本發(fā)明涉及一種顯著性視覺(jué)注意模型的混合式數(shù)字圖像半色調(diào)方法，屬于圖像處理
技術(shù)領(lǐng)域：
，適用于印刷出版領(lǐng)域的數(shù)字圖像印前處理技術(shù)。
背景技術(shù)：
：數(shù)字半色調(diào)是計(jì)算機(jī)輸入/輸出的重要支撐技術(shù)，解決了僅具備二值再現(xiàn)能力的設(shè)備無(wú)法直接輸出多灰度級(jí)圖像的矛盾。對(duì)于連續(xù)調(diào)圖像，在輸出前必須通過(guò)數(shù)字圖像半色調(diào)技術(shù)將之轉(zhuǎn)換為適合輸出的黑白二值圖像，所以連續(xù)調(diào)圖像的數(shù)字半色調(diào)算法對(duì)圖像輸出效果起著尤為關(guān)鍵的作用。半色調(diào)之所以能夠模擬連續(xù)調(diào)圖像是依賴于人眼視覺(jué)系統(tǒng)的低通或帶通濾波器的特性，而且半色調(diào)圖像的質(zhì)量最終是由人眼視覺(jué)系統(tǒng)進(jìn)行評(píng)價(jià)的，因此視覺(jué)系統(tǒng)的研究在半色調(diào)算法的設(shè)計(jì)中是十分重要的。視覺(jué)注意是人類視覺(jué)處理過(guò)程中的一項(xiàng)重要心理調(diào)節(jié)機(jī)制，在視覺(jué)信息處理過(guò)程中，總是能迅速選擇少數(shù)幾個(gè)顯著對(duì)象進(jìn)行優(yōu)先處理，而忽略或舍棄其它的非顯著對(duì)象，從而極大的提高視覺(jué)信息處理的工作效率。目前數(shù)字圖像半色調(diào)方法主要包括有序抖動(dòng)、誤差擴(kuò)散和優(yōu)化方法。有序抖動(dòng)算法復(fù)雜度低，只需將圖像中各像素灰度值與空變閾值逐一對(duì)比，根據(jù)對(duì)比結(jié)果確定半色調(diào)圖像的二元值，此方法快速而簡(jiǎn)單，但得到的圖像質(zhì)量是最低的。誤差擴(kuò)散算法是將當(dāng)前像素的量化誤差按一定比例擴(kuò)散到鄰接像素上，這樣局部的量化誤差就在相鄰像素上得到補(bǔ)償，產(chǎn)生在圖像清晰再現(xiàn)區(qū)域中具有平滑紋理的半色調(diào)圖像，但是，這種方法還產(chǎn)生“蠕蟲(chóng)”現(xiàn)象。優(yōu)化方法通過(guò)計(jì)算使感知誤差測(cè)度最小的二值像素最優(yōu)配置來(lái)實(shí)現(xiàn)數(shù)字圖像半色調(diào)，但需要大量計(jì)算，對(duì)一些實(shí)時(shí)應(yīng)用不可行。三類方法中，優(yōu)化方法計(jì)算復(fù)雜度最高，但其半色調(diào)圖像質(zhì)量總體優(yōu)于有序抖動(dòng)和誤差擴(kuò)散半色調(diào)圖像質(zhì)量。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種顯著性視覺(jué)注意模型的混合式數(shù)字圖像半色調(diào)方法，以用于得到高質(zhì)量的半色調(diào)圖像，處理速度較快。本發(fā)明是一種在諸如激光制版機(jī)、激光打印機(jī)和顯示器等二值輸出設(shè)備上再現(xiàn)原圖像的圖像處理技術(shù)。包括本發(fā)明應(yīng)用一種自下而上的視覺(jué)選擇性注意模型，從輸入圖像中通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像強(qiáng)度、顏色和方向的特征圖。各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖，提取圖像的感興趣區(qū)域(RegionsofInterest,ROIs)。