交流等离子体显示器自适应子场编码驱动方法及产生装置

摘要

本发明公开了一种交流等离子体显示器自适应子场编码驱动方法及产生装置。采用单纯累积式发光模式实现灰度显示，子场编码权值根据输入图像的灰度分布进行自适应选择，通过计算输入图像的灰度分布概率密度，计算出最能够代表输入图像信息的各子灰度区间，当子灰度区间内灰度值采样个数较少时，对子灰度区间内灰度累积概率密度进行采样处理；否则，对子灰度区间内灰度级进行采样处理，最终能够使由采样灰度值产生的各子场编码权值表达出最丰富的输入图像信息，根据计算出的子场编码权值进行相应的寻址及维持发光操作。本发明除了能够消除AC PDP动态假轮廓现象以外，在灰度级表现力上则优于现有文献中的类似方法，能够更好地再现原始图像信息。

说明书

技术领域

本发明是一种应用于交流等离子体显示器(以下简称AC PDP)的驱动方法及产生装置，特别涉及一种能够消除AC PDP显示运动图像时的动态假轮廓现象，同时又具有良好灰阶表达能力的驱动方法及产生装置。

背景技术

在AC PDP中通常采用寻址显示分离的子场驱动方法。在子场驱动方法中有两种方式实现灰度级显示：一种是“组合”式发光模式，例如在US5541618(T.Shinoda.Method and a circuit for gradationally driving a flat display device.UnitedStates Patent，5541618，July 30，1996)专利中提出的方法，就是采用这种发光模式实现灰度显示；另一种是“单纯累积”式发光模式，例如在EP0952569A2(T.Takunaga，T.Shigeta，M.Suzuki.Method of driving plasma display panel[P].European Patent，0952569 A2，April 21，1999)专利中提出的方法，就是采用这种发光模式实现灰度显示。采用“组合”式发光模式实现灰度显示能够较好地显示静态图像，但在显示运动图像时会出现动态假轮廓现象，严重影响运动图像显示质量。

在AC PDP中采用各个子场维持发光的“单纯累积”发光模式，与“组合”式发光模式不同的是：在一场图像时间内，每个显示单元只有一次准备期和一次寻址放电，除第一子场外，其余子场在进行寻址放电前上一个子场的维持期一定都进行了维持发光，凡进行过寻址放电的单元在维持期不再发光。采用“单纯累积”式发光模式实现灰度显示，可以完全消除动态假轮廓现象，文献EP0952569A2中提出的‘CLEAR’驱动方法就是采用各个子场维持发光的“单纯累积”来实现灰度显示，其子场权值根据反伽马校正曲线进行选取，但同样存在灰度显示不足的问题。一般采用抖动方法和误差扩散方法实现更多灰度级的显示。传统“单纯累积”式发光模式的主要缺陷在于子场编码权值是预先确定的，与所显示的图像信息无关，因此必然会出现由于灰度显示不足造成的静态假轮廓现象。为此，CN1652181A(刘祖军，王洪广，李永东等.交流等离子体显示器自适应子场编码驱动方法及装置[P].中国专利，1652181A，2005-08-10)专利提出了一种自适应子场编码驱动方法，该方法在一定程度上弥补了传统“单纯累积”式发光模式灰度显示不足问题，但其仍存在缺点，即对于所有子灰度区间的采样均采用等分子灰度区间方法。这种方法势必导致某些子灰度区间由于灰度值采样不合理造成图像显示质量降低。例如，对于某些子灰度区间，可以通过将采样灰度值选取在灰度概率密度高的灰度级上，从而使得图像信息损失减小。

