Patentmuster zweifarbig

Unter Bezugnahme auf ABB. 4 wird ein erfindungsgemäßes Farbbild-Array 30 in einer vereinfachten Kameraumgebung dargestellt. Bildinformationen aus einzelnen Reihen des Arrays, wie z. B. eine Zeile 32, werden als Reaktion auf Signale eines Abhörgeräts wie eine Zeilenscanuhr 36 in ein Schaltregister 34 (in der Regel “an Bord” des Bildchips gebildet) übertragen. Eine solche Operation ist bekannt, und Geräte für die Durchführung der gleichen wird in der Literatur und Patente in Bezug auf CCD-Arrays beschrieben. Es ist auch allgemein bekannt, das Ausgangssignal des Registers mittels einer Schaltung 38 zu verarbeiten. Mit erfindungsgemäßen Farbbildarrays werden jedoch Informationen für die verschiedenen Grundfarbvektoren durch die durchmischten Empfindlichkeiten der Farbarrayelemente durchsetzt. Dementsprechend wird ein Schaltnetz 40 bereitgestellt, um die Bildsignalsequenz in eine nutzbare Form zu trennen, z.B. in parallele grüne, rote und blaue Videosignale. Eine weitere Möglichkeit für inverse Halbtoning ist die Verwendung von Machine Learning-Algorithmen, die auf künstlichen neuronalen Netzwerken basieren.

[18] Diese lernbasierten Ansätze können die Descreening-Technik finden, die der perfekten so nahe wie möglich kommt. Die Idee ist, je nach dem tatsächlichen Halbtonbild unterschiedliche Strategien zu verwenden. Auch für unterschiedliche Inhalte innerhalb des gleichen Bildes sollte die Strategie variiert werden. Konvolutionale neuronale Netzwerke eignen sich gut für Aufgaben wie die Objekterkennung, die eine kategoriebasierte Descreening ermöglicht. Darüber hinaus können sie Kantenerkennung tun, um die Details um Kantenbereiche zu verbessern. Die Ergebnisse können durch generative kontradiktorische Netzwerke weiter verbessert werden. [19] Diese Art von Netzwerk kann Inhalte künstlich generieren und verlorene Details wiederherstellen. Diese Methoden werden jedoch durch die Qualität und Vollständigkeit der verwendeten Trainingsdaten eingeschränkt.

Unsichtbare Halbtoning-Muster, die in den Trainingsdaten nicht dargestellt waren, sind eher schwer zu entfernen. Darüber hinaus kann der Lernprozess einige Zeit in Anspruch nehmen. Im Gegensatz dazu ist die Berechnung des inversen Halbtoning-Bildes im Vergleich zu anderen iterativen Methoden schnell, da es nur einen einzigen Rechenschritt erfordert. Im Gegensatz zu anderen Ansätzen beinhaltet die Suchtabellenmethode keine Filterung. [20] Es funktioniert, indem eine Verteilung der Nachbarschaft für jedes Pixel im Halbtonbild berechnet wird. Die Nachsuchtabelle stellt einen kontinuierlichen Tonwert für ein bestimmtes Pixel und dessen Verteilung bereit. Die entsprechende Nachsuchtabelle wird vor der Verwendung von Histogrammen von Halbtonbildern und den entsprechenden Originalen erhalten. Die Histogramme liefern die Verteilung vor und nach der Halbtonierung und ermöglichen es, den Kontinuierlichonwert für eine bestimmte Verteilung im Halbtonbild anzunähern.

Für diesen Ansatz muss die Halbtoning-Strategie im Voraus bekannt sein, um eine richtige Nachschautabelle auszuwählen. Darüber hinaus muss die Tabelle für jedes neue Halftoning-Muster neu berechnet werden. Das Generieren des abgeschirmten Bildes ist im Vergleich zu iterativen Methoden schnell, da es eine Suche pro Pixel erfordert. Die einfachste Möglichkeit, die Halbtonmuster zu entfernen, ist die Anwendung eines Tiefpassfilters entweder im räumlichen oder frequenzreichen Bereich. Ein einfaches Beispiel ist ein Gauß-Filter. Es verwirft die hochfrequenten Informationen, die das Bild verwischt und gleichzeitig reduziert das Halbtonmuster. Dies ähnelt dem unscharfen Effekt unserer Augen, wenn wir ein Halbtonbild betrachten. In jedem Fall ist es wichtig, eine richtige Bandbreite auszuwählen.