CN115499556B - 一种基于机器学习迭代的数字印刷加网方法 - Google Patents

Abstract

一种基于机器学习迭代的数字印刷加网方法，属于数字印刷技术领域。它包括以下步骤：1、将连续调图像暂存于输入模块，并将其分别传送给视觉模块A、加网以及机器学习模块；2、连续调图像经过视觉模块A以及加网模块、视觉模块B后分别生成两组视觉特征数据图；同时将加网参数输入到机器学习模块；3、生成的两组视觉特征数据图分别输入到评价模块，计算出评价结果；4、将评价结果输入到输出模块进行输出；同时评价结果会输入到机器学习模块，进行迭代计算。本发明方法中引入机器学习模块，采用并行算法，大大提高了计算效率，节省计算时间；同时系统为闭环系统，经过机器学习，即可快速计算出具有更好加网效果的加网方法及参数。

Description

一种基于机器学习迭代的数字印刷加网方法

技术领域

本发明属于数字印刷技术领域，具体涉及一种基于机器学习迭代的数字印刷加网方法。

背景技术

在我们的日常生活中，所遇到的图像可大致分为两大类：连续调图像(Continuous-Tone Image)和半色调图像(Halftone Image)。

如我们常见的彩色照片就是一种连续调图像，在这种图像上，存在着由淡到浓或由深到浅的色调变化；并且浓淡或深浅是以单位面积成像物质颗粒密度来构成的，并且这种图像的深浅变化有无数多级。半色调图像如常见的印刷品图像，其由浅到深或由淡到浓的变化，是靠网点面积大小或网点覆盖率来表现的。一般用于复制诸如照片之类的连续调原稿时，会采用这种半色调技术，它将图像分成许多点，通过点的不同大小来表现颜色的深浅。

在印刷品的印刷时，印刷机用有限数量的一套油墨(通常只有黑墨或青、品红、黄、黑墨)来印刷数量不同、大小不同的细小点，印刷品画面上色彩和浓淡就是靠这些细小的点来表示的，由此可以给人眼产生许多灰度级或许多颜色的错觉。由于网点在空间上是有一定的距离的，呈离散型分布，并且由于加网的线数总有一定的限制，在图像的层次变化上不能像连续调图像一样实现无级变化，故称加网图像为半色调图像。

将连续调图像转换为半色调数据，即通过网点表现图像阶调层次变化的过程称为加网。半色调数据用于印刷输出得到半色调图像。现代彩色印刷中主要采用两类加网方式：调幅加网和调频加网。调幅（Amplitude Modulation，简称AM）加网是利用大小不同而分布均匀的网点来表现图像阶调层次的变化的加网方法。在调幅加网中，所加网的每个网格单元内只有一个网点，并且分布在网格的中心位置，网点的大小不同，形成不同的灰度级。调频（Frequency Modulation，简称FM）加网是指用相同的大小的网点在空间分布的频率表现图像层次的加网方法。由于调频加网的网点是随机分布的，所以也称为随机加网。后续还出现了混合加网方式，即调频调幅加网，主要有下列两种方式：1、规则分布的单元网格中网点由数目随机、大小随机、位置随机的子网点组成，即子网点在一定范围内随机；2、在图像的不同阶调处分别采用不同的加网方式。

在多色调幅加网印刷中，每张分色片上都是由规则排列的黑度相等、相邻两点中心距相等的网点组成的网目图像，将他们进行叠印时，只要出现很小的角度误差，就会在图像中出现难看的图案，一般把这种在图像中对视觉会产生干扰的图案称为“龟纹”。龟纹就是两色或多色半色调图像叠印后产生的对视觉引起干扰的图案，它不仅会影响图像阶调层次的再现，也会影响图像色彩的再现。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种能够减少加网过程计算量、印刷质量好、印刷加网效率高的基于机器学习迭代的数字印刷加网方法。

本发明提供如下技术方案：

一种基于机器学习迭代的数字印刷加网方法，基于数字印刷加网系统；该系统包括输入模块、加网模块、视觉模块、评价模块、机器学习模块及输出模块；视觉模块包括视觉模块A及视觉模块B；基于该数字印刷加网系统的数字印刷加网方法包括以下具体步骤：

