数字加网（三）— —调频加网算法及实现

数字加网（一）— —概念及分色合成

数字加网（二）— —调幅加网算法及实现

数字加网（三）— —调频加网算法及实现


调频加网算法主要是抖动法与误差扩散法，前者又可以分为有序抖动和无序抖动，是点过程；后者是相邻过程。

有序抖动算法

Bayer抖动算法

算法公式

最具代表性的有序抖动算法，是1973年Bayer提出的Bayer算法，其递推公式如下：

令D1=0，n=2可以求出抖动矩阵

然后就可以继续推导出D4的抖动矩阵，推导过程如下

同理，我们可以推出D8的抖动矩阵

【注】一般处理采用D8的抖动矩阵

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
K = 8
L = 8
N = 63
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))

#Bayer Ordered Dithering
Mask=[0,32,8,40,2,34,10,42,
    48,16,56,42,50,18,58,26,
    12,44,4,36,14,46,6,38,
    60,28,52,20,62,30,54,22,
    3,35,11,43,1,33,9,41,
    51,19,59,27,49,17,57,25,
    15,47,7,39,13,45,5,37,
    63,31,55,23,61,29,53,21]

for m in range(im2.size[1]):
    k = m % K
    for n in range(im2.size[0]):
        l = n % L
        pix = int(im.getpixel((m/time,n/time))/255.0*N+0.5)
        if pix > Mask[k*L+l]:
            im2.putpixel((m,n),1)
        else:
            im2.putpixel((m,n),0)
im2.save("FM_Bayer.bmp")

效果图

Halftone抖动算法

算法公式

其抖动矩阵如下：

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
K = 8
L = 8
N = 63
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))

#Halftone Ordered Dithering
Mask=[28,10,18,26,36,44,52,34,
    22,2,4,12,48,58,60,42,
    14,6,0,20,40,56,62,50,
    24,16,8,30,32,54,46,38,
    37,45,53,35,29,11,19,27,
    49,59,61,43,23,3,5,13,
    41,57,63,51,15,7,1,21,
    33,55,47,39,25,17,9,31]

for m in range(im2.size[1]):
    k = m % K
    for n in range(im2.size[0]):
        l = n % L
        pix = int(im.getpixel((m/time,n/time))/255.0*N+0.5)
        if pix > Mask[k*L+l]:
            im2.putpixel((m,n),1)
        else:
            im2.putpixel((m,n),0)
im2.save("FM_Halftone.bmp")

效果图

Screw抖动算法

算法公式

其抖动矩阵如下：

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
K = 8
L = 8
N = 63
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))

#Screw Ordered Dithering
Mask=[64,53,42,26,27,43,54,61,
    60,41,25,14,15,28,44,55,
    52,40,13,5,6,16,29,45,
    39,24,12,1,2,7,17,30,
    38,23,11,4,3,8,18,31,
    51,37,22,10,9,19,32,41,
    59,50,36,21,20,33,47,56,
    63,58,49,35,34,48,57,62]

for m in range(im2.size[1]):
    k = m % K
    for n in range(im2.size[0]):
        l = n % L
        pix = int(im.getpixel((m/time,n/time))/255.0*N+0.5)
        if pix > Mask[k*L+l]:
            im2.putpixel((m,n),1)
        else:
            im2.putpixel((m,n),0)
im2.save("FM_Screw.bmp")

效果图

CoarseFatting抖动算法

算法公式

其抖动矩阵如下：

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
K = 8
L = 8
N = 63
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))

#CoarseFatting Ordered Dithering
Mask=[4,14,52,58,56,45,20,6,
      16,26,38,50,48,36,28,18,
      43,35,31,9,11,25,33,41,
      61,46,23,1,3,13,55,60,
      57,47,21,7,5,15,53,59,
      49,37,29,19,17,27,39,51,
      10,24,32,40,42,34,30,8,
      2,12,54,60,51,44,22,0]

for m in range(im2.size[1]):
    k = m % K
    for n in range(im2.size[0]):
        l = n % L
        pix = int(im.getpixel((m/time,n/time))/255.0*N+0.5)
        if pix > Mask[k*L+l]:
            im2.putpixel((m,n),1)
        else:
            im2.putpixel((m,n),0)
im2.save("FM_CoarseFatting.bmp")