在ROIs采用一種基于模型的加權(quán)最小二乘半色調(diào)迭代方法進(jìn)行圖像的半色調(diào)化。在非感興趣區(qū)域采用基于色調(diào)的誤差擴(kuò)散法進(jìn)行半色調(diào)圖像的轉(zhuǎn)化，圖像的兩個(gè)區(qū)域進(jìn)行半色調(diào)的并行計(jì)算。應(yīng)用基于選擇性注意模型的質(zhì)量評(píng)價(jià)方法客觀評(píng)價(jià)數(shù)字圖像半色調(diào)的性能，并對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像。本發(fā)明的技術(shù)方案是：一種顯著性視覺(jué)注意模型的混合式數(shù)字圖像半色調(diào)方法，所述方法的具體步驟如下：A、將連續(xù)調(diào)圖像轉(zhuǎn)換成灰度圖像并判斷灰度圖像是否是標(biāo)準(zhǔn)的2n×2n灰度圖像；B、應(yīng)用一種自下而上的視覺(jué)選擇性注意模型，從輸入圖像中通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像強(qiáng)度、顏色和方向的特征圖；C、各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖，提取圖像的感興趣區(qū)域ROIs；D、在圖像的感興趣區(qū)域ROIs采用一種基于模型的加權(quán)最小二乘半色調(diào)迭代方法進(jìn)行圖像的半色調(diào)化；E、在非感興趣區(qū)域采用基于色調(diào)的誤差擴(kuò)散法進(jìn)行半色調(diào)圖像的轉(zhuǎn)化，圖像的兩個(gè)區(qū)域進(jìn)行半色調(diào)的并行計(jì)算；F、應(yīng)用基于選擇性注意模型的質(zhì)量評(píng)價(jià)方法客觀評(píng)價(jià)數(shù)字圖像半色調(diào)的性能，并對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像。所述步驟B中，圖像強(qiáng)度、顏色和方向的特征圖建立的具體步驟如下：B1、用r，g，b表示輸入圖像的紅、綠、藍(lán)通道，強(qiáng)度圖像I＝(r+g+b)/3來(lái)獲得，I用來(lái)產(chǎn)生高斯金字塔I(σ)，其中σ∈{0...5}為等級(jí)；B2、四個(gè)彩色通道紅色、綠色、藍(lán)色和黃色的值為R＝r-(g+b)/2，G＝g-(r+b)/2，B＝b-(r+g)/2，Y＝(r+g)/2-(r-g)/2-b，如出現(xiàn)負(fù)數(shù)值被賦值為0，產(chǎn)生四個(gè)高斯金字塔R(σ)，G(σ)，B(σ)和Y(σ)；B3、一個(gè)“中心”精細(xì)等級(jí)c與一個(gè)“周圍”粗糙等級(jí)s之間的中心-周圍誤差就產(chǎn)生了特征圖；B4、第一個(gè)特征圖的集合與亮度對(duì)比有關(guān)，亮度對(duì)比在兩種類型的敏感性同時(shí)計(jì)算出來(lái)，放在I(c,s)圖的集合中，其中c∈{2,3}，s＝c+δ，δ∈{1,2}，I(c,s)＝|I(c)θI(s)|；兩種類型的敏感性包括人類視覺(jué)系統(tǒng)中由對(duì)亮背景-暗中心敏感或?qū)Π当尘?亮中心敏感；B5、第二個(gè)特征圖通過(guò)彩色通道進(jìn)行構(gòu)建，視覺(jué)選擇性注意模型中產(chǎn)生的圖RG(c,s)同時(shí)說(shuō)明了紅色/綠色和綠色/紅色這一對(duì)相反的情況，RG(c,s)＝|(R(c)-G(c))θ(G(s)-R(s))|，BY(c,s)則說(shuō)明藍(lán)色/黃色和黃色/藍(lán)色這一對(duì)相反的情況，BY(c,s)＝|(B(c)-Y(c))θ(Y(s)-B(s))|；B6、第三個(gè)特征圖的集合是通過(guò)使用帶方向的Gabor金字塔O(σ，θ)得到的圖像中局部方向信息，其中σ∈{0...5}等級(jí)，θ∈{0°,45°,90°,135°)是選擇的方向，方向特征圖O(c,s)＝|O(θ,c)θO(θ,s)|。