半色调扫描图像去网方法的研究

　　传统印刷工艺中，我们通常利用青、品红、黄、黑四色油墨以及专色油墨来实现各种色彩的再现效果。整个印刷过程实际上是把连续调图像变为与人眼视觉系统等效的半色调图像。因此，日常生活中，我们接触到的纸质印刷品都是半色调图像。

　　随着“互联网+印刷”技术的不断发展，印刷行业的发展趋势是数字化和网络化，越来越多的纸质印刷品要转化成为数字化信息。各种移动智能终端的应用使得人们对于这些信息有了更高要求，实时性和准确性是其最主要特征。

　　这些纸质印刷品主要通过扫描转化为数字图像信息，但由于纸质印刷品是半色调文件，从而导致扫描后的数字图像存在网纹，极大地影响图像的清晰度。如果这些图像数字化处理得不合理，得到的信息就会存在明显的失真及降质，就会产生数字图像信息获取不准确的问题。为了确保印刷图像在数字化处理过程中获得的图像准确、精美，有必要对扫描后的数字图像进行网纹去除。

　　半色调扫描图像产生网纹的原因

　　半色调扫描图像网纹产生机理为印刷过程中将连续调的图像转化为半色调的纸质印刷品，对这些纸质印刷品扫描时存在色调的跳跃，从而产生网纹。

　　由于印刷原稿种类多种多样，而且每种印刷原稿采用的印刷工艺、印刷方法和承印纸张都有差别，所以经过印刷设备和扫描设备得到的图像质量参差不齐。

　　为了解决网纹的问题，我们通过对印刷、扫描过程中的成像原理进行分析，研究半色调扫描图像网纹形成的原因和网纹的分布特性，为后期网纹的去除打下基础。

　　1.印刷过程产生网纹

　　印刷过程中主要靠油水不相容及网点构像的原理来完成图像的复制。所谓油水不相容原理是指油墨和水不能融合在一起，由于印版上涂布有一层水，空白部分不着墨，图文部分可以着墨，从而实现将图文印刷在承印物上的目的。所谓网点构像原理，是指通过网点百分比的大小来表现色彩层次的变化，百分比越大，色彩越深;反之，色彩越浅。对于灰色图像来说，印刷设备可以用网点的黑与白两种表现方式来呈现印刷的图文。而彩色图像进行印刷前，还需要对彩色图像做分色处理，然后进行四色印刷或专色印刷，每次只能使用一种颜色的油墨进行印刷，最后通过油墨的叠加形成图像。

　　印刷过程中，还需要考虑另外一个重要的技术参数，即加网角度。所谓加网角度，是指同一色彩网点的中心连线与水平线之间夹角的锐角。印刷过程中，网角通常有15°、45°、75°、90°等，不同的网角相互叠加会对人眼产生干涉，产生摩尔纹(龟纹)。

　　半色调扫描图像中网纹形成正是由于在上述印刷过程中采用的网点构像技术。经过印刷得到的纸质图像，其印版上的网点有规律性地进行排列，再加上每一色的网点都有角度，这些网点印刷时就会发生网点的干涉现象，表现出来的结果就是扫描图像时会出现周期性的网纹。

　　2.扫描过程产生网纹

　　半色调图像的网纹还可能在扫描过程中产生。主要产生源头：一是扫描设备的光学系统在进行移动采样时，传感器与印刷原稿会存在一个相对的运动过程，这样会使图像变得模糊，从而产生网纹;二是印刷原稿由于本身存在破损、污迹等一些不可避免的干扰信息，也会在扫描图像中出现网纹。

　　扫描图像网纹的多少主要与扫描分辨率和印刷加网线数有关。扫描分辨率设置的高低影响扫描半色调图像中网纹信息的分布情况，当扫描分辨率大于或等于印刷原稿的加网线数时，网纹信息才能在扫描图像中反映出来;而当扫描分辨率小于印刷原稿的加网线数时，扫描图像中的网纹就与原稿中不同，导致图像信息的丢失。

　　半色调扫描图像去网方法及去网图像分辨率的重建

　　1.小波变换去除网纹

　　半色调图像在通过扫描设备处理后得到的网纹信息可以通过小波变换进行优化处理。所谓小波变换，是一种信号变换分析方法，其主要特点是通过变换，突出或者删减信号某些方面的特征，达到对信号进行区分处理的目的。