效果图

无序抖动算法

所谓的无序抖动，指的就是生成抖动矩阵的过程是无序随机的，但是在计算机里一般使用的是伪随机的方法，一般有平方取中法、乘同余发生器、素数模乘同余法、组合乘同余法等，但是都不能取得满意的效果，其原因是无论怎样产生随机数，由于最大点距和最小点距不受控制，都有不规则聚集现象。所以，纯理论的随机加网算法是行不通的。下面只展示两种伪随机的方法，仅仅只为看看效果~

全局伪随机抖动算法

算法公式

即抖动矩阵为图像大小，矩阵里的值全部使用伪随机生成。

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image
import random

time = 8
K = 8
L = 8
N = 63
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))

for m in range(im2.size[1]):
    k = m % K
    for n in range(im2.size[0]):
        l = n % L
        pix = int(im.getpixel((m/time,n/time))/255.0*N+0.5)
        if pix > random.randint(0,64):
            im2.putpixel((m,n),1)
        else:
            im2.putpixel((m,n),0)
im2.save("FM_Random.bmp")

效果图

局部伪随机抖动算法

算法公式

在这抖动矩阵取的是8阶的，矩阵里的值使用伪随机生成。

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image
import random

time = 8
K = 8
L = 8
N = 63
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))
Mask = [0]*im.size[0]*time*im.size[1]*time
for i in range(63):
    Mask[i] = random.randint(0,64)

for m in range(im2.size[1]):
    k = m % K
    for n in range(im2.size[0]):
        l = n % L
        pix = int(im.getpixel((m/time,n/time))/255.0*N+0.5)
        if pix > Mask[k*L+l]:
            im2.putpixel((m,n),1)
        else:
            im2.putpixel((m,n),0)
im2.save("FM_Random_1.bmp")

效果图

误差扩散算法

在原图像的归一化采集输入信号中加入误差过滤器的输出值得到信号值。然后进行阈值处理可得到表示信号。把在表示信号产生中出现的误差扩散到周围相邻区域的信号，然后重复上述步骤。如图所示

Floyd-Steinberg算法

算法公式

误差扩散方式

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
N = 144
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))
pix =[0.0]*im2.size[0]*im2.size[1]

for m in range(im2.size[1]):
    for n in range(im2.size[0]):
        pix[m*im2.size[0]+n] = im.getpixel((m/time,n/time))*N/255.0+0.5

for m in range(im2.size[1]-1):
    for n in range(1,im2.size[0]-1):
        if pix[m*im2.size[0]+n] <= 72:
            nError = pix[m*im2.size[0]+n]
            im2.putpixel((m,n),0)
        else:
            nError = pix[m*im2.size[0]+n]-N
            im2.putpixel((m,n),1)
        pix[m*im2.size[0]+n+1] += nError*7/16.0
        pix[(m+1)*im2.size[0]+n-1] += nError*3/16.0
        pix[(m+1)*im2.size[0]+n] += nError*5/16.0
        pix[(m+1)*im2.size[0]+n+1] += nError*1/16.0 

im2.save("FM_Floyd_Steinberg.bmp")

效果图

蛇形Floyd-Steinberg算法

算法公式

扩散方式与Floyd-Steinberg算法一样，但扫描方式不同，Floyd-Steinberg算法是遵循从左到右，从上到下。换一种扫描方式就得到了蛇形Floyd-Steinberg算法，扫描的方式是类似蛇形，从左到右再从右到左，再从左道右循环下去