所述步驟C中，各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖，提取圖像的感興趣區(qū)域ROIs的具體步驟如下：C1、設(shè)置一個(gè)歸一化的算子N(·)來(lái)顯示具有少數(shù)重要區(qū)域的特征圖而抑制包含很多重要區(qū)域的圖；C2、把特征圖的圖像值歸一化到一個(gè)固定范圍[0,M]中，以消除由于特征不同而帶來(lái)的取值范圍不同；C3、找出圖中的全局最大值M，并計(jì)算所有局部最大值的平均值把全圖乘以C4、在顯著度圖的某個(gè)σ等級(jí)，用表示強(qiáng)度，表示顏色，表示方向，這3個(gè)“顯著度圖”通過(guò)跨等級(jí)相加來(lái)獲得，這種相加由每個(gè)圖與等級(jí)σ相減和逐點(diǎn)相加構(gòu)成，則為合并后的總顯著圖。所述步驟D中，在感興趣區(qū)域ROIs采用一種基于模型的加權(quán)最小二乘半色調(diào)迭代方法進(jìn)行圖像的半色調(diào)化的具體步驟如下：D1、對(duì)于一副圖像像素點(diǎn)(i,j)，給定一個(gè)初始二值估計(jì)圖像[bi,j]，找到輸出圖像的二值bi,j，使得平方差最小，i,j表示圖像像素；Bi,j表示像素八鄰域；zi,j表示視覺(jué)誤差；wi，j表示打印機(jī)模型誤差；D2、假定Βi，j的鄰域足夠大，保證最小化Ei,j等同于最小化ε，為了能夠得到較小的誤差和較好的圖像質(zhì)量，在迭代過(guò)程中，每次最小化都是在相鄰的一組像素間進(jìn)行；給定一初始估計(jì)[bi,j]，在(i,j)的鄰域Ci,j∈Bi,j尋找二值bk,l，使得平方誤差Ei,j最小，在Ci,j的八鄰域系統(tǒng)中，測(cè)試29個(gè)可能的二值模式，使計(jì)算過(guò)程得到簡(jiǎn)化，使得加權(quán)平方值最小，其中Βi,j是點(diǎn)(i,j)的鄰域，加權(quán)值表示像素方差，ε表示整幅圖像的全局平方誤差；D3、采用直接二值搜索算法DBS最小化原圖像與半色調(diào)圖像的誤差來(lái)尋找最佳的二值輸出；DBS應(yīng)用一個(gè)人類視覺(jué)模型來(lái)減少半色調(diào)圖像和原始圖像的可見(jiàn)誤差，視覺(jué)半色調(diào)定義如下：是HVS模型的點(diǎn)擴(kuò)散函數(shù)PSF；a＝2.6,b＝0.0192,c＝0.114,d＝1.1f-1二維空間的傅立葉逆變換；原始圖像和半色調(diào)圖像的均方差僅僅是定義的互相關(guān)函數(shù)；來(lái)評(píng)價(jià)半色調(diào)圖像的網(wǎng)點(diǎn)，在連續(xù)空間感知誤差為利用DBS最小化均方感知誤差測(cè)度定義一附加的自相關(guān)函數(shù)則計(jì)算濾波器的自相關(guān)函數(shù)以及誤差和濾波器間的互相關(guān)函數(shù)對(duì)每個(gè)像素進(jìn)行“開(kāi)關(guān)”計(jì)算和“交換”計(jì)算，在八領(lǐng)域像素中改變像素值。