步骤1、首先，获取连续调图像数据，将获取的连续调图像暂存于输入模块，由输入模块将连续调图像分别传送给视觉模块A、加网模块以及机器学习模块；

步骤2、连续调图像经过视觉模块A后生成一组视觉特征数据图；加网模块将接收的连续调图像加网后生成半色调数据，生成的半色调数据经过视觉模块B后生成另一组视觉特征数据图；同时，将加网模块中的加网参数输入到机器学习模块；

步骤3、将步骤2中生成的两组视觉特征数据图分别输入到评价模块，通过评价方法计算出评价结果；评价方法采用归一化均方误差、峰值信噪比或交叉熵中的一种；

步骤4、将评价结果输入到输出模块，与预设的评价阈值进行比较，若满足评价阈值要求即可输出半色调数据，若不满足，即不输出；同时评价结果会输入到机器学习模块，与连续调图像、加网参数进行迭代计算，直至得到满足评价阈值的加网算法及参数。

进一步的，所述输入模块用于暂存连续调图像，并传输给视觉模块A、加网模块及机器学习模块；其输入为连续调图像，输出为连续调图像。

进一步的，所述加网模块接收输入模块输出的连续调图像数据，输出半色调数据和加网参数；所述加网模块中的加网参数传送给机器学习模块，半色调数据传送给视觉模块B及输出模块。

进一步的，所述视觉模块用于直接从输入模块接收连续调图像或接收加网模块输出的半色调数据，其输出为视觉特征数据图；所述视觉特征数据图为一个二维数据阵列，阵列上的每个数值根据视觉模块所使用的算法表征视觉模块输入的连续调图像或半色调数据上对应局部区域的人眼视觉特征；其中，视觉模块A、视觉模块B可以为两个单独的计算机程序模块，也可以为同一个计算机程序模块在两个不同场景下的调用。

进一步的，所述视觉模块的实现框架包括第一近似模型框架及非线性模型框架；

第一近似模型框架下的视觉模块是线性的、各向同性的，并且是时空不变的；所述第一近似模型下的视觉模块包括低通模块及高通模块，在第一近似模型中，将低通模块和高通模块组合在一起，能够更准确地对视觉模块进行建模；

所述非线性模型下的视觉模块包括低通模块、高通模块及设置在低通模块与高通模块之间的非线性调整模块，所述非线性调整模块选用对数函数算法。

其中，低通模块对应于眼睛的光学器件，选用低通滤波算法；高通模块对应于解决马赫带效应，选用高通滤波算法。

进一步的，评价模块输入为两路视觉特征数据图，输出为评价结果。其中输入的视觉特征数据图都是从视觉模块输出的，不同的是，一个是连续调图像经过视觉模块A输出，另一个是半色调数据经过视觉模块B输出。定义连续调图像经过视觉模块A输出为视觉特征数据图1，半色调数据经过视觉模块B输出为视觉特征数据图2。评价模块主要作用是对输入的两组视觉特征数据图进行评价。

进一步的，所述机器学习模块包括算法程序及数据集，机器学习模块的输入为连续调图像、加网参数以及评价结果，其输入数据保存在数据集中，其输出为加网参数，加网参数包括加网线数和网点分布等；其中，加网线数即单位长度内形成的网点数。

进一步的，输出模块能接收设定并存储一个评价阈值，输入评价模块结果，根据所设评价阈值对结果进行判断。满足条件即可以将半色调数据输出，若不满足则不输出。

通过采用上述技术，与现有技术相比，本发明的有益效果如下：

本发明提出了一项基于机器学习算法的数字印刷加网方法，其在数字印刷加网过程中引入机器学习算法，通过持续输入不断丰富数据集，循环迭代优化加网效果，实现加网算法和加网参数的自动化配置；本发明提高了寻找最优加网算法以及加网参数的效率、提高了数字印刷加网速度、优化了数字印刷输出质量。

附图说明

图1为基于本发明方法的系统结构框架示意图；

图2为本发明方法的流程图；

图3为本发明第一近似模型框架的结构示意图；

图4为本发明非线性模型框架的结构示意图；

图5为基于本发明方法系统中，评价模块的工作流程图；

图6为基于本发明方法系统中，输出模块的工作流程图；

图7为常规调幅算法和调频算法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

请参阅图1-图7，一种基于机器学习迭代的数字印刷加网方法，本方法基于数字印刷加网系统实现，系统包括输入模块、加网模块、视觉模块、评价模块、机器学习模块及输出模块；其中视觉模块包括视觉模块A及视觉模块B；该系统的结构框图如图1所示。