发明内容

本发明的目的之一是提出一种交流等离子体显示器自适应子场编码驱动方法，该方法既能消除AC PDP动态假轮廓现象，又具有高质量灰阶表达能力。

本发明的目的之二是提出一种交流等离子体显示器自适应子场编码权值产生装置，其结构简单、成本低，能够大幅度提高AC PDP的显示质量，尤其是动态图像显示质量。

本发明的技术方案是这样实现的：

采用各个子场维持发光的“单纯累积”来实现灰度显示，用于控制维持脉冲数目的子场编码权值根据输入图像的灰度分布概率密度自适应产生，该方法通过计算输入图像的灰度分布概率密度，计算出最能够代表输入图像信息的采样灰度值，从而选取出应用于相应输入图像的子场编码权值；同时根据计算出的子场编码权值进行相应的寻址及维持操作；

具体处理步骤如下：

首先，选择主灰度区间，当P(k)＞Ps时，灰度值k属于主灰度区间L，P(k)，(k＝0，1，...，H-1)是灰度k的概率密度，即灰度k在输入图像中出现的次数与输入图像总像素数的比值，H为输入图像具有的灰度等级，Ps是与输入图像的灰度分布概率密度相关的阈值参数，将输入图像的灰度分布概率密度P(k)的值按从大到小排序，存储到P′中，P′是长度与P(k)相同的一中间变量，阈值参数Ps为满足式$\underset{m=0}{\overset{n}{\Sigma }}{P}_m^{\prime }\ge \mathrm{PA},$(0≤n≤H-1，0＜PA＜1)的最小n对应的P′_n，在主灰度区间L内包含Ns个子灰度区间L_j＝(k_2j-1，k_2j)(j＝1，2，...，Ns)，在这些子灰度区间内灰度级的概率密度都大于阈值参数Ps；

其次，计算各个子灰度区间L_j的灰度范围在主灰度区间L内所占比例${\mathrm{PL}}_j=a_j·(k_{2j}-k_{2j-1})/\underset{i=1}{\overset{\mathrm{Ns}}{\Sigma }}[a_i·(k_{2i}-k_{2i-1})],(j=\mathrm{1,2},...,\mathrm{Ns}),$其中a_j为第j个子灰度区间采样权重，a_j＝A，if(k_2j-G_a)≤(G_a-k_2j-1)；1，else，A为大于1的常量，G_a为预设的阈值参数；根据PL_j计算出在各个子灰度区间将采样的灰度值个数，在这一过程中，首先计算得到各个子灰度区间的初步灰度值采样个数M′_j＝Round((N-1)·PL_j)(j＝1，2，...，Ns)，Round为四舍五入到最近整数的运算，N为子场数目；其次，在保证最终灰度值采样总数为N-1的前提下，获得各子灰度区间的最终灰度值采样个数$M_j=\mathrm{Round}((N-1)·M_j^{\prime }/\underset{i=1}{\overset{\mathrm{Ns}}{\Sigma }}{M}_i^{\prime }),(j=\mathrm{1,2},...,\mathrm{Ns});$

接着，根据各个子灰度区间的灰度值采样个数M_j，计算出每个子灰度区间内的采样步长，在这一过程中，分两种情况进行处理，第一种情况为，计算每个子灰度区间内灰度累积概率密度的采样步长ST_j＝SDF_j/(M_j+1)(j＝1，2，...，Ns)，其中，SDF_j为第j个子灰度区间内所有像素的灰度概率密度之和，即${\mathrm{SDF}}_j=\underset{i=k_{2j-1}}{\overset{k_{2j}}{\Sigma }}{n}_i/\mathrm{num},(j=\mathrm{1,2},...,\mathrm{Ns}),$n_i为具有灰度级i的像素数，num为一场图像的总像素数；第二种情况为，计算每个子区间内灰度值采样步长ST′_j＝(k_2j-k_2j-1)/(M_j+1)；

