摘  要： 半色調(diào)圖像的先驗(yàn)性對于圖像的逆半調(diào)過程有重要的意義，分析了現(xiàn)有的半色調(diào)圖像識別方法之后,，在傳統(tǒng)的灰度共生矩陣GLCM進(jìn)行改進(jìn)提出BGLCM,。BGLCM適用于二值圖像的特征提取，省略了傳統(tǒng)共生矩陣特征值計(jì)算的過程,，將提取的特征通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類,。實(shí)驗(yàn)證明該方法提取的特征具有較好的時(shí)間復(fù)雜度及分類效果。
關(guān)鍵詞： 半色調(diào),；逆半調(diào),；特征提取,；灰度共生矩陣

　許多的圖像渲染技術(shù)只有二進(jìn)制輸出,，例如：印刷領(lǐng)域、壓縮存儲,、紡織及醫(yī)學(xué),、數(shù)字打印設(shè)備等。將一幅0~255連續(xù)的圖像通過一定的技術(shù)將其轉(zhuǎn)換成0,、1的二值圖像過程稱為圖像的半色調(diào),。圖像的半色調(diào)是通過一個(gè)二值設(shè)備裝置產(chǎn)生出一種連續(xù)圖像的錯(cuò)覺方法，是使用黑白兩點(diǎn)的密度表示圖像像素值,。有效的數(shù)字半色調(diào)可以大幅提高以最小的成本渲染圖像質(zhì)量,，常用的半色調(diào)圖像技術(shù)主要分為有序抖動、誤差分散,、點(diǎn)分散,。通過誤差分散法實(shí)現(xiàn)的半色調(diào)圖像質(zhì)量最好但算法復(fù)雜度相對最高，點(diǎn)分散法次之,，有序抖動法最差但算法復(fù)雜度也最低,。
　在紙質(zhì)圖像的數(shù)字化、數(shù)字出版社系統(tǒng),、半色調(diào)圖像的銳化,、較色,、壓縮等圖像的再處理領(lǐng)域需要將半色調(diào)圖像轉(zhuǎn)換成連續(xù)色調(diào)圖像為圖像的逆半調(diào)過程。逆半調(diào)技術(shù)在20世紀(jì)90年代有了一定的研究成果,，當(dāng)前公開報(bào)道過逆半調(diào)技術(shù)主要有濾波法,、最優(yōu)化估計(jì)法、機(jī)器學(xué)習(xí)法,、矢量法等,。大部分的逆半調(diào)方法均需要知道產(chǎn)生半色調(diào)圖像的方法，例如參考文獻(xiàn)[1]采用多尺度梯度估計(jì)法以及參考文獻(xiàn)[2]采用MAP最大后驗(yàn)概率估計(jì)的逆半調(diào)就需要知道誤差分散的分散核,，針對誤差分散抖動掩膜技術(shù)[3]就需要知道相應(yīng)的半色調(diào)圖像抖動方法,，所以半色調(diào)圖像的分類研究便顯得十分必要?；叶裙采仃嚕℅LCM）常用灰度圖像的特征提取,，具有較好的效果。本文在傳統(tǒng)共生矩陣的基礎(chǔ)上對其進(jìn)行改進(jìn)提出適應(yīng)于二值圖像特征提取的BGLCM,。
1 半色調(diào)圖像分類回顧
　在公開發(fā)表的刊物中對半色調(diào)圖像分類研究的文獻(xiàn)相對較少,，最早的為Chang Pao-Chi[4]在1997年提出了LMS濾波的半色調(diào)圖像復(fù)原即逆半調(diào)過程，為了設(shè)計(jì)不同種類濾波模板參數(shù),，使用了一維自相關(guān)函數(shù)提取出半色調(diào)圖像特征,，且用該數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而后支持按半調(diào)類型初始化不同尺度的濾波模板,，且依據(jù)LMS原理迭代生成相應(yīng)類型的濾波模板系數(shù),。但文中僅僅對clustered-dot、constrained average,、dispersed-dot,、error diffusion 4類半色調(diào)圖像進(jìn)行了分類，顯然當(dāng)前的半色調(diào)技術(shù)不止上述的3種,，當(dāng)error diffusion的誤差分散核就存在6種,，而Bayesian算法在應(yīng)用中就需要知道誤差分散核的種類。
孔月萍[5]等人在Chang Pao-Chi的一維自相關(guān)函數(shù)基礎(chǔ)上提出了半色調(diào)圖像自相關(guān)與紋理特征相結(jié)合的半色調(diào)圖像分類算法,，文中將半色調(diào)圖像通過適當(dāng)?shù)姆直媛蔬M(jìn)行按照式（1）“下采樣”將得到M/2×N/2（M,、N為原圖像尺寸）的0~7級灰度級圖像,。之后提取出共生矩陣（GLCM）,、灰度游程矩陣（GLRM）的紋理逆差距特征C和線紋理特征R,，之后結(jié)合自相關(guān)函數(shù)提取特征通過最鄰近分類器進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明相對于參考文獻(xiàn)[4]分類的種類及準(zhǔn)確率明顯提高,，但文中僅將半色調(diào)圖像分成ED和有序抖動兩大類,。半色調(diào)圖像類別除了ED和有序抖動兩大類還有塊置換法、模板替換像素法、meseDotDitherHvs,、meseDotDitherWeighting等,，且半色調(diào)圖像自相關(guān)與紋理特征相結(jié)合的半色調(diào)圖像分類算法時(shí)間復(fù)雜度高，會大大的降低特征提取效率,。