所述步驟E中，在非感興趣區(qū)域采用基于色調(diào)的誤差擴(kuò)散法進(jìn)行半色調(diào)圖像的轉(zhuǎn)化，圖像的兩個(gè)區(qū)域進(jìn)行半色調(diào)并行計(jì)算的具體步驟如下：E1、令w[k,l；a]和t[k,l；a]分別表示誤差權(quán)重和閾值矩陣，則二值半色調(diào)輸出當(dāng)吸收比等于0.5時(shí)，在直接二值搜索模式下閾值矩陣為：，其中tu(a)和tl(a)表示基于色調(diào)的參數(shù)，滿足tu(a)≥tl(a)，將t[m,n；a]帶入g[m,n]中，則E2、一個(gè)視覺(jué)代價(jià)函數(shù)用來(lái)評(píng)價(jià)亮調(diào)和暗調(diào)半色調(diào)圖像的質(zhì)量，和分別表示直接二值搜索模式和基于色調(diào)的誤差擴(kuò)散模式的離散傅里葉變換，則全局方差為很好的評(píng)價(jià)中間色調(diào)圖像的質(zhì)量；E3、在感興趣區(qū)域和非感興趣區(qū)域利用一種并行計(jì)算模式來(lái)提高計(jì)算速度，縮短計(jì)算時(shí)間。所述步驟F中，應(yīng)用基于選擇性注意模型的質(zhì)量評(píng)價(jià)方法客觀評(píng)價(jià)數(shù)字圖像半色調(diào)的性能，并對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像的具體步驟如下：F1、利用選擇性注意模型算法自動(dòng)提取出圖像的顯著度圖，在顯著度圖中給出了每個(gè)像素的顯著度值，用每個(gè)像素的顯著度值來(lái)作為該像素在質(zhì)量評(píng)價(jià)中的興趣權(quán)值，在此基礎(chǔ)上，對(duì)每個(gè)像素點(diǎn)都計(jì)算出一個(gè)權(quán)重因子，該權(quán)重因子反映了人眼對(duì)該像素的關(guān)注程度，再使用該權(quán)重因子對(duì)MSE進(jìn)行加權(quán)計(jì)算，得到對(duì)圖像質(zhì)量的評(píng)價(jià)結(jié)果；F2、對(duì)原始圖像f(m,n)根據(jù)選擇性注意模型算法計(jì)算該圖的顯著度圖S(m,n)；F3、對(duì)計(jì)算出來(lái)的顯著度圖S(m,n)，進(jìn)行歸一化權(quán)重因子的計(jì)算：F4、對(duì)原始圖像和待測(cè)圖像進(jìn)行基于顯著度的均方誤差WMSE的計(jì)算：F5、在WMSE的基礎(chǔ)上進(jìn)行基于顯著度的峰值信噪比WPSNR的計(jì)算：F6、對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像。本發(fā)明的有益效果是：1、組合了現(xiàn)有方法中優(yōu)化方法和誤差擴(kuò)散方法中的優(yōu)點(diǎn)，得到高質(zhì)量的半色調(diào)圖像。2、利用本發(fā)明的基于顯著性視覺(jué)注意模型的混合式數(shù)字半色調(diào)方法，程序并行處理，速度較快，可得到高品質(zhì)的數(shù)字半色調(diào)圖像。附圖說(shuō)明圖1為本發(fā)明的方法流程圖；圖2為本發(fā)明應(yīng)用的初始圖像；圖3為本發(fā)明通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像的強(qiáng)度特征圖；圖4為本發(fā)明通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像的顏色特征圖；圖5為本發(fā)明通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像的方向特征圖；圖6為本發(fā)明各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖；圖7為應(yīng)用誤差擴(kuò)散法(ED)得到的半色調(diào)圖像；圖8為應(yīng)用多尺度誤差擴(kuò)散法(MED)得到的半色調(diào)圖像；圖9為應(yīng)用基于色調(diào)的誤差擴(kuò)散法(TDED)得到的半色調(diào)圖像；圖10為應(yīng)用基于視覺(jué)和打印機(jī)模型(LSMB)的半色調(diào)圖像；圖11為應(yīng)用本發(fā)明提出的算法得到的半色調(diào)圖像；圖12為基于視覺(jué)顯著性的圖像質(zhì)量評(píng)價(jià)框架；圖13為上述算法復(fù)雜度的分析結(jié)果。