然后，根据各个子灰度区间的采样步长计算采样灰度值，在这一过程中同样分两种情况进行处理，第一种情况为，从每个子灰度区间左边界灰度值对应的累积概率密度开始按各自的采样步长ST_j选取M_j个采样点，对所有子灰度区间处理完后即可得到N-1个采样点，再根据采样点的累积概率密度得到N-1个采样灰度值，G_i+1＝j，ifCDF_j≤P_i≤CDF_j+1(i＝1，2，...，N-1；j＝0，1，...，254)，其中，CDF_j为灰度j的累积概率密度，${\mathrm{CDF}}_j=\underset{i=0}{\overset{j}{\Sigma }}{n}_i/\mathrm{num},$P_i为第i个采样点的累积概率密度；第二种情况为，从每个子灰度区间的左边界灰度值开始按各自的采样步长ST′_j直接选取M_j个灰度值，对所有子灰度区间处理完后，即可得到N-1个采样灰度值；在得到两组采样灰度值后，根据M_j的大小选择每个子灰度区间内最终选取的采样灰度值，当M_j≤M_a时，M_a为预设的阈值参数，选取第一种情况获得的采样灰度值作为第j个子灰度区间内最终选取的采样灰度值，否则，选取第二种情况获得的采样灰度值作为第j个子灰度区间内最终选取的采样灰度值；最后再加上为零的灰度值和灰度值k_2Ns，即可得到N+1个所需的灰度值G＝[G₁，...，G_N+1]；

接下来，根据计算出的N+1个所需的灰度值G＝[G₁，...，G_N+1]，按照“单纯累积”式发光模式计算出N个子场编码权值SF＝[SF₁，SF₂，...，SF_N]，到此自适应子场编码权值的计算结束。

最后，扫描电极驱动电路和维持电极驱动电路根据当前图像的子场编码权值SF，产生各个子场相应的维持驱动波形和控制信号，扫描电极驱动电路和维持电极驱动电路根据子场编码权值SF调整各个子场的维持脉冲个数，即按照各个子场权值的比例分配各子场的维持脉冲个数；同时寻址电极驱动电路接收用于显示按子场编码的图像数据，并与扫描和维持电极驱动电路互相配合按照“单纯累积”发光模式完成AC PDP的寻址操作。

一种交流等离子体显示器自适应子场编码权值产生装置，该装置输入图像灰度分布概率密度计算电路分别与阈值参数计算电路和主灰度区间选择电路连接，阈值参数计算电路与主灰度区间选择电路连接，主灰度区间选择电路与各子灰度区间所占比例计算电路连接，各子灰度区间所占比例计算电路与各子灰度区间灰度值采样个数计算电路连接，各子灰度区间灰度值采样个数计算电路分别与各子灰度区间采样步长计算电路一、各子灰度区间采样步长计算电路二和采样灰度值选择电路连接，各子灰度区间采样步长计算电路一与各子灰度区间采样点选取电路连接，各子灰度区间采样点选取电路与采样灰度值计算电路一连接，各子灰度区间采样步长计算电路二与采样灰度值计算电路二连接，采样灰度值计算电路一和采样灰度值计算电路二同时连接到采样灰度值选择电路，采样灰度值选择电路与子场编码权值计算电路连接。

