专利名称：：数字半色调影像处理方法以及其类别矩阵最佳化方法
技术领域：
：本发明是关于一种应用于影像打印方面的半色调影像处理方法，特别是有关一种基于点扩散法的半色调影像处理方法。
背景技术：
：半色调影像数字处理技术是一种广为使用的打印技术，适用于电脑图像的输出、印刷品、书报、及杂志等。当进行打印输出之前，原始影像需先转为半色调影像。半色调影像如通过人类视觉系统(HumanVisualSystem,HVS)藉间隔一段距离观看时，会如原始影像经低通滤波的感受。现有的半色调技术包含有有序抖动法(ordereddithering)、点扩散法、错误扩散法、及二元直接搜寻法(directbinarysearch,DBS)等。有序抖动法是一种具平行处理特性的方法，通常分为使用点聚集(clustered-dot)半色调网屏与点分散(dispersed-dot)半色调网屏两大类。使用有序抖动法产生的半色调影像品质劣于使用二元直接搜寻法、错误扩散法、或点扩散法产生的半色调影像品质，此因使用有序抖动法进行半色调影像处理过程中，半色调影像每一像素皆存有一定的误差。使用有序抖动法产生的半色调影像，因影像品质太差，很难被人们接受。而错误扩散法就没有上述的问题，因为邻近的像素可以分担固定量值的误差。然而，错误扩散法本来就不具有可平行处理影像的特性，错误扩散法对影像处理的效率远劣于有序抖动法。目前，以半色调影像品质来说，二元直接搜寻法是最为突出的半色调技术。然而，耗时且需反覆进行运算的二元直接搜寻法很难应用于如镭射打印机及喷墨打印机等商业化的产品。上述提及的方法中，点扩散法在半色调影像品质与影像处理效率这两方面互为调和。点扩散法运用所谓的类别矩阵(classmatrix)来平行处理影像，故既有平行处理的特性。Knuth及Mese两人提出的点扩散法为目前最广为人知的两种方法，他们对点扩散法的研究皆着重于类别矩阵的最佳化方面。下文中将描述点扩散法的基本概念以及Knuth点扩散法和Mese点扩散法此两种现有方法主要的差异和缺失。现假设一张PXQ大小的原始影像，其分割成若干个非重叠且大小为MXN的区块。类别矩阵置放着点扩散法处理一个MXN区块中所有像素的顺序，类别矩阵与该区块有相同的大小。请参阅图1，该图显示点扩散法进行影像处理时的流程图。在此，像素值255定义为属于白色的像素，像素值O定义为属于黑色的像素。x,.,代表正在处理的像素的灰阶值，此灰阶值即目前的输入值，x;，,代表由已处理过的邻近像素扩散而来的积累误差，^代表修正后的灰阶值，、代表在目前位置a力的二元输出值，即为半色调影像的像素值。此外，为修正后的灰阶值.与二元输出值、的差距量，v"、~、及、.间的关以下列公式表示<formula>formulaseeoriginaldocumentpage6</formula>其中&"为扩散权重，此变数在Kmith及Mese所提出的类别矩阵最佳化过程中皆固定使用表1所示的扩散权重，其中符号X代表正在处理的像素位置，而那些位于八个邻点的整数数值为扩散比例，亦即扩散权重。位于正在处理的像素的垂直方向及水平方向的邻近像素较接近中央正在处理的像素，相较于对角方向的邻近像素，正交方向的邻近像素具有较高的相关性，其扩散比例亦较高。<table>tableseeoriginaldocumentpage7</column></row><table>于处理过程中需要注意，误差仅许扩散至尚未进行二元输出的邻近像素，亦即尚未处理的邻近像素，而判断邻近像素是否处理过的关键在于相应的类别矩阵中的成员数值是否小于目前正在处理的像素的成员数值。<formula>formulaseeoriginaldocumentpage7</formula>表示邻近尚未处理过的像素的扩散比例总和。利用图2所示的例子以及表2所示Kmith提出的类别矩阵可以说明上述提到的误差仅许扩散至尚未处理的邻近像素此一概念。类别矩阵中成员数值为0对应的像素的误差可以扩散至成员数值为3、4、6、8、12、16、20、及24对应的像素；而类别矩阵中成员数值为7对应的像素的误差可以扩散至成员数值为10、15、18、23、及31对应的像素。类别矩阵中成员数值为0和7对应像素的扩散比例总和wm分别为12和7。