具體實(shí)施方式實(shí)施例1：如圖1-13所示，一種顯著性視覺(jué)注意模型的混合式數(shù)字圖像半色調(diào)方法，本發(fā)明的一種顯著性視覺(jué)注意模型的混合式數(shù)字半色調(diào)方法包括應(yīng)用一種自下而上的視覺(jué)選擇性注意模型，從輸入圖像中通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像強(qiáng)度、顏色和方向的特征圖。各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖，提取圖像的感興趣區(qū)域(RegionsofInterest,ROIs)。在ROIs采用一種基于模型的加權(quán)最小二乘半色調(diào)迭代方法進(jìn)行圖像的半色調(diào)化。在非感興趣區(qū)域采用基于色調(diào)的誤差擴(kuò)散法進(jìn)行半色調(diào)圖像的轉(zhuǎn)化，圖像的兩個(gè)區(qū)域進(jìn)行半色調(diào)的并行計(jì)算。應(yīng)用基于選擇性注意模型的質(zhì)量評(píng)價(jià)方法客觀評(píng)價(jià)數(shù)字圖像半色調(diào)的性能，并對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像。所述方法的具體步驟如下：A、將連續(xù)調(diào)圖像轉(zhuǎn)換成灰度圖像并判斷灰度圖像是否是標(biāo)準(zhǔn)的2n×2n灰度圖像；圖2為本發(fā)明實(shí)施例應(yīng)用的初始圖像。B、應(yīng)用一種自下而上的視覺(jué)選擇性注意模型，從輸入圖像中通過(guò)高斯金字塔和“中心-周邊(Center-surround)”算子計(jì)算得出圖像強(qiáng)度、顏色和方向的特征圖；C、各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖，提取圖像的感興趣區(qū)域(RegionsofInterest,ROIs)；D、在圖像的感興趣區(qū)域ROIs采用一種基于模型的加權(quán)最小二乘半色調(diào)迭代方法進(jìn)行圖像的半色調(diào)化；E、在非感興趣區(qū)域采用基于色調(diào)的誤差擴(kuò)散法進(jìn)行半色調(diào)圖像的轉(zhuǎn)化，圖像的兩個(gè)區(qū)域進(jìn)行半色調(diào)的并行計(jì)算；F、應(yīng)用基于選擇性注意模型的質(zhì)量評(píng)價(jià)方法客觀評(píng)價(jià)數(shù)字圖像半色調(diào)的性能，并對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像。所述步驟B中，圖像強(qiáng)度、顏色和方向的特征圖建立的具體步驟如下：B1、用r，g，b表示輸入圖像的紅、綠、藍(lán)通道，強(qiáng)度圖像I＝(r+g+b)/3來(lái)獲得，I用來(lái)產(chǎn)生高斯金字塔I(σ)，其中σ∈{0...5}為等級(jí)；B2、四個(gè)彩色通道紅色、綠色、藍(lán)色和黃色的值為R＝r-(g+b)/2，G＝g-(r+b)/2，B＝b-(r+g)/2，Y＝(r+g)/2-(r-g)/2-b，如出現(xiàn)負(fù)數(shù)值被賦值為0，產(chǎn)生四個(gè)高斯金字塔R(σ)，G(σ)，B(σ)和Y(σ)；B3、一個(gè)“中心”精細(xì)等級(jí)c與一個(gè)“周圍”粗糙等級(jí)s之間的中心-周圍誤差就產(chǎn)生了特征圖；B4、第一個(gè)特征圖的集合與亮度對(duì)比有關(guān)，亮度對(duì)比在兩種類型的敏感性同時(shí)計(jì)算出來(lái)，放在I(c,s)圖的集合中，其中c∈{2,3}，s＝c+δ，δ∈{1,2}，I(c,s)＝|I(c)θI(s)|；兩種類型的敏感性包括人類視覺(jué)系統(tǒng)中由對(duì)亮背景-暗中心敏感或?qū)Π当尘?亮中心敏感；(圖3為本發(fā)明通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像的強(qiáng)度特征圖)B5、第二個(gè)特征圖通過(guò)彩色通道進(jìn)行構(gòu)建，視覺(jué)選擇性注意模型中產(chǎn)生的圖RG(c,s)同時(shí)說(shuō)明了紅色/綠色和綠色/紅色這一對(duì)相反的情況，RG(c,s)＝|(R(c)-G(c))θ(G(s)-R(s))|，BY(c,s)則說(shuō)明藍(lán)色/黃色和黃色/藍(lán)色這一對(duì)相反的情況，BY(c,s)＝|(B(c)-Y(c))θ(Y(s)-B(s))|；(圖4為本發(fā)明通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像的顏色特征圖)B6、第三個(gè)特征圖的集合是通過(guò)使用帶方向的Gabor金字塔O(σ，θ)得到的圖像中局部方向信息，其中σ∈{0...5}等級(jí)，θ∈{0°,45°,90°,135°)是選擇的方向，方向特征圖O(c,s)＝|O(θ,c)θO(θ,s)|。(圖5為本發(fā)明通過(guò)高斯金字塔和“中心-周邊”算子計(jì)算得出圖像的方向特征圖)所述步驟C中，各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖，提取圖像的感興趣區(qū)域(RegionsofInterest,ROIs)的具體步驟如下：C1、設(shè)置一個(gè)歸一化的算子N(·)來(lái)顯示具有少數(shù)重要區(qū)域的特征圖而抑制包含很多重要區(qū)域的圖；C2、把特征圖的圖像值歸一化到一個(gè)固定范圍[0,M]中，以消除由于特征不同而帶來(lái)的取值范圍不同；C3、找出圖中的全局最大值M，并計(jì)算所有局部最大值的平均值把全圖乘以C4、在顯著度圖的某個(gè)σ等級(jí)，用表示強(qiáng)度，表示顏色，表示方向，這3個(gè)“顯著度圖”通過(guò)跨等級(jí)相加來(lái)獲得，這種相加由每個(gè)圖與等級(jí)σ相減和逐點(diǎn)相加構(gòu)成，則為合并后的總顯著圖。(圖6為本發(fā)明各個(gè)特征圖經(jīng)過(guò)歸一化后被疊加成總的顯著度圖)所述步驟D中，在感興趣區(qū)域(ROIs)采用一種基于模型的加權(quán)最小二乘半色調(diào)迭代方法進(jìn)行圖像的半色調(diào)化的具體步驟如下：D1、對(duì)于一副圖像像素點(diǎn)(i,j)，給定一個(gè)初始二值估計(jì)圖像[bi,j]，找到輸出圖像的二值bi,j，使得平方差最小，i,j表示圖像像素；Bi,j表示像素八鄰域；zi,j表示視覺(jué)誤差；wi,j表示打印機(jī)模型誤差；D2、假定Βi,j的鄰域足夠大，保證最小化Ei,j等同于最小化ε，為了能夠得到較小的誤差和較好的圖像質(zhì)量，在迭代過(guò)程中，每次最小化都是在相鄰的一組像素間進(jìn)行；給定一初始估計(jì)[bi,j]，在(i,j)的鄰域Ci,j∈Bi,j尋找二值bk,l，使得平方誤差Ei,j最小，在Ci,j的八鄰域系統(tǒng)中，測(cè)試29個(gè)可能的二值模式，使計(jì)算過(guò