输入图像信号GIN送到输入图像灰度分布概率密度计算电路，输入图像灰度分布概率密度计算电路根据接收的输入图像信号GIN计算出该图像的灰度分布概率密度P，然后将其分别送到阈值参数计算电路和主灰度区间选择电路，阈值参数计算电路根据输入图像灰度分布概率密度计算电路送来的灰度分布概率密度P计算出应用于该图像的阈值参数Ps，然后将其送往主灰度区间选择电路，主灰度区间选择电路接收来自输入图像灰度分布概率密度计算电路的灰度分布概率密度P和阈值参数计算电路的阈值参数Ps，从而选择出该图像的主灰度区间L，并将其送到各子灰度区间所占比例计算电路，各子灰度区间所占比例计算电路根据主灰度区间选择电路送来的主灰度区间L计算出各子灰度区间在主灰度区间中所占比例PL_j，并将其送往各子灰度区间灰度值采样个数计算电路，各子灰度区间灰度值采样个数计算电路根据各子灰度区间在主灰度区间中所占比例PL_j计算出各子灰度区间灰度值采样个数M_j，并将计算结果分别送到各子灰度区间采样步长计算电路一和各子灰度区间采样步长计算电路二，接下来分两部分同时进行，一方面，各子灰度区间采样步长计算电路一接收各子灰度区间灰度值采样个数计算电路送来的各子灰度区间灰度值采样个数M_j，计算出在各子灰度区间内灰度累积概率密度的采样步长ST_j，并将计算结果送到各子灰度区间采样点选取电路，各子灰度区间采样点选取电路根据各子灰度区间内灰度累积概率密度的采样步长ST_j计算得到采样点的灰度累积概率密度P_i，并将其送到采样灰度值计算电路一，采样灰度值计算电路一根据各采样点的灰度累积概率密度P_i计算出采样灰度值G，并将计算结果送往采样灰度值选择电路，另一方面，各子灰度区间采样步长计算电路二接收各子灰度区间灰度值采样个数计算电路送来的各子灰度区间灰度值采样个数M_j，计算出在各子灰度区间内灰度级的采样步长ST′_j，并将计算结果送往采样灰度值计算电路二，采样灰度值计算电路二根据各子灰度区间内灰度级的采样步长ST′_j计算得到另一组采样灰度值G′，并将计算结果送往采样灰度值选择电路，采样灰度值选择电路接收来自采样灰度值计算电路一的采样灰度值G和采样灰度值计算电路二的采样灰度值G′，并根据各子灰度区间灰度值采样个数计算电路送来的各子灰度区间灰度值采样个数M_j选择出各子灰度区间最终选用的采样灰度值，再结合为零的灰度值和灰度值k_2Ns最终得到N+1个采样灰度值G_f，然后将其送到子场编码权值计算电路，子场编码权值计算电路根据采样灰度值G_f计算得到应用于相应输入图像的子场编码权值SF。

本发明提出了一种应用于AC PDP的自适应子场编码驱动方法及产生装置，该方法及装置可以完全消除AC PDP显示动态图像时的动态假轮廓现象，同时又避免了由“单纯累积”式发光带来的灰度显示不足的问题，使得显示图像在不出现动态假轮廓现象的同时，具有高质量的灰阶表达效果。