此外，3448403229152331425856532157105062614513121838465437251792628142230354941332046114359575212031951636044241682739475536表2点扩散法的平行处理特性亦展现于图2，若干个非重叠的区块分别对应的类别矩阵中相同的成员可同时处理，故假设使用8X8的类别矩阵来执行点扩散程序，处理完整张影像仅需要64个单位时间。置于类别矩阵中的点扩散法对像素的处理顺序会明显影响到重建的影像品质，亦即点扩散法产生的半色调影像的品质。Knuth的最佳化方式为尝试减少类别矩阵中的主爵(baron)(目前进行处理的成员周围无数值更高的成员存在)及次爵(near-baron)(目前进行处理的成员周围仅存在一个数值更高的成员)数目。这种观念非常直接，因为主爵会使得误差无法扩散至邻近像素，而次爵仅允许误差扩散至一个邻近像素。此外，Kmith点扩散法并未将人眼之特性考虑于其中，导致所产生的半色调影像观看时是不舒服的。对此，Mese将下列公式所示的人眼特性考虑于类别矩阵最佳化的过程中，以决定置于类别矩阵中的最佳的处理顺序。图3显示频域上依下列公式所取得的曲线。/f(w，v)="//1exp(-iVM+VS⑨Clog(Z)+),L,、「l一5^附，/(1、「l+5^附，where51(^7)=[-]cos(4p)+[-].(3)(4)2、'…2在Mese的研究中，变数a=131.6、b=0.318、c=0.525、d=3.91、及L=0.091,在Mese对类别矩阵的最佳化过程中，使用单一灰阶值16的影像来训练取得最终的类别矩阵，Mese所取的类别矩阵如表3(8X8的类别矩阵)及表4(16X16的类别矩阵)所示。<table>tableseeoriginaldocumentpage9</column></row><table>表4(Mese的16X16类别矩阵)然而，Mese所提出的方法中，并未将扩散权重以及扩散区域的变化列入考虑，且并未将扩散权重最佳化，这限制了训练出的类别矩阵对于重建影像品质上的成长空间。此外，Mese仅仅考虑使用单一灰阶值16的影像进行类别矩阵最佳化，所训练出的类别矩阵套用于其他灰阶值所构成的影像，将无法得到最佳的结果。综上所述，有序抖动法、错误扩散法、及二元直接搜寻法仍有上述提及的缺失，现有广为人知的Kriuth点扩散法及Mese点扩散法在半色调影像品质方面仍具有改善的空间。因此，有必要发展一种方法以提高重建的半色调影像品质，同时保有平行处理影像的特性。
发明内容为改善上述提及的现有技术的缺失，特别是为改善Knuth和Mese提出的传统的点扩散法，本发明之一目的在于提供一种基于点扩散法的半色调影像处理方法，用以提高半色调影像的品质，同时保有点扩散法既存的平行处理的特性。为达前述目的，本发明提供一种数字半色调影像处理方法，本方法包含下列步骤(sl)将原始影像分成非重叠的区块；(s2)通过比较至少一张训练影像及相应于训练影像的半色调结果，以得到经训练的最小均方滤波器(Least-Mean-Squarefilter,LMSfilter)，其中经训练的LMS滤波器中的数值视同于扩散权重，经训练的LMS滤波器的大小视同于扩散区域；(s3)利用经训练的LMS滤波器来将类别矩阵(classmatrix)最佳化，也就是利用经训练的LMS滤波器的扩散区域及其扩散权重来将类别矩阵最佳化，以得到最佳化的类别矩阵；以及(s4)利用由步骤(s3)取得的最佳化的类别矩阵及由步骤(s2)取得的扩散权重，对前述提及的非重叠区块执行点扩散程序，以产生与原始影像相应的半色调影像。在步骤(s3)类别矩阵的最佳化过程中，类别矩阵其中一个成员与其他成员之一交换。如果交换的类别矩阵相较于类别矩阵导致较高的重建影像品质，则保留交换的类别矩阵作为下次交换程序之用。相反地，如果类别矩阵相较于交换的类别矩阵导致较高的重建影像品质，则保留类别矩阵作为下次交换程序之用。当依序交换达到预定的次数后，因此确定最佳化的类别矩阵。本发明并提供一种类别矩阵最佳化方法，该方法包含下列步骤(gl)选取类别矩阵其中一个成员；(g2)将类别矩阵中所选取的成员与其他成员之一交换；(g3)利用该类别矩阵，对至少一测试影像执行点扩散程序，以得到相应于测试影像的第一半色调影像；利用由步骤(g2)得到的交换的类别矩阵，对测试影像执行相同的点扩散程序，以得到相应于测试影像的第二半色调影像；(g4)比较第一半色调影像的峰值信噪比(peaksignal-to-noise，PSNR)及第二半色调影像的峰值信噪比，以得到比较结果；以及(g5)根据比较结果决定最佳化的类别矩阵。类别矩阵中的成员经过一系列的交换程序后，如果再做交换无法得到较高的峰值信噪比，则此时的类别矩阵确定为最佳化的类别矩阵。本发明并提供一种类别矩阵最佳化方法，该方法包含下列步骤(hl)选取类别矩阵其中一个成员；(h2)将该类别矩阵中所选取的成员与其他成员交换，以得到若干个交换的类别矩阵；(h3)分别利用该类别矩阵及于扩散区域内之扩散权重、这些交换的类别矩阵及扩散权重，对至少一测试影像执行点扩散程序，以分别得到相应于测试影像的半色调影像；(h4)计算每张相应于测试影像的半色调影像的峰值信噪比(peaksignal-to-noise，PSNR);以及(h5)保留导致相应于测试影像的半色调影像具有最大的峰值信噪比的类别矩阵。类别矩阵中的成员经过多次重覆步骤(h2)的交换程序后，如果再做交换无法导致相应于测试影像的半色调影像具有较高的峰值信噪比，则此时的类别矩阵确定为最佳化的类别矩阵。依本发明实施的半色调影像处理方法处理所得的半色调影像品质与某些错误扩散法相近，甚至优于有名的Jarvis错误扩散法、Stucki错误扩散法、及Mese点扩散法。而且，本发明得以保有点扩散法平行处理的特性。相较于二元直接搜寻法及错误扩散法，依本发明实施的半色调影像处理方法具有相当高的执行效率。为清楚明了本发明的诸多优势，将于后文更详细地描述本发明与现有半色调技术的比较。图1显示现有的点扩散法进行影像处理时的流程图。图2显示点扩散法使用类别矩阵处理一张灰阶影像时的示意图。图3显示Mese点扩散法采用的HVS公式其于频域上的波形图。图4显示依本发明实施的数字半色调影像处理方法的流程图。图5a显示依本发明训练得到于空间域上的3X3LMS滤波器。图5b显示依本发明训练得到于空间域上的5X5LMS滤波器。图5c显示依本发明训练得到于空间域上的7X7LMS滤波器。图5d显示依本发明训练得到于空间域上的9X9LMS滤波器。图6显示依本发明实施的一个类别矩阵进行最佳化的例子的流程图。图7显示依本发明实施的另一个类别矩阵进行最佳化的例子的流程图。图8显示依本发明实验的结果用不同扩散区域得出的类别矩阵对所计算而得的峰值信噪比的比较图。图9显示利用本发明实施的数字半色调影像处理方法与利用现有的半色调影像处理方式所得的峰值信噪比的比较表。具体实施方式请参阅图4，以下将描述依本发明实施的数字半色调影像处理方法的实施例。首先，将一张原始影像分成非重叠的区块(步骤(al))，这些非重叠区块并在步骤(a4)做后续处理。于步骤(a2)中，通过比较一或多张灰阶影像及相应于灰阶影像的半色调结果来得到最小均方滤波器(Least-Mean-Squarefilter,LMSfilter)。因为此灰阶影像是作为训练LMS滤波器之用，故称为训练影像。与每一灰阶影像相应的半色调结果是由二元输出值组成，例如0和255。此相应的半色调结果可利用各种半色调技术来处理而得，例如点扩散法、错误扩散法、有序抖动法(ordereddithering)、或二元直接搜寻法(directbinarysearch,DBS)。经训练影像及与其相应的半色调结果训练而得的LMS滤波器，称为经训练的LMS滤波器。因为经训练的LMS滤波器具有类似于人类视觉系统(HumanVisualSystem,HVS)的特性，滤波器中的数值可以表示为扩散权重，滤波器的大小可以表示为扩散区域。在此，经训练的LMS滤波器的扩散权重是由下列公式计算而得O，(6)=-H+，(7)5eu_如果则气,应减小,如果1,<气",则i,"应增大(8)6.,(9)其中^,为训练影像的灰阶值，、为与训练影像相应的半色调结果，为扩散权重，vv，为初始设置的LMS滤波器最佳的系数，《为、与^间的均方误差(meansquarederror,MSE)，以及/i为用于训练LMS滤波器过程中控制收敛速度的调整参数。图5a至图5d分别显示依本发明训练得到的四种不同大小的LMS滤波器，大小分别为3X3(如图5a所示)、5X5(如图5b所示)、7X7(如图5c所示)、及9X9(如图5d所示)。