　　经过100多年的发展和研究，小波变换可以快速地减少信号的振动幅度，同时对信号进行处理，表现出多分辨分析的特性。利用这种特性，可以将数字图像的信号进行区别处理。多分辨率分析的总体思想是将数字图像或数字信号分解成几个分辨率不同的信号，再将这些用不同分辨率表示的信号分别进行对应的处理。对于数字图像或数字信号来说，由于不同尺度或分辨率下的信号大多数包含它们的物理特征，因此处理前，多分辨率分析关键是要正确理解不同分辨率下信号所包含的信息。一般来说，信号分解尺度的大小与目标被分解的精细程度成正比。多分辨率分析为小波构造和小波原理的深入研究提供了理论支撑。

　　随着近些年来对信号研究的不断加强，小波变换解决网纹问题的思想受到专家和科研人员的重视，应用范围也越来越广，比如语音识别、人工智能、数字图像处理以及增强现实等领域都取得了很大成果。小波变换是一种线性的变换，它可将数字图像或信号在不同的尺度上进行分解，根据其分量信息的不同，提取需要的图像或信号特征。

　　在实际处理中，我们可以先将半色调扫描图像进行通道分离，然后再对分离得到的R(红色)、G(绿色)、B(蓝色)的每一个颜色通道进行处理，具体方法如图1所示。

　　根据每一颜色通道网纹分布的情况，选择小波分解级数和小波基的最佳组合对每一颜色通道进行小波分解，使图像分解后网纹最大可能地分布在图像的高频分量上。由于图像的网纹信息主要分布在高频部分，而低频部分含有较多的细节信息，因此根据不同分量的信息特征，对小波分解后图像的高频部分，采用改进的小波阈值方法对图像进行滤波处理，而低频部分保持不变，这样就可以使扫描图像中的网纹信息去除而保留图像的细节部分。然后，再对去网后的高频部分和低频部分进行小波重构，为了保证小波重构过程尽可能少的出现偏差，在小波重构过程中还应该使用小波分解，从而得到去网后每一通道的图像，然后再将3个通道进行合并，得到去网后的图像。

　　2.图像超分辨率重建

　　由于运用小波阈值的方法对图像进行去网处理，会使得去网后的图像比较模糊，为了增强图像的细节和边缘，最后运用图像超分辨率重建的方法对去网后的彩色图像进行处理。

　　现在的科学研究中，图像超分辨率重建的算法主要有基于插值的方法、基于重建模型的方法以及基于学习的方法。其中，基于插值的超分辨率重建方法效果较好。

　　插值算法在图像超分辨率重建算法中是比较早的一种方法，其主要思想是将待插值点灰度值的大小用邻域像素点的灰度值推算得到。

　　目前使用的插值算法中，双三次插值利用比较多，也是效果比较好的方法，它可以利用待插值点邻域四个像素点灰度值的大小及各个像素点与周围像素点灰度值大小变化快慢对结果的影响，计算出自身的灰度值，得到的插值图像更加真实，重建效果更好，同时解决了马赛克和边缘的锯齿问题。

　　3.处理结果分析

　　为了验证本文介绍的方法，我们选择了滚筒扫描仪对彩色半色调图像进行扫描，并使用该扫描仪的去网功能对原稿进行去网处理。此外，我们还利用Photoshop软件对扫描图像去网以及本文介绍的小波变换方法进行去网。对于得到的图像通过信息熵及清晰度两项指标进行评价，效果对比如表1。

　　从表1可以看出，小波变换去网效果比扫描仪、Photoshop的去网效果更好。当然，半色调扫描图像经过本文介绍的小波变换去网后，在一定程度上会导致图像的细节和边缘轮廓信息丢失。为了进一步对这些图像做增强处理，现将去网图像做超分辨率重建后与重建前的图像信息熵和清晰度进行对比，具体数据如表2所示。超分辨率重建后，图像有价值的信息含量及清晰度均得到强化。

　　我们通过对半色调扫描图像去网方法及相关资料的探讨，并结合图像网纹形成的原因，同时总结国内外现有去网的方法，提出了对半色调扫描图像去网的措施。当然，由于篇幅所限，本文没有选取足够多小波基和实验样本进行分析，这也是一个需要改进的地方。最后笔者希望，本文能够对同行们在处理类似问题时有所启发。