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
N = 144
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))
pix =[0.0]*im2.size[0]*im2.size[1]

for m in range(im2.size[1]):
    for n in range(im2.size[0]):
        pix[m*im2.size[0]+n] = im.getpixel((m/time,n/time))*N/255.0+0.5

for m in range(im2.size[1]-1):
    if m%2 == 1:
        for n in range(1,im2.size[0]-1):
            if pix[m*im2.size[0]+n] <= 72:
                nError = pix[m*im2.size[0]+n]
                im2.putpixel((m,n),0)
            else:
                nError = pix[m*im2.size[0]+n]-N
                im2.putpixel((m,n),1)
            pix[m*im2.size[0]+n+1] += nError*7/16.0
            pix[(m+1)*im2.size[0]+n-1] += nError*3/16.0
            pix[(m+1)*im2.size[0]+n] += nError*5/16.0
            pix[(m+1)*im2.size[0]+n+1] += nError*1/16.0
    else:
        for n in range(im2.size[0]-2,0,-1):
            if pix[m*im2.size[0]+n] <= 72:
                nError = pix[m*im2.size[0]+n]
                im2.putpixel((m,n),0)
            else:
                nError = pix[m*im2.size[0]+n]-N
                im2.putpixel((m,n),1)
            pix[m*im2.size[0]+n-1] += nError*7/16.0
            pix[(m+1)*im2.size[0]+n+1] += nError*3/16.0
            pix[(m+1)*im2.size[0]+n] += nError*5/16.0
            pix[(m+1)*im2.size[0]+n-1] += nError*1/16.0
im2.save("FM_Floyd_Steinberg_Snake.bmp")

效果图

Burkes算法

算法公式

扩散方式

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
N = 144
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))
pix =[0.0]*im2.size[0]*im2.size[1]

for m in range(im2.size[1]):
    for n in range(im2.size[0]):
        pix[m*im2.size[0]+n] = im.getpixel((m/time,n/time))*N/255.0+0.5

for m in range(1,im2.size[1]-1):
    for n in range(2,im2.size[0]-2):
        if pix[m*im2.size[0]+n] <= 72:
            nError = pix[m*im2.size[0]+n]
            im2.putpixel((m,n),0)
        else:
            nError = pix[m*im2.size[0]+n]-N
            im2.putpixel((m,n),1)
        pix[m*im2.size[0]+n+1] += nError*8/32.0
        pix[m*im2.size[0]+n+2] += nError*4/32.0
        pix[(m+1)*im2.size[0]+n-2] += nError*2/32.0
        pix[(m+1)*im2.size[0]+n-1] += nError*4/32.0
        pix[(m+1)*im2.size[0]+n] += nError*8/32.0
        pix[(m+1)*im2.size[0]+n+1] += nError*4/32.0
        pix[(m+1)*im2.size[0]+n+2] += nError*2/32.0

im2.save("FM_Burkes.bmp")

效果图

Jarris-Judice-Ninke算法

算法公式

扩散方式

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
N = 144
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))
pix =[0.0]*im2.size[0]*im2.size[1]

for m in range(im2.size[1]):
    for n in range(im2.size[0]):
        pix[m*im2.size[0]+n] = im.getpixel((m/time,n/time))*N/255.0+0.5

for m in range(im2.size[1]-2):
    for n in range(2,im2.size[0]-2):
        if pix[m*im2.size[0]+n] <= 72:
            nError = pix[m*im2.size[0]+n]
            im2.putpixel((m,n),0)
        else:
            nError = pix[m*im2.size[0]+n]-N
            im2.putpixel((m,n),1)
        pix[m*im2.size[0]+n+1] += nError*7/48.0
        pix[m*im2.size[0]+n+2] += nError*5/48.0
        pix[(m+1)*im2.size[0]+n-2] += nError*3/48.0
        pix[(m+1)*im2.size[0]+n-1] += nError*5/48.0
        pix[(m+1)*im2.size[0]+n] += nError*7/48.0
        pix[(m+1)*im2.size[0]+n+1] += nError*5/48.0
        pix[(m+1)*im2.size[0]+n+2] += nError*3/48.0
        pix[(m+2)*im2.size[0]+n-2] += nError*1/48.0
        pix[(m+2)*im2.size[0]+n-1] += nError*3/48.0
        pix[(m+2)*im2.size[0]+n] += nError*5/48.0
        pix[(m+2)*im2.size[0]+n+1] += nError*3/48.0
        pix[(m+2)*im2.size[0]+n+2] += nError*1/48.0

im2.save("FM_Jarris_Judice_Ninke.bmp")

