一种基于残差神经网络的可逆半色调方法及系统

本发明涉及图像硬拷贝复制，尤其是指一种基于残差神经网络的可逆半色调方法及系统。背景技术：1、半色调技术的工业背景主要与印刷行业的发展密切相关。在19世纪末到20世纪初，随着摄影和印刷技术的进步，人们对再现照片和细节丰富的图像的需求增加。然而，当时的印刷技术只能在纸上印刷实心的黑色或白色，无法直接再现照片中的灰度或色彩渐变。半色调技术应运而生，解决了这一限制。通过将图像分解为不同大小的点，半色调技术可以在黑白印刷中模拟出灰度渐变，从而在视觉上重现更为复杂的图像。这一技术使得报纸、杂志和书籍可以包含更加细致和真实的照片和插图，极大地丰富了印刷媒体的表现力。随着时间的发展，半色调技术也逐渐应用于彩色印刷。通过使用不同颜色的点并以不同的角度排列这些点(通常使用青、品红、黄和黑四种颜色)，半色调技术可以在彩色印刷中创造出丰富的色彩和深度效果。这种方法至今仍是杂志、海报、包装和广告等领域中广泛使用的印刷技术。2、传统的半色调技术图像通过点阵的形式表现，这些点的大小和分布用来模拟不同的灰度级别。这种方法虽然在视觉上有效，但通常是不可逆的，意味着一旦图像被转换为半色调形式，就很难恢复到原始的连续色调图像。逆半色调是研究从半色调图案恢复成连续色调图像的一种图像恢复技术，但由于原始信息的缺失，即使是最好的逆半色调仍然无法精确还原图像的细节，只能猜测一个模糊的颜色和细节信息。现有的可逆半色调技术虽然一定程度上解决了上述问题，但仍然不满足实际应用的需求，具体表现在以下三个方面：3、(1)半色调质量效果差，不符合理论上的蓝噪声特性，存在非常严重的人工纹理；4、(2)恢复效果差，在嵌入原始信息的情况下仍不能完美恢复图像的原始信息；5、(3)处理效率低，神经网络模型堆砌了大量的参数，导致运行处理效率慢。技术实现思路1、为此，本发明所要解决的技术问题在于克服现有技术中可逆半色调的半色调效果差、恢复效果差和处理效率低的问题。2、为解决上述技术问题，本发明提供了一种基于残差神经网络的可逆半色调方法，包括：3、构建可逆半色调的抖动网络模型，包括浅层特征提取模块、深层特征提取模块和半色调重构模块；所述深层特征提取模块包括若干深层特征提取子模块，每个深层特征提取子模块包括依次正向连接的噪声补偿块和轻量型残差块；所述噪声补偿块采用两个卷积分别作为上层网络的输出特征的映射以及高斯噪声的映射，再通过加性变化得到下层网络的输入；4、在半色调过程中，将连续彩色图像输入可逆半色调的抖动网络模型的浅层特征提取模块，得到浅层特征；将浅层特征输入深层特征提取模块，经过若干深层特征提取子模块后得到深层特征；将浅层特征和深层特征输入半色调重构模块，得到伪半色调图像；将伪半色调图像输入二元门，得到可逆半色调图像；5、在恢复色调过程中，将可逆半色调图像输入可逆半色调的抖动网络模型，输出得到连续彩色图像。6、优选地，所述噪声补偿块的公式为f1(io)+f2(θn)，其中f1和f2均为单层卷积网络，io为上层网络的输出特征，n表示一个动态采样的高斯噪声映射，θ表示噪声的强度。7、优选地，所述轻量型残差块令输入特征依次经过卷积层、relu激活函数、卷积层后，再与原始输入特征相加。8、优选地，训练所述可逆半色调的抖动网络模型时，损失函数包括可逆半色调损失和恢复损失，公式为：9、10、其中，为可逆半色调的抖动网络模型的损失函数，为可逆半色调损失，为恢复损失；11、所述可逆半色调损失包括色调一致性损失、二值损失和感知一致性损失，公式为：12、13、其中，ω1、ω2和ω3均为超参数，为色调一致性损失，为二值损失，为感知一致性损失。