表5显示3X3大小且经训练的LMS滤波器其内含的扩散权重。需注意的是，这些经训练的LMS滤波器具有类似于人类视觉系统的基本特性。此基本特性可分为两点(1)滤波器中在对角方向的敏感度较在垂直方向和水平方向低，以及(2)滤波器中央部分的敏感度最高，远离中央部分的敏感度递减。0.0800090.1266640.0751750.121144X0.1183280.0796540.1311940.081044表5于步骤(a3)中，利用上述提及的经训练的LMS滤波器其内含的扩散权重来将类别矩阵(classmatrix)最佳化。然而，在其他类别矩阵最佳化的例子中，由心理学实验取得的扩散权重亦可用来将类别矩阵最佳化。另外，其他一些具有扩散区域大小的滤波器其内含的扩散权重亦可作为本发明中类别矩阵的最佳化之用。在本发明类别矩阵的最佳化过程中，需要评估半色调影像的品质。半色调影像品质可通过计算半色调影像的峰值信噪比(peaksignal-to-noise，PSNR)来评估，其峰值信噪比定义为^Jm，rteiL附，"、"乂(+mj+rt乂其中;c,，,为一张影像的灰阶值，6,.,为相应于该影像的半色调结果的二元输出值，^"表示内含于经训练的LMS滤波器在位置(附,《)的扩散权重，以及i为此经训练的LMS滤波器所包含的区域。需注意的是，半色调影像品质的评估过程中需要任一经训练的LMS滤波器的参与。为了将类别矩阵最佳化，类别矩阵的每个成员需与其他成员接续地交换。这些类别矩阵并用于一组测试影像的半色调化过程。本发明利用点扩散法使测试影像产生相应的半色调影像。而且，使用上述介绍的半色调影像品质评估方法来计算相映于该组测试影像的半色调影像的平均峰值信噪比。互相比较使用类别矩阵而产生的半色调影像的平均峰值信噪比与使用交换的类别矩阵而产生的半色调影像的平均峰值信噪比，只有当交换的类别矩阵导致较高的平均峰值信噪比时，才会保留此交换的类别矩阵作为新的类别矩阵。此新的类别矩阵再用于上述提及的交换程序，重覆执行这样的交换程序，直到交换的类别矩阵无法再增加平均峰值信噪比为止，最后得到的类别矩阵即为最佳化的类别矩阵。请参阅图6，该图显示一个类别矩阵进行最佳化的例子的流程图。假设要将一个8X8大小的类别矩阵最佳化。于步骤S810中从四种大小为3X3、5X5、7X7、及9X9的经训练的LMS滤波器中选出一个，例如，选取3X3大小的LMS滤波器。内含于经训练的LMS滤波器的数值可以视为扩散权重，该经训练的LMS滤波器的大小可以视为扩散区域。于步骤S820中给定一个初始的类别矩阵，例如，使用Mese类别矩阵作为初始的类别矩阵。类别矩阵的成员可以视为以一维的方式依序排列。于步骤S831中选取类别矩阵其中一个成员C(i)。于步骤S832中类别矩阵中的成员C(i)与其他63个成员其中之一成员C(j)交换，其中i^j。于步骤S840中利用类别矩阵及由步骤S810选取的经训练的LMS滤波器，对一组测试影像执行点扩散程序，以得到相应于该组测试影像的半色调影像，在此以第一半色调影像称之；类似地，利用交换的类别矩阵及由步骤S810选取的经训练的LMS滤波器，对同样一组测试影像执行相同的点扩散程序，以得到相应于该组测试影像的半色调影像，在此以第二半色调影像称之。所述测试影像可为任意的自然影像，具有任一灰阶值的灰阶影像都可采用作为所述的测试影像。于步骤S850中计算第一半色调影像的平均峰值信噪比以及计算第二半色调影像的平均峰值信噪比。于步骤S860中比较第一半色调影像的平均峰值信噪比以及第二半色调影像的平均峰值信噪比来决定交换的类别矩阵是否导致较高的重建影像品质。如果交换的类别矩阵导致较高的重建影像品质，则将交换的类别矩阵用作新的类别矩阵，以供上述交换程序使用。否则，将提供于此次交换程序中的原类别矩阵给上述交换程序使用。如果类别矩阵中并非所有的成员C(j)都与成员C(i)交换过，则到步骤S832以交换另一个成员C(j)。当所有的成员C(j)都与成员C(i)交换过后，选取另一个成员C(i)来做交换。如果并非所有的成员C(i)都被选过，则到步骤S831以选取另一未被选过的成员C(i)。如果再做交换无法增进重建影像的品质，则终止类别矩阵的最佳化，此时的类别矩阵确定为最佳化的类别矩阵。