附图说明

图1是本发明自适应子场编码权值产生装置电路框图；

图2是本发明自适应子场编码权值计算流程图；

图3是本发明根据灰度累积概率密度进行灰度值采样的原理图；

图4是本发明计算采样灰度值过程中由第一种情况得到的采样结果图；

图5是本发明计算采样灰度值过程中由第二种情况得到的采样结果图；

图6是本发明最终得到的灰度值采样结果图；

图7是本发明提出的方法与文献CN1652181A提出的方法的计算机仿真结果比较图。

图8是本发明提出的方法与‘CLEAR’方法的计算机仿真结果比较图。

下面结合附图对本发明的内容作进一步详细说明。

具体实施方式

参照图1所示，本发明提出的自适应子场编码权值产生装置由如下几个模块组成：输入图像灰度分布概率密度计算电路1，阈值参数计算电路2，主灰度区间选择电路3，各子灰度区间所占比例计算电路4，各子灰度区间灰度值采样个数计算电路5，各子灰度区间采样步长计算电路一6，各子灰度区间采样步长计算电路二7，各子灰度区间采样点选取电路8，采样灰度值计算电路一9，采样灰度值计算电路二10，采样灰度值选择电路11，子场编码权值计算电路12。输入图像信号GIN送到输入图像灰度分布概率密度计算电路1。输入图像灰度分布概率密度计算电路1根据接收的输入图像信号GIN计算出该图像的灰度分布概率密度P，然后将其分别送到阈值参数计算电路2和主灰度区间选择电路3。阈值参数计算电路2根据输入图像灰度分布概率密度计算电路1送来的灰度分布概率密度P计算出应用于该图像的阈值参数Ps，然后将其送往主灰度区间选择电路3。主灰度区间选择电路3接收来自输入图像灰度分布概率密度计算电路1的灰度分布概率密度P和阈值参数计算电路2的阈值参数Ps，从而选择出该图像的主灰度区间L，并将其送到各子灰度区间所占比例计算电路4。各子灰度区间所占比例计算电路4根据主灰度区间选择电路3送来的主灰度区间L计算出各子灰度区间在主灰度区间中所占比例PL_j，并将其送往各子灰度区间灰度值采样个数计算电路5。各子灰度区间灰度值采样个数计算电路5根据各子灰度区间在主灰度区间中所占比例PL_j计算出各子灰度区间灰度值采样个数M_j，并将计算结果分别送到各子灰度区间采样步长计算电路一6和各子灰度区间采样步长计算电路二7。接下来分两部分同时进行，一方面，各子灰度区间采样步长计算电路一6接收各子灰度区间灰度值采样个数计算电路5送来的各子灰度区间灰度值采样个数M_j，计算出在各子灰度区间内灰度累积概率密度的采样步长ST_j，并将计算结果送到各子灰度区间采样点选取电路8。各子灰度区间采样点选取电路8根据各子灰度区间内灰度累积概率密度的采样步长ST_j计算得到采样点的灰度累积概率密度P_i，并将其送到采样灰度值计算电路一9。采样灰度值计算电路一9根据各采样点的灰度累积概率密度P_i计算出采样灰度值G，并将计算结果送往采样灰度值选择电路11。另一方面，各子灰度区间采样步长计算电路二7接收各子灰度区间灰度值采样个数计算电路5送来的各子灰度区间灰度值采样个数M_j，计算出在各子灰度区间内灰度级的采样步长ST′_j，并将计算结果送往采样灰度值计算电路二10。采样灰度值计算电路二10根据各子灰度区间内灰度级的采样步长ST′_j计算得到另一组采样灰度值G′，并将计算结果送往采样灰度值选择电路11。采样灰度值选择电路11接收来自采样灰度值计算电路一9的采样灰度值G和采样灰度值计算电路二10的采样灰度值G′，并根据各子灰度区间灰度值采样个数计算电路5送来的各子灰度区间灰度值采样个数M_j选择出各子灰度区间最终选用的采样灰度值，再结合为零的灰度值和灰度值k_2Ns最终得到N+1个采样灰度值G_f，然后将其送到子场编码权值计算电路12。子场编码权值计算电路12根据采样灰度值G_f计算得到应用于相应输入图像的子场编码权值SF。

参照图2所示，自适应子场编码权值的计算主要分为六个大的步骤。

首先，根据输入的图像数据GIN计算出一场输入图像的灰度分布概率密度P(k)，(k＝0，1，...，H-1)，H为输入图像具有的灰度等级，即灰度k在输入图像中出现的次数与输入图像总像素数的比值(步骤S1)。

根据输入图像灰度分布概率密度确定输入图像主灰度区间L(步骤S2)。

步骤S2中，先根据输入图像灰度分布概率密度确定阈值Ps(步骤S21)，将输入图像的灰度分布概率密度P(k)的值按从大到小排序，存储到P′中，P′是长度与P(k)相同的一中间变量，Ps为满足式$\underset{m=0}{\overset{n}{\Sigma }}{P}_m^{\prime }\ge \mathrm{PA},$(0≤n≤H-1，0＜PA＜1)的最小n对应的P′_n。

再根据Ps确定出Ns个子灰度区间及主灰度区间L(步骤S22)，当P(k)＞Ps时，k属于主灰度区间，即$k⋐L,$则Ns个子灰度区间为

$\left(\begin{array}{c}{L}_1,L_2,...,L_{\mathrm{Ns}}\\ L_j=(k_{2j-1},k_{2j}),1\le j\le \mathrm{Ns}\end{array}\right)$