3 算法設(shè)計(jì)
　產(chǎn)生半色調(diào)圖像主要分為誤差分散（Error diffusion）,、點(diǎn)分散（Dot diffusion）、有序抖動法（Ordered dither）,、直接二值搜索法（Direct binary search）,。通過參考文獻(xiàn)[9]可知有序抖動與點(diǎn)分散法時(shí)間復(fù)雜度低，但半色調(diào)圖像的質(zhì)量較差,，誤差分散法時(shí)間復(fù)雜度低,，質(zhì)量好，直接二值搜索法時(shí)間復(fù)雜度最高但產(chǎn)生的半色調(diào)圖像質(zhì)量最好,。
　在實(shí)際應(yīng)用與研究中雖然直接二值搜索法[10]能夠產(chǎn)生最好的半色調(diào)圖像，但由于其時(shí)間復(fù)雜度很高,，所以并非常用,。誤差分散法使用最多，其次為點(diǎn)分散法,，最后為有序抖動法,。誤差分散法和點(diǎn)分散法主要用于人物、景觀等打印顯示,，有序抖動法主要用于圖形類圖像,。
　圖2為常見的半色調(diào)圖像，設(shè)計(jì)算法對其特征進(jìn)行提取,，將提取之后的特征通過BP神經(jīng)網(wǎng)絡(luò)分類,，實(shí)驗(yàn)結(jié)果證明該算法在半色調(diào)圖像分類準(zhǔn)確率且分類種類均優(yōu)于傳統(tǒng)GLCM，適用于二值圖像的特征提取及分類,，故將其稱為BGLCM,。

4 實(shí)驗(yàn)結(jié)果分析
　本實(shí)驗(yàn)在Windows XP操作系統(tǒng)環(huán)境下進(jìn)行操作，采用VC6.0結(jié)合OpenCv及Matlab進(jìn)行編程,。通過對12種半調(diào)方法產(chǎn)生的半色調(diào)圖像庫中每一類隨機(jī)地取出2 000幅圖片通過上述傳統(tǒng)共生矩陣（GLCM）及改進(jìn)之后共生矩陣（BGLCM）算法的特征進(jìn)行提取及歸一化,，之后從2 000個(gè)特征向量中隨機(jī)抽取10個(gè)特征向量形成特征曲線比較如圖4所示，由上至下依次對應(yīng)著圖2所示的半色調(diào)圖像類型,。
　圖4顯示了使用傳統(tǒng)共生矩陣（GLCM）和改進(jìn)之后共生矩陣（BGLCM）對半色調(diào)圖像特征提取形成特征曲線圖,，橫軸代表每幅半色調(diào)圖像的特征數(shù)8和40，縱軸為每一個(gè)特征數(shù)對應(yīng)的特征值,，由圖中可見兩種算法產(chǎn)生的半色調(diào)圖像的特征曲線均具有很好的擬合度,，但傳統(tǒng)的共生矩陣（GLCM）產(chǎn)生曲線圖在不同種類之間識別度不高而改進(jìn)之后共生矩陣（BGLCM）不同類型的曲線又有很好的辨識度適合分類。

