一种基于改进残差网络的图像半色调方法、系统及介质

本发明涉及图像半色调，具体涉及一种基于改进残差网络的图像半色调方法、系统及介质。

背景技术：

1、数字半色调，也称为空间抖动，是一种在只能产生二值图像元素的设备上呈现连续图像错觉的方法，用于将一个连续图像转换成一个具有有限色调值的图像，同时尽可能的保持图像质量。由于人类视觉系统的低通滤波特性，足够距离观测半色调图像时，它们会被视为连续图像。半色调图像通常应用于印刷行业，主要应用于激光和喷墨打印机等打印引擎。根据网点聚类的方式不同，可以分为聚类网点和离散网点，此外，根据半色调纹理分类，还可分为周期性纹理和非周期性纹理。半色调图案的主要特征是基于黑白点的分布拟合连续图像的纹理特征，对于给定的输入连续图像，可能对应许多不同模式的半色调图像，而其中学习和生成最佳视觉效果的半色调图像是非常具有挑战性的。由于人眼感知的低通特性，视觉效果最佳的半色调图像属于蓝噪声分布，通常由均匀分布的黑白点组成的分散模式。因此符合蓝噪声特性的半色调模式是生成高质量半色调图像的关键。

2、在半色调研究中，生成图像的质量和处理效率是最重要的问题。在现有技术中，基于有序抖动的方法具有较高的并行性，处理速度较快，但生成的半色调图像质量较差；基于误差扩散的方法在图像质量和处理效果间保持较好的平衡，算法的顺序处理难以进行并行计算，生成的半色调图像会引入相关的伪影，但对比有序抖动生成的图像质量较好；基于搜索的方法在这三类算法中能够产生质量最好的半色调图像，但其处理速度是非常缓慢的；基于卷积神经网络(cnn)的方法产生的半色调图像具有良好的可恢复性，但没有达到强烈的蓝噪声特性；基于深度生成式网络的方法产生的半色调图像虽然不包含误差扩散算方法相关的伪影，但耗时长，无法进行实时处理。

技术实现思路

1、本发明是为了解决现有技术中半色调图像的处理速度与图像质量不能同时兼顾的问题，提供一种基于改进残差网络的图像半色调方法、系统及介质，旨在将深度学习模型与半色调图像相结合，生成的半色调图像能够保持较好的结构细节的同时大大提高了处理效率。

2、为了解决上述技术问题，本发明实施例提供一种基于改进残差网络的图像半色调方法，该方法包括以下步骤：

3、步骤s1：获取图像数据集，划分为训练集和测试集；

4、步骤s2：将所述训练集输入到halfresnet网络模型进行训练，其中所述halfresnet网络模型是基于resnet网络模型，修改其原始残差块构成轻量型残差块，并在每个轻量型残差块之前均添加噪声补偿块，在损失函数中增加蓝噪声损失形成；

5、步骤s3：训练完成后得到权重参数，将所述权重参数加载至所述halfresnet网络模型中，针对待处理的图像，运行halfresnet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。

6、在本发明的一个实施例中，所述原始残差块采用上一层网络的输出的特征映射和依次经过卷积层、批处理归一化层、relu激活层、卷积层、批处理归一化层的映射，通过加性变化和relu激活层得到下一层网络的输入。

7、在本发明的一个实施例中，所述轻量型残差块采用上一层网络的输出的特征映射和依次经过卷积层、relu激活层、卷积层的映射，通过加性变化得到下一层网络的输入。

8、在本发明的一个实施例中，所述噪声补偿块采用两个协作卷积分别作为上一层网络的输出的特征映射和高斯噪声的映射，再通过加性变化得到下一层网络的输入。

9、在本发明的一个实施例中，所述蓝噪声损失仅用于每次训练迭代后对一批抖动恒定的灰度图像进行训练。

10、在本发明的一个实施例中，所述损失函数还包括：色调一致性损失、二值损失和感知一致性损失。

11、在本发明的一个实施例中，所述halfresnet网络模型包括浅层特征提取模块、深层特征提取模块和高质量图像半色调模块，其中，所述浅层特征提取模块采用卷积层提取浅层特征，所述深层特征提取模块采用n个轻量型残差块和n个噪声补偿块对所述浅层特征进一步提取深层特征，所述高质量图像半色调模块聚合所述浅层特征和深层特征重构出半色调图像。