根据Ns个子灰度区间确定出主灰度区间L，即L＝L₁∪L₂，...L_Ns。

当确定主灰度区间L后，计算出各个子灰度区间在主灰度区间所占比例(步骤S3)，${\mathrm{PL}}_j=a_j·(k_{2j}-k_{2j-1})/\underset{i=1}{\overset{\mathrm{Ns}}{\Sigma }}[a_i·(k_{2i}-k_{2i-1})],(j=\mathrm{1,2},...,\mathrm{Ns}),$其中a_j为第j个子灰度区间采样权重，

$a_j=\left(\begin{array}{cc}A,& (k_{2j}-G_a)\le (G_a-k_{2j-1})\\ 1,& (k_{2j}-G_a)>(G_a-k_{2j-1})\end{array}\right)$

A＞1，j＝1，2，...，Ns

根据PL_j计算出各子灰度区间内将选取的灰度值采样个数(步骤S4)。在步骤S4中，首先计算得到各个子灰度区间的初步灰度值采样个数M′_j＝Round((N-1)·PL_j)(j＝1，2，...，Ns)，Round为四舍五入到最近整数的运算，其次，在保证最终灰度值采样总数为N-1的前提下，获得各子灰度区间的最终灰度值采样个数$M_j=\mathrm{Round}((N-1)·M_j^{\prime }/\underset{i=1}{\overset{\mathrm{Ns}}{\Sigma }}{M}_i^{\prime }),(j=\mathrm{1,2},...,\mathrm{Ns}).$

根据各子灰度区间内的灰度值采样个数M_j，计算出将采用的N+1个采样灰度值(步骤S5)。

在步骤S5中，分两种情况同时进行处理。第一种情况(步骤S51)，首先计算每个子灰度区间内灰度累积概率密度的采样步长(步骤S511)，ST_j＝SDF_j/(M_j+1)(j＝1，2，...，Ns)，其中，SDF_j为第j个子灰度区间内所有像素的灰度概率密度之和，即${\mathrm{SDF}}_j=\underset{i=k_{2j-1}}{\overset{k_{2j}}{\Sigma }}{n}_i/\mathrm{num},(j=\mathrm{1,2},...,\mathrm{Ns}),$n_i为具有灰度级i的像素数，num为一场图像的总像素数。接着从每个子灰度区间左边界灰度值对应的累积概率密度开始按各自的采样步长ST_j选取M_j个采样点(步骤S512)，采样过程如下，

n＝1；

For j＝1 to N_s

For i＝1 to M_j

$P_n={\mathrm{CDF}}_{k_{2j-1}}+{\mathrm{iST}}_j;$

n＝n+1；

End

End

其中，P_n即为采样点处灰度值的累积概率密度，为灰度级k_2j-1的累积概率密度，${\mathrm{CDF}}_j=\underset{i=0}{\overset{j}{\Sigma }}{n}_i/\mathrm{num}.$

对所有子灰度区间处理完后即可得到N-1个采样点。然后，再根据采样点的累积概率密度得到N-1个采样灰度值(步骤S513)，g_i+1＝j，if CDF_j≤P_i≤CDF_j+1(i＝1，2，...，N-1；j＝0，1，...，254)。

第二种情况(步骤S52)，首先计算每个子灰度区间内灰度值采样步长(步骤S521)，即ST′_j＝(k_2j-k_2j-1)/(M_j+1)，然后从每个子灰度区间左边界灰度值开始按相应的采样步长ST′_j选取M_j个灰度值(步骤S522)，对所有子灰度区间处理完后，可得到N-1个采样灰度值。

在得到两组采样灰度值后，根据M_j的大小选择每个子灰度区间内最终选取的采样灰度值(步骤S53)，当M_j≤M_a时，M_a为预设的阈值参数，选取第一种情况获得的采样灰度值作为第j个子灰度区间内最终选取的采样灰度值，否则，选取第二种情况获得的采样灰度值作为第j个子灰度区间内最终选取的采样灰度值。

