一种半色调图像分类方法

摘要

本发明公开了一种半色调图像分类方法，具体按照以下步骤实施：采用稀疏自编码深度神经网络连接Softmax分类器作为半色调图像的分类模型；对训练用的半色调图像进行分块，并用这些分块训练该模型；对待分类的半色调图像提取其有效块并对这些有效块进行分类；统计待分类的半色调图像各有效块的类别数目，取类别数目最大的类别作为待分类的半色调图像的类别。本发明一种半色调图像分类方法，解决了现有技术中需要人工选择提取半色调图像特征的问题，可以适应各类半色调图像，提高了分类的正确率。

说明书

技术领域

本发明属于印刷技术领域，具体涉及一种半色调图像分类方法。

背景技术

半色调图像是一类仅包含二个阶调，但人眼观察时却能够呈现连续调视 觉效果的图像，其广泛应用于传统印刷业、数字出版系统、各种二值化的显 示和打印输出设备等领域。对于各种半色调方法生成的半色调图像，如果要 重新使用，必须去掉半色调过程中产生的网纹等视觉噪声，这种技术被称为 逆半色调技术。目前各种高质量的逆半色调方法都要求首先知道相应的半色 调图像类别，即该种半色调图像是由哪种半色调方法产生的。因此，对半色 调图像依据其产生的方法进行分类，是各种逆半色调技术中的关键一步。

目前的半色调图像分类方法大都是先通过人工选择特征提取方法，统计 半色调图像纹理的空域特征或频谱特征，进行半色调图像浅层表象特征的表 示，如一维自相关函数法、灰度共生矩阵和游程矩阵相结合的方法、协方差 矩阵特征提取法等，进行半色调图像浅层表象特征的表示；再利用BP神经 网络、贝叶斯分类器等方法进行分类。人工选择的特征提取方法费时费力， 且不具有通用性，较难有效表征各种半色调图像的模式，其缺点是对各种半 色调图像的分类正确率较低、分类的数目有限。

发明内容

本发明的目的是提供一种半色调图像分类方法，解决了现有半色调图像 分类方法正确率低的问题。

本发明所采用的技术方案是，一种半色调图像分类方法，具体按照以下 步骤实施：

步骤1、采用稀疏自编码深度神经网络作为半色调图像的特征提取模型， 稀疏自编码深度神经网络连接Softmax分类器；

步骤2、对训练用的半色调图像进行分块，用各分块图像训练稀疏自编 码深度神经网络及Softmax分类器；

步骤3、对待分类的半色调图像进行分块，提取其有效块；

步骤4、将从待分类的半色调图像中提取的有效块作为训练好的稀疏自 编码深度神经网络的输入，进行特征提取，由Softmax分类器确定从待分类 的半色调图像中提取的有效块的类别；

步骤5、统计待分类的半色调图像的有效块的类别数目，类别数目最多 的类别即为待分类的半色调图像的类别。

本发明的特点还在于：

步骤1中稀疏自编码深度神经网络包括4层，第一层是输入层，第二层 及第三层是隐层，第四层是输出层，输出层与Softmax分类器连接。

步骤1中Softmax分类器的输出值为待分类的半色调图像的类别数。

步骤2的具体步骤为：

步骤2.1、将训练用的每一幅半色调图像分割成大小为m×n的图像块， 图像块的类别为被分割的半色调图像的类别；

步骤2.2、使用训练用的半色调图像划分出的图像块训练稀疏自编码深 度神经网络；

步骤2.3、使用训练用的半色调图像划分出的图像块及其类别，训练 Softmax分类器，并采用整体微调的方法对稀疏自编码深度神经网络的参数 进行微调。

步骤2.1中对训练用的半色调图像的划分采用非重叠的块划分方法。

步骤2.2中训练稀疏自编码深度神经网络采用梯度下降算法。

步骤3中提取有效块的具体步骤为：

步骤3.1、对每个块中的每个像素，以像素为中心选取其M×M的局部区 域，计算像素的局域熵H_ij：

$\left(\begin{array}{cc}{H}_{ij}=\underset{k=0}{\overset{1}{\Sigma }}{p}_k{\mathrm{logp}}_k& \left(\begin{array}{cc}i=1,2,\mathrm{...},m& j=1,2,\mathrm{...},n\end{array}\right)---\left(1\right)\end{array}\right)$

