值信噪比，則保留該類別矩陣。10、一種類別矩陣最佳化方法，其特征在于該方法包含下列步驟(dl)選取一類別矩陣其中一個成員；(d2)將該類別矩陣中所選取之成員與其他成員交換，以得到若干個交換的類別矩陣；(d3)分別利用該類別矩陣及于一擴散區(qū)域內之擴散權重、這些交換的類別矩陣及所述擴散權重，對至少一測試影像執(zhí)行一點擴散程序，以分別得到相應于該測試影像的半色調影像；(d4)計算每張相應于該測試影像的半色調影像的峰值信噪比(peaksignal-to-noise,PSNR);以及(d5)保留導致相應于該測試影像的半色調影像具有最大的峰值信噪比的類別矩陣。全文摘要本發(fā)明公開一種數(shù)字半色調影像處理方法，包含下列步驟(s1)將原始影像分成非重疊的區(qū)塊；(s2)通過比較至少一張訓練影像及相應于訓練影像的半色調結果，以得到經訓練的最小均方濾波器(Least-Mean-Squarefilter，LMSfilter)；(s3)利用經訓練的LMS濾波器內含的擴散區(qū)域及其擴散權重來將類別矩陣(classmatrix)最佳化；以及(s4)利用最佳化的類別矩陣及擴散權重，對非重疊區(qū)塊執(zhí)行點擴散程序，以產生與原始影像相應的半色調影像。本發(fā)明并公開步驟(s3)中的類別矩陣最佳化方法。文檔編號H04N1/405GK101646008SQ20081016920公開日2010年2月10日申請日期2008年9月26日優(yōu)先權日2008年8月7日發(fā)明者劉云夫,郭景明申請人:郭景明