)程得到簡(jiǎn)化，使得加權(quán)平方值最小，其中Βi,j是點(diǎn)(i,j)的鄰域，加權(quán)值表示像素方差，ε表示整幅圖像的全局平方誤差；D3、采用直接二值搜索算法(DirectBinarySearch,DBS)最小化原圖像與半色調(diào)圖像的誤差來(lái)尋找最佳的二值輸出；(DirectBinarySearch,DBS)應(yīng)用一個(gè)人類視覺(jué)模型來(lái)減少半色調(diào)圖像和原始圖像的可見(jiàn)誤差，視覺(jué)半色調(diào)定義如下：是HVS模型的點(diǎn)擴(kuò)散函數(shù)(PointSpreadFunction,PSF)；a＝2.6,b＝0.0192,c＝0.114,d＝1.1f-1二維空間的傅立葉逆變換；原始圖像和半色調(diào)圖像的均方差僅僅是定義的互相關(guān)函數(shù)；來(lái)評(píng)價(jià)半色調(diào)圖像的網(wǎng)點(diǎn)，在連續(xù)空間感知誤差為利用DBS最小化均方感知誤差測(cè)度定義一附加的自相關(guān)函數(shù)則計(jì)算濾波器的自相關(guān)函數(shù)以及誤差和濾波器間的互相關(guān)函數(shù)對(duì)每個(gè)像素進(jìn)行“開(kāi)關(guān)”計(jì)算和“交換”計(jì)算，在八領(lǐng)域像素中改變像素值。所述步驟E中，在非感興趣區(qū)域采用基于色調(diào)的誤差擴(kuò)散法進(jìn)行半色調(diào)圖像的轉(zhuǎn)化，圖像的兩個(gè)區(qū)域進(jìn)行半色調(diào)并行計(jì)算的具體步驟如下：E1、令w[k,l；a]和t[k,l；a]分別表示誤差權(quán)重和閾值矩陣，則二值半色調(diào)輸出當(dāng)吸收比等于0.5時(shí)，在直接二值搜索模式下閾值矩陣為：，其中tu(a)和tl(a)表示基于色調(diào)的參數(shù)，滿足tu(a)≥tl(a)，將t[m,n；a]帶入g[m,n]中，則E2、一個(gè)視覺(jué)代價(jià)函數(shù)用來(lái)評(píng)價(jià)亮調(diào)和暗調(diào)半色調(diào)圖像的質(zhì)量，和分別表示直接二值搜索模式和基于色調(diào)的誤差擴(kuò)散模式的離散傅里葉變換，則全局方差為很好的評(píng)價(jià)中間色調(diào)圖像的質(zhì)量；E3、在感興趣區(qū)域和非感興趣區(qū)域利用一種并行計(jì)算模式來(lái)提高計(jì)算速度，縮短計(jì)算時(shí)間。(圖11為應(yīng)用本發(fā)明提出的算法得到的半色調(diào)圖像)所述步驟F中，應(yīng)用基于選擇性注意模型的質(zhì)量評(píng)價(jià)方法客觀評(píng)價(jià)數(shù)字圖像半色調(diào)的性能，并對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像的具體步驟如下：F1、利用選擇性注意模型算法自動(dòng)提取出圖像的顯著度圖，在顯著度圖中給出了每個(gè)像素的顯著度值，用每個(gè)像素的顯著度值來(lái)作為該像素在質(zhì)量評(píng)價(jià)中的興趣權(quán)值，在此基礎(chǔ)上，對(duì)每個(gè)像素點(diǎn)都計(jì)算出一個(gè)權(quán)重因子，該權(quán)重因子反映了人眼對(duì)該像素的關(guān)注程度，再使用該權(quán)重因子對(duì)MSE進(jìn)行加權(quán)計(jì)算，得到對(duì)圖像質(zhì)量的評(píng)價(jià)結(jié)果；(圖像質(zhì)量評(píng)價(jià)流程圖如圖12所示)F2、對(duì)原始圖像f(m,n)根據(jù)選擇性注意模型算法計(jì)