效果图

Stucki算法

算法公式

扩散方式

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image

time = 8
N = 144
im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("1",(im.size[0]*time,im.size[1]*time))
pix =[0.0]*im2.size[0]*im2.size[1]

for m in range(im2.size[1]):
    for n in range(im2.size[0]):
        pix[m*im2.size[0]+n] = im.getpixel((m/time,n/time))*N/255.0+0.5

for m in range(im2.size[1]-2):
    for n in range(2,im2.size[0]-2):
        if pix[m*im2.size[0]+n] <= 72:
            nError = pix[m*im2.size[0]+n]
            im2.putpixel((m,n),0)
        else:
            nError = pix[m*im2.size[0]+n]-N
            im2.putpixel((m,n),1)
        pix[m*im2.size[0]+n+1] += nError*8/42.0
        pix[m*im2.size[0]+n+2] += nError*4/42.0
        pix[(m+1)*im2.size[0]+n-2] += nError*2/42.0
        pix[(m+1)*im2.size[0]+n-1] += nError*4/42.0
        pix[(m+1)*im2.size[0]+n] += nError*8/42.0
        pix[(m+1)*im2.size[0]+n+1] += nError*4/42.0
        pix[(m+1)*im2.size[0]+n+2] += nError*2/42.0
        pix[(m+2)*im2.size[0]+n-2] += nError*1/42.0
        pix[(m+2)*im2.size[0]+n-1] += nError*2/42.0
        pix[(m+2)*im2.size[0]+n] += nError*4/42.0
        pix[(m+2)*im2.size[0]+n+1] += nError*2/42.0
        pix[(m+2)*im2.size[0]+n+2] += nError*1/42.0

im2.save("FM_Stucki.bmp")

效果图

多位误差扩散算法

以Floyd-Steinberg算法为例，都是两位0和1，非黑即白。但是市场上出现了多位的打印机，于是随之而出的是多位的算法。即存在0，0.5，1。

算法公式

根据分为几位，划分区域，分别进行误差扩散，考虑到规律性条纹等问题，可以对划分区域进行一个随机值的添加，使得分割点不再是一个像素值，而是动态范围内的一个值，降低规律性。本示例中没有添加，读者可自行改进~~~

Python代码

### Digital Screening
### Author: Sin_Geek
### Date: 2015-05-17

from PIL import Image
import random

time = 8
N = 144
R = 2
M = R*2

im = Image.open(‘lena0.jpg‘).convert(‘L‘)
im2 = Image.new("L",(im.size[0]*time,im.size[1]*time))
pix = [0.0]*im2.size[0]*im2.size[1]

for m in range(im2.size[1]):
    for n in range(im2.size[0]):
        pix[m*im2.size[0]+n] = im.getpixel((m/time,n/time))*N/255.0+0.5

for m in range(1,im2.size[1]-1):
    for n in range(1,im2.size[0]-1):
        if pix[m*im2.size[0]+n] <= N/M:
            nError = pix[m*im2.size[0]+n]
            im2.putpixel((m,n),0)
        elif pix[m*im2.size[0]+n] <= 3*N/M:
            nError = pix[m*im2.size[0]+n]-2*N/M
            im2.putpixel((m,n),255/R)
        else:
            nError = pix[m*im2.size[0]+n]-144
            im2.putpixel((m,n),255)
        pix[m*im2.size[0]+n+1] += nError*7/16.0
        pix[(m+1)*im2.size[0]+n-1] += nError*3/16.0
        pix[(m+1)*im2.size[0]+n] += nError*5/16.0
        pix[(m+1)*im2.size[0]+n+1] += nError*1/16.0 

im2.save("FM_Floyd_Steinberg_Multi_Threshold.bmp")