12、在本发明的一个实施例中，步骤s2中的训练方式是自监督方式。

13、本发明还提供一种基于改进残差网络的图像半色调系统，该系统包括：

14、数据获取模块，用于获取图像数据集，划分为训练集和测试集；

15、轻量化模型构建模块，用于将所述训练集输入到halfresnet网络模型进行训练，其中所述halfresnet网络模型是基于resnet网络模型，修改其原始残差块构成轻量型残差块，并在每个轻量型残差块之前均添加噪声补偿块，在损失函数中增加蓝噪声损失形成；

16、半色调图像生成模块，用于训练完成后得到权重参数，将所述权重参数加载至所述halfresnet网络模型中，针对待处理的图像，运行halfresnet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于改进残差网络的图像半色调方法的步骤。

17、从以上技术方案可以看出，本发明申请具有以下优点：

18、1、对resnet网络模型的原始残差块进行改进，生成轻量型残差块，使得新构建的halfresnet网络模型在处理效果和处理速度均有大幅度提升。

19、2、添加噪声补偿模块使halfresnet网络模型学习到更好的抖动模式，解决原始cnn的平坦性退化问题，进一步提升其性能。

20、3、在损失函数中加入了一个显式的蓝噪声损失，加强模型的蓝噪声特性，避免注入额外的模式，而且加入蓝噪声损失后生成的半色调图质量更好。

技术特征：

1.一种基于改进残差网络的图像半色调方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于改进残差网络的图像半色调方法，其特征在于：所述原始残差块采用上一层网络的输出的特征映射和依次经过卷积层、批处理归一化层、relu激活层、卷积层、批处理归一化层的映射，通过加性变化和relu激活层得到下一层网络的输入。

3.如权利要求1或2所述的基于改进残差网络的图像半色调方法，其特征在于：所述轻量型残差块采用上一层网络的输出的特征映射和依次经过卷积层、relu激活层、卷积层的映射，通过加性变化得到下一层网络的输入。

4.如权利要求1所述的基于改进残差网络的图像半色调方法，其特征在于：所述噪声补偿块采用两个协作卷积分别作为上一层网络的输出的特征映射和高斯噪声的映射，再通过加性变化得到下一层网络的输入。

5.如权利要求1所述的基于改进残差网络的图像半色调方法，其特征在于：所述蓝噪声损失仅用于每次训练迭代后对一批抖动恒定的灰度图像进行训练。

6.如权利要求1所述的基于改进残差网络的图像半色调方法，其特征在于：所述损失函数还包括：色调一致性损失、二值损失和感知一致性损失。

7.如权利要求1所述的基于改进残差网络的图像半色调方法，其特征在于：所述halfresnet网络模型包括浅层特征提取模块、深层特征提取模块和高质量图像半色调模块，其中，所述浅层特征提取模块采用卷积层提取浅层特征，所述深层特征提取模块采用n个轻量型残差块和n个噪声补偿块对所述浅层特征进一步提取深层特征，所述高质量图像半色调模块聚合所述浅层特征和深层特征重构出半色调图像。

8.如权利要求1所述的基于改进残差网络的图像半色调方法，其特征在于：步骤s2中的训练方式是自监督方式。

9.一种基于改进残差网络的图像半色调系统，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于改进残差网络的图像半色调方法的步骤。

技术总结
本发明公开了一种基于改进残差网络的图像半色调方法、系统及介质，包括以下步骤：步骤S1：获取图像数据集，划分为训练集和测试集；步骤S2：将所述训练集输入到HalfResNet网络模型进行训练，其中所述HalfResNet网络模型是基于ResNet网络模型进行改进的；步骤S3：训练完成后得到权重参数，将所述权重参数加载至所述HalfResNet网络模型中，针对待处理的图像，运行HalfResNet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。本发明将深度学习模型与半色调图像相结合，生成的半色调图像能够保持较好的结构细节的同时，极大地提高了处理效率。

技术研发人员：刘登峰,陈世海,郭文静,郭虓赫,付玄辉,柴志雷,吴秦,陈璟,王宁,周浩杰
受保护的技术使用者：江南大学
技术研发日：
技术公布日：2024/1/15