最后再加上为零的灰度值和灰度值k_2Ns，则可得到N+1个所需的灰度值(步骤S54)，即G＝[G₁，...，G_N+1]。

得到所需要的N+1个灰度值后，计算出用于“单纯累积”发光模式的N个子场编码权值SF＝[SF₁，SF₂，...，SF_N](步骤S6)，

SF_i＝G_i+1-G_i(1≤i≤N)。

参照图3所示，是本发明计算采样灰度值过程中，在第一种情况下根据灰度累积概率密度进行灰度值采样的原理图，相应图2中的步骤S512。图3中横坐标表示灰度级，纵坐标表示灰度累积概率密度值，曲线’a’是输入图像的灰度累积概率密度曲线，纵向直线与横轴交点表示子灰度区间端点灰度值，横向直线与曲线’a’的交点表示在第一种情况下(步骤S512)获得的采样点。

参照图4所示，是本发明计算采样灰度值过程中由第一种情况得到的采样结果图。图4中横坐标表示灰度级，纵坐标表示灰度概率密度值，曲线’a’是输入图像的灰度概率密度分布曲线，纵向直线与横轴交点即为采样灰度值。可以明显看出，在第一种情况下，获得的采样灰度值落在了子灰度区间内灰度概率密度值较高的灰度级上。

参照图5所示，是本发明计算采样灰度值过程中由第二种情况得到的采样结果图。与图4比较，由第二种情况获得的采样灰度值其特点是在各子灰度区间内呈等间隔分布。

参照图6所示，是本发明最终得到的灰度值采样结果图。图6根据各子灰度区间灰度值采样个数M_j的大小分别选取了不同情况下计算得到的采样灰度值，例如，在9-45子灰度区间内，选用的是第一种情况下得到的采样灰度值，其特点是采样灰度值落在了子灰度区间内灰度概率密度值较高的灰度级上，在100-193子灰度区间内，选用的是第二种情况下得到的采样灰度值，其特点是采样灰度值在子灰度区间内呈等间隔分布。

参照图7所示，是本发明提出的方法与文献CN1652181A提出的方法的计算机仿真结果比较。图7(a)和图7(d)是原始输入图像。仿真过程中，本发明提出的方法与文献CN1652181A提出的方法都采用14个子场(即N＝14)。图7(b)和图7(e)是本发明提出方法的仿真结果，图7(c)图7(f)是文献CN1652181A提出方法的仿真结果。比较两种方法的仿真结果，可以看出，对于图7(a)所示的原始输入图像，首先，衣服上的兜盖(标识1)以及衣缝(标识2)在图7(b)中均被显现出来，而图7(c)并没有给出这样的细节信息。其次，对于天空和远处建筑物的高亮部分(标识3)，图7(b)也是优于图7(c)的，可以看出，由于高亮灰度级的缺失造成图7(c)中天空及远处建筑物缺乏灰度层次感。对于图7(d)所示的原始输入图像，图7(f)给出的处理结果，在帽子前端(标识4)，额头(标识5)，肩膀处(标识6)灰度级过渡得均不平滑，与图7(e)比较，图7(f)中的静态假轮廓现象更明显。

参照图8所示，是本发明提出的方法与文献EP0952569A2提出的‘CLEAR’方法的计算机仿真结果比较。仿真中，以图7(d)作为原始输入图像，两种方法均采用14个子场。为了仿真实际应用中的显示效果，对两种方法都进行了误差扩散处理。其中，‘CLEAR’方法采用的子场编码权值为[1，3，5，8，10，13，16，19，22，25，28，32，35，39]。比较两种方法的仿真结果可以明显看出，图8(b)中误差扩散噪声比较明显，这是由于采用‘CLEAR’方法中的子场编码权值对原始输入图像进行编码处理时产生了较大的量化误差造成的。