效果图

时间： 2024-11-05 02:46:53

数字加网（三）— —调频加网算法及实现的相关文章

JS格式化数字（每三位加逗号）

// 方法一function toThousands(num) { var result = [ ], counter = 0; num = (num || 0).toString().split(''); for (var i = num.length - 1; i >= 0; i--) { counter++; result.unshift(num[i]); if (!(counter % 3) && i != 0) { result.unshift(','); } } retu

用1到9这九个数字变成三位数加三位数等于三位数的加法，例如：173+295 =468，一共有多少种情况?

#include "stdafx.h" #include <stdio.h> #include <vector> #include <algorithm> using namespace std; void FindCount(vector<int> &vect,int iPos,int &Count) { if (iPos>8) { int i1 = vect[0] * 100 + vect[1] * 10 + v

解决ArcGIS API for Silverlight 加载地图的内外网访问问题

原文:解决ArcGIS API for Silverlight 加载地图的内外网访问问题 先上一个类,如下: public class BaseClass { public static string getFullUri(string oldUriString) { string newUriString = oldUriString; //处理相对地址============================================================ if (newUri

php实现数字格式化，数字每三位加逗号的功能函数

php实现数字格式化,数字每三位加逗号的功能函数,具体代码如下: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 function num_format($num){  if(!is_numeric($num)){   return false;  }  $num = explode('.',$num);//把整数和小数分开  $rl = $num[1];//小数部分的值  $

数字格式化，从右往左每隔三位加逗号的四种方法

转载自:http://www.uedsc.com/micrometer-method.html 有時候我个必需将数字加上每三个位数加上一个逗号,例如20000变成20,000,目的是为了在方便财务上阅读,所以我整理了以下四种解決的方法: 1.javascript //一个迂回函式 function formatNumber(str) { if(str.length <= 3){ return str; } else { return formatNumber(str.substr(0,str.l

医院内外网之间通过网闸交互，通过端口转发加nginx代理实现内网访问外网

首先介绍下主要需求,很简单,就是要在医院his系统内嵌公司的平台,实现内网直接访问外网 这是院方给我提供的网闸相关配置,105是医院内网的服务器,120是外网的服务器,中间通过网闸配置的几个端口实现互通 首先我们需要用windos的netsh命令增加一条端口转发规则 172.16.20.105的10002端口转发到172.16.21.27的10003端口 然后我们在27服务器上的10003端口启动sso服务以供调用,调用之后返回 然后需要在27上做一个nginx代理以实现对外网的访问 最后我们在

利用apache+svn+jenkins+maven 实现java环境的自动化构建和部署（三）（网内首发超详细版）

3.3 权限配置样例 注意: * 权限配置文件中出现的用户名必须已在用户配置文件中定义. * 对权限配置文件的修改立即生效,不必重启svn. 用户组格式: [groups] = , 其中,1个用户组可以包含1个或多个用户,用户间以逗号分隔. 版本库目录格式: [<版本库>:/项目/目录] @<用户组名> = <权限> <用户名> = <权限> 其中,方框号内部分可以有多种写法: [/],表示根目录及以下,根目录是svnserve启动时指定的,我们

vue+element ui项目总结点（一）select、Cascader级联选择器、encodeURI、decodeURI转码解码、一级mockjs用法、路由懒加载三种方式

不多说上代码: <template> <div class="hello"> <h1>{{ msg }}</h1> <p>Element UI简单Cascader级联选择器使用</p> <el-cascader :options='options' v-model="selectedOptions" @change="handleChange"> </el-

三种加载方式

重点总结:    即:三种加载方式    1>传统加载方式------默认路径:tomcat/bin/目录    2>使用ServletContext对象-----默认路径:web应用(工程)目录    3>使用类加载器------默认路径:WEB-INF/classes/目录 一.利用ServletContext对象读取资源文件--默认目录为:工程(应用)路径                重点方法:                        InputStream getReso