　從產(chǎn)生的特征向量中選取500個(gè)特征對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，之后隨機(jī)選取1 500個(gè)特征向量經(jīng)過訓(xùn)練之后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試得其分類的準(zhǔn)確率如表1,、表2所示,，表為一個(gè)矩陣A（i，j）（1≤i≤12,，1≤j≤12）,，其中i，j分別對應(yīng)著圖2中的12類半色調(diào)圖像,，A（i,，i）（1≤i≤12）即對角線上數(shù)目為第i類正確數(shù)目，第13列為各類分類準(zhǔn)確率,。表中反應(yīng)出在同一個(gè)實(shí)驗(yàn)環(huán)境由傳統(tǒng)的灰度共生矩陣對12類半色調(diào)圖像提取的特征通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類的準(zhǔn)確率較改進(jìn)之后的BGLCM更差,。

　本文先介紹了半色調(diào)技術(shù)的應(yīng)用與常用的一些技術(shù)以及半色調(diào)圖像的再重建需要將二值圖像通過逆半調(diào)技術(shù)將其轉(zhuǎn)換成連續(xù)色調(diào)的灰度圖像。在逆半調(diào)技術(shù)中大部分需要知道相應(yīng)半色調(diào)圖像產(chǎn)生的方法,，所以對半色調(diào)圖像的分類就顯得十分重要,。之后分析現(xiàn)有的半色調(diào)圖像分類相關(guān)報(bào)道的不足之處，同時(shí)基于傳統(tǒng)的共生矩陣（GLCM）思想上對其進(jìn)行相應(yīng)的改進(jìn)使其適用二值圖像分類的BGLCM,，改進(jìn)之后的BGLCM省略了求共生矩陣的特征值而是對不同的相對算子Q含有（0,，1）和（1，0）元素進(jìn)行統(tǒng)計(jì),，相對傳統(tǒng)共生矩陣可以減少算法的時(shí)間復(fù)雜度,，通過實(shí)驗(yàn)分析可以看出在同一個(gè)實(shí)驗(yàn)環(huán)境中經(jīng)過改進(jìn)之后的BGLCM對二值圖像分類準(zhǔn)確率優(yōu)于傳統(tǒng)的灰度共生矩陣。
參考文獻(xiàn)
[1] KITE T D,， DAMERA-VENKATA N,， EVANS B L， et al. A fast high-quality inverse halftoning algorithm for error diffused halftones[J]. Image Processing,， IEEE Transactions on,， 2000， 9（9）： 1583-1592.
[2] STEVENSON R L. Inverse halftoning via MAP estimation[J]. Image Processing,， IEEE Transactions on,， 1997， 6（4）： 574-583.
[3] KARNI Z,， FREEDMAN D,， SHAKED D. Fast inverse halftoning[C]. 31st International Congress on Imaging Science （ICIS 2010）， Beijing,， China. 2010.
[4] CHANG P C,， YU C S. Neural net classification and LMS reconstruction to halftone images[C]. Photonics West′98 Electronic Imaging. International Society for Optics and Photonics， 1998： 592-602.
[5] 孔月萍,，杜旭苗.一種半調(diào)圖像類型識別方法[J].計(jì)算機(jī)應(yīng)究,，2009,，26（12）：4850-4851.
[6] 劉麗，匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學(xué)報(bào),，2009,，14（4）：622-635
[7] JULESZ B. Visual pattern discrimination[J]. Information Theory， IRE Transactions on,， 1962,， 8（2）： 84-92.
[8] HARALICK R M， SHANMUGAM K,， DINSTEIN I H. Textural features for image classification[J]. Systems,， Man and Cybernetics， IEEE Transactions on,， 1973 （6）： 610-621.
[9] 孔月萍,，曾平.圖像逆半調(diào)及其質(zhì)量評價(jià)技術(shù)研究[D].西安：西安電子科技大學(xué)，2008.
[10] ANALOUI M,， ALLEBACH J P. Model-based halftoning using direct binary search[C]. SPIE/IS&T 1992 Symposium on Electronic Imaging： Science and Technology. International Society for Optics and Photonics,， 1992： 96-108.