14、优选地，训练所述可逆半色调的抖动网络模型时，训练集包括连续彩色图像和若干常值灰度图像；当输入可逆半色调的抖动网络模型的图像为连续彩色图像时，采用作为可逆半色调损失；当输入可逆半色调的抖动网络模型的图像为常值灰度图像时，可逆半色调损失还包括蓝噪声损失，公式为：15、16、其中，ω4为超参数，为蓝噪声损失，公式为：17、18、其中，为常值灰度图像的频谱中的低频分量，为常值灰度图像的频谱中高频区域的各向异性，σ为权重因子；19、常值灰度图像的频谱中的低频分量的公式为：20、21、其中，表示在训练集中所有输入图像的平均算子，dct(·)表示离散余弦变换，⊙表示元素积，oh为可逆半色调的抖动网络模型的半色调重构模块输出的伪半色调图像，i'c为输入的常值灰度图像；m为常数二值掩码，其中低频分量设置为1，其他分量设置为0；22、常值灰度图像的频谱中高频区域的各向异性的计算公式为：23、24、其中，p(f)为对常值灰度图像采用光谱估计得到的功率谱，公式为：25、26、其中，i'c为常值灰度图像，n为采样点个数，f为频率，dft(·)为离散傅里叶变换；27、p(fρ)为常值灰度图像的径向平均功率谱密度，公式为：28、29、其中，n(r(fρ))表示fρ附近宽度范围内所有采样点个数，表示采样点的功率。30、优选地，所述色调一致性损失的公式为：31、32、其中，为色调一致性损失，oh为可逆半色调的抖动网络模型的半色调重构模块输出的伪半色调图像，ic为输入的连续彩色图像，表示在训练集中所有输入图像的平均算子，g(·)表示卷积核大小为11x11的高斯滤波器。33、优选地，所述二值损失的公式为：34、35、其中，为二值损失，表示在训练集中所有输入图像的平均算子，oh为可逆半色调的抖动网络模型的半色调重构模块输出的伪半色调图像，cd为与oh大小相同的常值矩阵，其中所有元素的取值均为d＝{0,1}。36、优选地，所述感知一致性损失的公式为：37、38、其中，为感知一致性损失，oh为可逆半色调的抖动网络模型的半色调重构模块输出的伪半色调图像，ic为输入的连续彩色图像，表示在训练集中所有输入图像的平均算子，f(·)表示逆半色调模式。39、优选地，所述恢复损失的公式为：40、41、其中，为恢复损失，为均方误差，为恢复特征损失，公式为：42、43、其中，ψ(·)表示预训练的vgg-19网络，oc为经过可逆半色调的抖动网络模型恢复的图像，ic为输入的连续彩色图像，λ为权重系数。44、本发明还提供了一种基于残差神经网络的可逆半色调系统，包括：45、模型构建模块，用于构建可逆半色调的抖动网络模型，包括浅层特征提取模块、深层特征提取模块和半色调重构模块；所述深层特征提取模块包括若干深层特征提取子模块，每个深层特征提取子模块包括依次正向连接的噪声补偿块和轻量型残差块；所述噪声补偿块采用两个卷积分别作为上层网络的输出特征的映射以及高斯噪声的映射，再通过加性变化得到下层网络的输入；46、半色调模块，用于在半色调过程中，将连续彩色图像输入可逆半色调的抖动网络模型的浅层特征提取模块，得到浅层特征；将浅层特征输入深层特征提取模块，经过若干深层特征提取子模块后得到深层特征；将浅层特征和深层特征输入半色调重构模块，得到伪半色调图像；将伪半色调图像输入二元门，得到可逆半色调图像；47、色调恢复模块，用于在恢复色调过程中，将可逆半色调图像输入可逆半色调的抖动网络模型，输出得到连续彩色图像。48、本发明的上述技术方案相比现有技术具有以下有益效果：49、本发明所述的一种基于残差神经网络的可逆半色调方法，构建的可逆半色调的抖动网络模型在网络结构中加入噪声补偿块，噪声的随机性有利于抖动处理，为模型提供足够的抖动依赖。并在训练可逆半色调的抖动网络模型时增加蓝噪声损失，训练后的模型生成的可逆半色调图像具有更自然的纹理效果和更符合蓝噪声特性的分布，以减少或消除不自然的人工纹理和模式，确保可逆半色调图像在视觉上更加接近原始图像，从而提升最终印刷或显示的图像质量。恢复损失能够改善从可逆半色调图像到原始图像的恢复过程，确保无损或接近无损地恢复原始信息，包括提升图像细节的准确性和色彩的还原度，使恢复的图像尽可能地反映出原始图像的所有细节和色彩范围。除此之外，本发明采用轻量型残差块有利于解决现有可逆半色调技术中存在的处理效率问题，减少了神经网络模型中的参数量，优化算法以加快图像处理速度，有助于降低计算资源消耗，使得本发明更适合实时处理和大规模图像数据处理需求。