基于上述数字印刷加网系统的数字印刷加网方法，如图2所示，其中，图中虚线表示二者相关联，更新的加网参数会作用到加网算法中；该流程可以在多个计算机系统或同一计算机的多个计算单元中并行完成。

具体的，输入模块是一个计算机程序模块，输入模块的输入为连续调图像，输出为连续调图像；其作用是暂存连续调图像，并传输给视觉模块A、加网模块及机器学习模块。

具体的，加网模块是一个计算机程序模块；其接收输入模块输出的连续调图像数据，输出半色调数据和加网参数。其中，加网参数传送给机器学习模块，半色调数据传送给视觉模块B和输出模块。

具体的，视觉模块是一个计算机程序模块。该模块应用在两个部位，一是直接从输入模块接收连续调图像，二是接收加网模块输出的半色调数据；视觉模块的输入为连续调图像或半色调数据，视觉模块输出为视觉特征数据图。视觉特征数据图是一个二维数据阵列，阵列上的每个数值根据视觉模块所使用的算法表征视觉模块输入的连续调图像或半色调数据上对应局部区域的人眼视觉特征。

视觉模块包括第一近似模型框架及非线性模型框架两种具体实现框架。如图3所示，在第一近似模型中，将低通模块和高通模块组合在一起，可以更准确地对视觉模块进行建模。低通模块是一个计算机程序模块，对应于眼睛的光学器件，选用低通滤波算法；高通模块是一个计算机程序模块，对应于解决马赫带效应，选用高通滤波算法。如图4所示，非线性模型包括低通模块、高通模块及设置在低通模块与高通模块之间的非线性调整模块，非线性调整模块选用对数函数算法。

具体的，评价模块是一个计算机程序模块，其输入为两路视觉特征数据图，输出为评价结果。其中输入的视觉特征数据图都是从视觉模块输出的，不同的是，一个是连续调图像经过视觉模块A输出，另一个是半色调数据经过视觉模块B输出。定义连续调图像经过视觉模块A输出为视觉特征数据图1，半色调数据经过视觉模块B输出为视觉特征数据图2。评价模块主要作用是对输入的两组视觉特征数据图进行评价。本模块的具体工作流程如图5所示。

具体的，机器学习模块是一个计算机程序模块，模块包括算法程序及数据集。其输入为连续调图像、加网参数以及评价结果，并将上述数据保存在数据集中；其输出为加网参数。模块算法选用卷积神经网络算法或BP神经网络算法。

具体的，输出模块是一个计算机程序模块，该模块能接收设定并存储一个评价阈值，输入评价模块结果，根据所设评价阈值对结果进行判断。满足条件即可以将半色调数据输出，若不满足则不输出。本模块的工作流程如图6所示。

实施例1：

基于上述数字印刷加网系统的数字印刷加网方法的具体步骤如下：

步骤1、首先，获取连续调图像数据。本实施例中获取的连续调图像的分辨率大小为600dpi，类型为.GIF格式；将获取的连续调图像暂存于输入模块，由输入模块中的cv.imread( )函数来实现对连续调图像的暂存处理；通过输入模块将连续调图像分别传送给视觉模块A、加网模块以及机器学习模块。

其中，加网模块采用调幅加网算法，设置加网角度为：黄色版90°、青色版15°、黑色版45°、洋红色版75°，网点形状均为圆形，加网线数150lpi。

机器学习模块中采用卷积神经网络程序；其中神经网络中的激活函数选用relu函数 ，损失函数为CrossEntropyLoss()函数，学习效率设置为0.01；

视觉模块A采用非线性模型框架，其中的低通模块采用二阶Butterworth低通滤波算法，非线性调整模块采用对数log变换算法，高通滤波模块采用二阶Butterworth高通滤波算法。

步骤2、连续调图像经过视觉模块A后生成视觉特征数据图，其本质是一个二维矩阵，具体如下所示：

加网模块将接收的连续调图像加网后生成半色调数据，生成的半色调数据经过视觉模块B后生成视觉特征数据图，具体如下所示：

同时，将加网模块中的加网参数输入到机器学习模块。

步骤3、将步骤2中生成的两组视觉特征数据图分别输入到评价模块，通过评价方法计算出评价结果；评价模块采用归一化均方误差评价法，即：

其中，为图像的宽度，/>为图像的高度；/>为连续调图像经过视觉模块处理后的视觉特征数据图在像素/>处的灰度值，/>为半色调图像经过视觉模块处理后的视觉特征数据图在像素/>处的灰度值。