式(1)中p_k是M×M的局部区域中像素值取k的概率；

步骤3.2、对每个块，计算该块中所有局域熵的平均值μ和方差σ：

$\mu =\frac{1}{m\times n}\underset{i=1}{\overset{m}{\Sigma }}\underset{j}{\overset{n}{\Sigma }}{H}_{ij}---\left(2\right)$

$\sigma =\sqrt{\frac{1}{m\times n}\underset{i=1}{\overset{m}{\Sigma }}\underset{j}{\overset{n}{\Sigma }}{(H_{ij}-\mu )}^2}---\left(3\right)$

步骤3.3、对每个块，若其满足μ≥0.5且σ≤0.1，则判定该块为有效块。

本发明的有益效果是：一种半色调图像分类方法，通过所设计的稀疏自 编码深度神经网络来提取半色调图像特征，克服了现有人工选择特征提取方 法适应性差，提取的特征更能表征不同类别的半色调图像特征；通过图像分 块及有效块提取，提高了半色调图像分类的正确率，减少了分类所需要的时 间。

附图说明

图1是本发明一种半色调图像分类方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种半色调图像分类方法，流程如图1所示，具体按照以下步骤 实施：

步骤1、采用稀疏自编码深度神经网络作为半色调图像的特征提取模型， 稀疏自编码深度神经网络连接Softmax分类器；

其中，稀疏自编码深度神经网络包括4层，第一层是输入层，第一层的 神经元数为图像块中像素的个数，如图像块大小为16×16pixel，即第一层输 入的神经元个数为256；第二层及第三层是隐层，第二层及第三层的神经元 个数分别为200和100，第四层是输出层，输出层与Softmax分类器连接。

Softmax分类器的输出值为待分类的半色调图像的类别数，本实施例中 有13个类别。

步骤2、对训练用的半色调图像进行分块，用各分块图像训练稀疏自编 码深度神经网络及Softmax分类器，具体步骤为：

步骤2.1、将训练用的每一幅半色调图像采用非重叠的块划分方法分割 成大小为m×n的图像块，图像块的类别为被分割的半色调图像的类别；

步骤2.2、使用训练用的半色调图像划分出的图像块采用梯度下降算法 训练稀疏自编码深度神经网络；

步骤2.3、使用训练用的半色调图像划分出的图像块及其类别，训练 Softmax分类器，并采用整体微调的方法对稀疏自编码深度神经网络的参数 进行微调。

步骤3、对待分类的半色调图像进行分块，提取其有效块；

其中提取有效块的具体步骤为：

步骤3.1、对每个块中的每个像素，以像素为中心选取其9×9的局部区域， 计算像素的局域熵H_ij：

$\left(\begin{array}{cc}{H}_{ij}=\underset{k=0}{\overset{1}{\Sigma }}{p}_k{\mathrm{logp}}_k& \left(\begin{array}{cc}i=1,2,\mathrm{...},m& j=1,2,\mathrm{...},n\end{array}\right)---\left(1\right)\end{array}\right)$

式(1)中p_k是9×9的局部区域中像素值取k的概率；

步骤3.2、对每个块，计算该块中所有局域熵的平均值μ和方差σ：

$\mu =\frac{1}{m\times n}\underset{i=1}{\overset{m}{\Sigma }}\underset{j}{\overset{n}{\Sigma }}{H}_{ij}---\left(2\right)$

$\sigma =\sqrt{\frac{1}{m\times n}\underset{i=1}{\overset{m}{\Sigma }}\underset{j}{\overset{n}{\Sigma }}{(H_{ij}-\mu )}^2}---\left(3\right)$

步骤3.3、对每个块，若其满足μ≥0.5且σ≤0.1，则判定该块为有效块。

步骤4、将从待分类的半色调图像中提取的有效块作为训练好的稀疏自 编码深度神经网络的输入，进行特征提取，由Softmax分类器确定从待分类 的半色调图像中提取的有效块的类别；

步骤5、统计待分类的半色调图像的有效块的类别数目，类别数目最多 的类别即为待分类的半色调图像的类别。

本发明一种半色调图像分类方法，是一种无监督学习的特征提取方法， 适应各类半色调图像的特征提取；同时提出的有效块分类方法，减少了无效 块对分类的干扰，提高了分类的正确率；通过提取有效块，减少了待分类块 的数目，也就减少了分类所需要的时间。通过对13类半色调图像的分类， 平均分类正确率可以达到99.62％，取得了非常满意的效果。