否则，反覆执行步骤S831至步骤S860。请参阅图7，该图显示另一个类别矩阵进行最佳化的例子的流程图。假设要将一个8X8大小的类别矩阵最佳化。因为步骤S910、S920、及S930分别与图6中步骤S810、S820、及S830相类似，故为简洁明了起见，在此省略步骤S910、S920、及S930的相关描述。于步骤S932中类别矩阵中的成员C(i)与其他63个成员C(j)交换，其中i^j。因此，可以得到63个交换的类别矩阵。于步骤S940中分别利用类别矩阵及由步骤S910选取的经训练的LMS滤波器、63个交换的类别矩阵及所述经训练的LMS滤波器，对一张测试影像执行点扩散程序，以分别得到相应于测试影像的64张半色调影像。本发明亦可用于对一组测试影像执行点扩散程序，在此以一张测试影像为例来做说明。于步骤S950中计算每张半色调影像的峰值信噪比。此例中相应于64张半色调影像可得到64个峰值信噪比，其中的一张半色调影像是由使用上述类别矩阵得到的，另外的63张半色调影像是由分别使用上述63个交换的类别矩阵得到的。于步骤S960中64张半色调影像中，保留导致半色调影像具有最大的峰值信噪比的类别矩阵。使半色调影像具有最大的峰值信噪比的类别矩阵即可导致较高的重建影像品质，故将此类别矩阵用作新的类别矩阵。如果并非所有的成员C(i)都被选过，则到步骤S931以选取另一未被选过的成员C(i)。此时，由步骤S960得到的导致半色调影像具有最大的峰值信噪比的类别矩阵将用作新的类别矩阵，选取此新的类别矩阵中另一未被选过的成员C(i)继续与成员C(j)做交换。如果再做交换无法增进重建影像的品质，则终止类别矩阵的最佳化，此时的类别矩阵确定为最佳化的类别矩阵。表6a至6d以及表7列出几个利用不同大小的扩散区域及其相应的扩散权重执行类别矩阵最佳化所收敛得到的类别矩阵。'291658105118411582253164495851576342614442145155452045333235340623026546375730242941394633223246024471213316356418492719251154524843142538055405259491736208961591176472617616028403931335562728432734362312101表(833域得1150(使月-到K442233》J8X4353:3力8类755:小^别知6238〗扩費脾)481337k区表(198485b域得6350(使月到的571目5X8X5542:5力8类3121;别究262〗扩費脾)3819怄2361581292459492024253639114445462533315610424284705441437353233621551340356563051154240331633805432553635820501854952172615125234165760693432271021594546395141271714284313194822602930表(2250(使月9目"18〔了力2:小^47]扩費3762t区表(535d1(使月26目9X41:9大7:小^61]扩費12怄域得到的8X8类别矩阵)域得到的8X8类别矩阵)18<table>tableseeoriginaldocumentpage19</column></row><table>表7(使用3X3大小的扩散区域得到的16X16类别矩阵)于步骤(a4)中，利用自步骤(a2)中得到的扩散区域内的扩散权重、以及自步骤(a3)中取得最佳化的类别矩阵，对步骤(al)中提及的非重叠区块执行点扩散程序，以得到相应于原始影像的半色调影像。当处理依本发明进行实验而取得的实验结果时，采用上述提及的公式(10)来计算半色调影像的峰值信噪比，其中并使用图5c所示大小为7X7经训练的LMS滤波器参与半色调影像品质的评估。图8显示不同扩散区域得出的类别矩阵对所计算而得的峰值信噪比的比较图。很明显地，当扩散区域的大小增加时，所得的半色调影像品质会降低。由此可见，本发明中，点扩散法最适合使用3X3大小经训练的LMS滤波器，3X3大小经训练的LMS滤波器亦最适合用来最佳化类别矩阵，最佳化的类别矩阵如表6a及表7所示。