具体计算过程示意如下：

本实施例中评价结果的计算值为0.214。

步骤4、将评价结果输入到输出模块，输出模块内的评价阈值设置为0.325，步骤3中的评价结果小于该阈值，即满足评价阈值要求，输出半色调数据。

同时评价结果会输入到机器学习模块，与连续调图像、加网参数进行迭代计算，迭代计算过程中会不断更新加网参数，更新后的加网参数重新输入到加网模块，直至得到满足评价阈值的加网算法及参数。

其中，理论上NMSE的值越小越好，为零时说明两张图像完全拟合上，但实际情况无法达到。根据经验，其取值在0—0.4之间即可满足实际要求。

实施例2：

步骤1、首先，获取连续调图像数据。本实施例中获取的连续调图像的分辨率大小为600dpi，类型为.GIF格式；将获取的连续调图像暂存于输入模块，由输入模块中的cv.imread( )函数来实现对连续调图像的暂存处理；通过输入模块将连续调图像分别传送给视觉模块A、加网模块以及机器学习模块。

其中，加网模块采用调频加网算法，其采用D8抖动矩阵，如下所示：

加网线数150lpi；机器学习模块采用卷积神经网络程序算法，其中神经网络中的激活函数选用relu函数 ，损失函数为CrossEntropyLoss()函数，学习效率0.01；

视觉模块采用非线性模型框架，其中的低通模块采用二阶Butterworth低通滤波算法，非线性调整模块采用对数log变换算法，高通滤波模块采用二阶Butterworth高通滤波算法。

步骤2、连续调图像经过视觉模块A后生成视觉特征数据图，其本质是一个二维矩阵，具体如下所示：

加网模块将接收的连续调图像加网后生成半色调数据，生成的半色调数据经过视觉模块B后生成视觉特征数据图，具体如下所示：

同时，将加网模块中的加网参数输入到机器学习模块。

步骤3、将步骤2中生成的两组视觉特征数据图分别输入到评价模块，通过评价方法计算出评价结果；评价模块采用归一化均方误差评价法，即：

其中，为图像的宽度，/>为图像的高度；/>为连续调图像经过视觉模块处理后的视觉特征数据图在像素/>处的灰度值，/>为半色调图像经过视觉模块处理后的视觉特征数据图在像素/>处的灰度值。

具体计算过程示意如下：

此实施例中计算出的评价结果为0.672。

步骤4、将评价结果输入到输出模块，输出模块内的评价阈值设置为0.325，步骤3中的评价结果大于该阈值，即不满足评价阈值要求，需进行迭代处理，具体迭代处理过程如下：

首先筛选出差异区域，通过连续调图像经过视觉模块A后生成视觉特征数据图减去半色调数据经过视觉模块B后生成视觉特征数据图，取绝对值，得到差值矩阵，通过np.max()函数 + np.where()函数寻找差值矩阵中大值区域，对这些差异区域更改加网参数，调整抖动矩阵，如下所示：

其余参数不改变；用调整后的抖动矩阵数据对原图像进行加网处理，生成新的半色调图像，通过视觉模块B后生成视觉特征数据图，如下所示：

上述矩阵与步骤二中得到的矩阵之间，因为数据没有显示完整，其表示上没有得到区分；现挑选出两个矩阵中三个位置区域进行对比以进行说明，具体如下所示：

位置1：第45行到第49行，第504列到第508列

位置2：第764行到第772行，第673列到第680列

位置3：第475行到第482行，第603列到第610列

其中，左侧为步骤2中得到的视觉特征数据图中对应位置处的数据，右侧为迭代后得到的视觉特征数据图中对应位置处的数据。

经过计算，得出结果为0.249，满足阈值条件；即可输出半色调数据。

其中，理论上NMSE的值越小越好，为零时说明两张图像完全拟合上，但实际情况无法达到。根据经验，其取值在0—0.4之间即可满足实际要求。

实施例3：

步骤1、首先，获取连续调图像数据。本实施例中获取的连续调图像的分辨率大小为600dpi，类型为.GIF格式；将获取的连续调图像暂存于输入模块，由输入模块中的cv.imread( )函数来实现对连续调图像的暂存处理；通过输入模块将连续调图像分别传送给视觉模块A、加网模块以及机器学习模块。