算該圖的顯著度圖S(m,n)；F3、對(duì)計(jì)算出來(lái)的顯著度圖S(m,n)，進(jìn)行歸一化權(quán)重因子的計(jì)算：F4、對(duì)原始圖像和待測(cè)圖像進(jìn)行基于顯著度的均方誤差WMSE的計(jì)算：F5、在WMSE的基礎(chǔ)上進(jìn)行基于顯著度的峰值信噪比WPSNR的計(jì)算：(圖像質(zhì)量性能的評(píng)價(jià)如圖7—11和表1所示)；圖7和圖8分別是應(yīng)用誤差擴(kuò)散法(ED)和多尺度誤差擴(kuò)散法(MED)得到的半色調(diào)圖像；這兩種算法屬于鄰域處理法，圖9和圖10為應(yīng)用基于色調(diào)的誤差擴(kuò)散法(TDED)和基于視覺(jué)和打印機(jī)模型(LSMB)得到的半色調(diào)圖像；這兩種方法屬于迭代優(yōu)化法。圖11為應(yīng)用本發(fā)明提出的算法得到的半色調(diào)圖像；也屬于迭代優(yōu)化法范疇。表1不同算法的質(zhì)量評(píng)價(jià)結(jié)果算法本發(fā)明LSMBTDEDMEDEDMSE143.297159.863163.038172.217190.267WMSE62.036104.298132.327148.472157.041PSNR(dB)36.78733.84732.09329.95327.917WPSNR(dB)47.40635.63432.74631.52929.574F6、對(duì)算法復(fù)雜度進(jìn)行分析，進(jìn)而得到最優(yōu)半色調(diào)圖像，(算法復(fù)雜度分析結(jié)果如圖13所示)。本發(fā)明提出的數(shù)字半色調(diào)技術(shù)中，引入了人類視覺(jué)系統(tǒng)(HumanVisionSystem,HVS)，結(jié)合人眼的視覺(jué)特性，對(duì)傳統(tǒng)圖像質(zhì)量客觀評(píng)價(jià)算法均方差(MSE)和峰值信噪比(PSNR)進(jìn)行加權(quán)處理，得到了加權(quán)均方差(WMSE)和加權(quán)峰值信噪比(WPSNR)評(píng)價(jià)方法，以達(dá)到在評(píng)價(jià)方法中融入人類視覺(jué)特性的目的。從表1可以看出，本發(fā)明提出的算法與已有四種算法相比較，具有較低的均方差(MSE)和加權(quán)均方差(WMSE)以及較高的峰值信噪比(PSNR)和加權(quán)峰值信噪比(WPSNR)。說(shuō)明應(yīng)用本發(fā)明提出的算法得到的半色調(diào)圖像質(zhì)量整體優(yōu)于其它四種算法，在圖像邊緣區(qū)域以及背景區(qū)的高光區(qū)和暗調(diào)區(qū)，這些區(qū)域像素點(diǎn)分布均勻且基本不存在方向性紋理。圖13表明本發(fā)明提出的算法的運(yùn)行時(shí)間遠(yuǎn)遠(yuǎn)低于TDED和LSMB算法，這兩種算法屬于迭代優(yōu)化法范疇，而高于ED和MED算法，這兩種算法屬于鄰域處理法范疇，這是因?yàn)樗惴ㄖ袘?yīng)用了直接二值搜索的迭代優(yōu)化方法使圖像的整體平方誤差減少和應(yīng)用了并行處理技術(shù)，大大提高了運(yùn)行速度，降低了計(jì)算復(fù)雜度。本算法屬于迭代優(yōu)化方法，雖然比鄰域處理法運(yùn)行時(shí)間稍長(zhǎng)，但整體圖像質(zhì)量?jī)?yōu)于鄰域處理法。上面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式作了詳細(xì)說(shuō)明，但是本發(fā)明并不限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下作出各種變化。當(dāng)前第1頁(yè)1 2 3