其中，加网模块采用高保真真彩色加网算法，设置加网角度为：黄色版0°、青色版15°、黑色版45°、洋红色版75°，红色版30°、蓝色版60°、绿色版90°；网点形状均为圆形，加网线数150lpi；

机器学习模块采用卷积神经网络程序算法，其中神经网络中的激活函数选用relu函数，损失函数为CrossEntropyLoss()函数，学习效率0.01；视觉模块采用非线性模型框架，其中的低通模块采用二阶Butterworth低通滤波算法，非线性调整模块采用对数log变换算法，高通滤波模块采用二阶Butterworth高通滤波算法。

步骤2、连续调图像经过视觉模块A后生成视觉特征数据图，其本质是一个二维矩阵，具体如下所示：

加网模块将接收的连续调图像加网后生成半色调数据，生成的半色调数据经过视觉模块B后生成视觉特征数据图，具体如下所示：

同时，将加网模块中的加网参数输入到机器学习模块。

步骤3、将步骤2中生成的两组视觉特征数据图分别输入到评价模块，通过评价方法计算出评价结果；评价模块采用归一化均方误差评价法，即：

其中，为图像的宽度，/>为图像的高度；/>为连续调图像经过视觉模块处理后的视觉特征数据图在像素/>处的灰度值，/>为半色调图像经过视觉模块处理后的视觉特征数据图在像素/>处的灰度值。

具体计算过程示意如下：

本实施例中计算出的评价结果为0.296。

步骤4、将评价结果输入到输出模块，输出模块内的评价阈值设置为0.325，步骤3中的评价结果小于该阈值，即满足评价阈值要求，输出半色调数据。

其中，理论上NMSE的值越小越好，为零时说明两张图像完全拟合上，但实际情况无法达到。根据经验，其取值在0—0.4之间即可满足实际要求。

以上实施例方法中引入机器学习模块，采用并行算法，大大提高了计算效率，节省计算时间；同时系统为闭环系统，经过机器学习，即可快速计算出具有更好加网效果的加网方法及参数。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于机器学习迭代的数字印刷加网方法，基于数字印刷加网系统；其特征在于，所述数字印刷加网系统包括输入模块、加网模块、视觉模块、评价模块、机器学习模块及输出模块，所述视觉模块包括视觉模块A及视觉模块B；基于数字印刷加网系统的数字印刷加网方法包括以下具体步骤：

步骤1、获取连续调图像数据，将获取的连续调图像暂存于输入模块，由输入模块将连续调图像分别传送给视觉模块A、加网模块以及机器学习模块；

步骤2、连续调图像经过视觉模块A后生成一组视觉特征数据图；加网模块将接收的连续调图像加网后生成半色调数据，生成的半色调数据经过视觉模块B后生成另一组视觉特征数据图；同时，将加网模块中的加网参数输入到机器学习模块；

步骤3、将步骤2中生成的两组视觉特征数据图分别输入到评价模块中，计算出评价结果；

步骤4、将评价结果输入到输出模块，与预设的评价阈值进行比较，若满足评价阈值要求即可输出半色调数据，若不满足，即不输出；同时评价结果会输入到机器学习模块，与连续调图像、加网参数进行迭代计算，直至得到满足评价阈值的加网算法及参数。

2.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法，其特征在于所述视觉模块用于直接从输入模块接收连续调图像和接收加网模块输出的半色调数据，其输出为视觉特征数据图。

3.根据权利要求2所述的一种基于机器学习迭代的数字印刷加网方法，其特征在于所述视觉模块的实现框架包括第一近似模型框架及非线性模型框架；所述第一近似模型下的视觉模块包括低通模块及高通模块；所述非线性模型下的视觉模块包括低通模块、高通模块及设置在低通模块与高通模块之间的非线性调整模块。

4.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法，其特征在于所述机器学习模块包括算法程序及数据集，机器学习模块的输入为连续调图像、加网参数以及评价结果，其输入数据保存在数据集中，其输出为加网参数。

5.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法，其特征在于所述评价模块用于对输入的视觉特征数据图进行评价，其评价方法采用归一化均方误差、峰值信噪比或交叉熵中的一种。