图9显示分别利用13种半色调影像处理方式而得的峰值信噪比(PSNR)，包括Floyd错误扩散法(PSNR二35.4)、Jarvis错误扩散法(PSNR=30.3)、Stucki错误扩散法(PSNR=31.1)、Ostromoukhov错误扩散法(PSNR=35.9)、Shiau错误扩散法(PSNR二35.1)、Knuth点扩散法(PSNR二30.1)、Mese点扩散法(使用16X16类别矩阵得到的PSNR=30.1、使用8X8类别矩阵得到的PSNR=30.9)、采用古典四型点聚集(Classical-4clustered-dotdithering)的有序抖动法(PSNR二19.4)、采用拜耳五型点分散(Bayer-5dispersed-dotdithering)的有序抖动法(PSNR=30.2)、二元直接搜寻法(DBS)(PSNR=39.9)、以及依本发明实施的点扩散法(使用16X16类别矩阵得到的PSNR=34.3、使用8X8类别矩阵得到的PSNR二33.2)。根据上述实验结果的比较，依本发明实施的点扩散法取得的半色调影像品质较Mese点扩散法为佳。进一步来说，依本发明提供的8X8类别矩阵进行点扩散运算所得到的峰值信噪比优于Mese提供的8X8类别矩阵；依本发明提供的16X16类别矩阵进行点扩散运算所得到的峰值信噪比优于Mese提供的16X16类别矩阵。此外，本发明提供的半色调影像处理方式运用点扩散法处理所得的半色调影像品质与前述提及的错误扩散法相近，但远优于前述的有序抖动法。虽然本发明提供的半色调影像处理方式所得的半色调影像品质仍略差于某些错误扩散法及二元直接搜寻法，但本发明使用的点扩散法具有可平行处理的特性，影像处理速度远优于非平行处理的错误扩散法以及需反覆进行运算的二元直接搜寻法，此为本发明使用点扩散法极具优势的特点。权利要求1、一种数字半色调影像处理方法，其特征在于该方法包含下列步骤(a1)将一原始影像分成非重叠之区块；(a2)比较至少一训练影像及与该训练影像相应的半色调结果，以得到于一扩散区域内的扩散权重；(a3)利用该扩散区域内的扩散权重来将一类别矩阵(classmatrix)最佳化，以得到一最佳化的类别矩阵；以及(a4)利用该最佳化的类别矩阵及所述扩散权重，对所述非重叠区块执行一点扩散程序，以产生与该原始影像相应的半色调影像。2、根据权利要求1所述的数字半色调影像处理方法，其特征在于于步骤(a2)中，所述扩散权重是由下列公式计算而得<formula>formulaseeoriginaldocumentpage2</formula>如果JlUm"应减小如果Wm，M<W附，附，。p,，则气,应增大其中~为该训练影像的灰阶值，、为与该训练影像相应的半色调结果，wm,为所述扩散权重，w，，，为一最小均方滤波器(Least-Mean-Squarefilter,LMSfilter)最佳的系数，《■为;与jf,y.间的均方误差(meansquarederror,MSE)，以及//为用于控制收敛速度的调整参数。3、根据权利要求1所述的数字半色调影像处理方法，其特征在于步骤(a3)包含子步骤将该类别矩阵其中一个成员与其他成员之一交换，以得到一交换的类别矩阵。4、根据权利要求3所述的数字半色调影像处理方法，其特征在于步骤(a3)包含子步骤如果该交换的类别矩阵相较于该类别矩阵导致较高的重建影像品质，则保留该交换的类别矩阵。5、根据权利要求3所述的数字半色调影像处理方法，其特征在于步骤(a3)包含子步骤如果该类别矩阵相较于该交换的类别矩阵导致较高的重建影像品质，则保留该类别矩阵。6、一种类别矩阵最佳化方法，其特征在于该方法包含下列步骤(Cl)选取一类别矩阵其中一个成员；(C2)将该类别矩阵中所选取的成员与其他成员之一交换；(c3)利用该类别矩阵，对至少一测试影像执行一点扩散程序，以得到相应于该测试影像的一第一半色调影像；利用由步骤(c2)得到的交换的类别矩阵，对该测试影像执行相同的点扩散程序，以得到相应于该测试影像的一第二半色调影像；(c4)比较该第一半色调影像的峰值信噪比(peaksignal-to-noise，PSNR)及该第二半色调影像的峰值信噪比，以得到一比较结果；以及(c5)根据该比较结果决定一最佳化的类别矩阵。7、根据权利要求6所述的类别矩阵最佳化方法，其特征在于该第一半色调影像及该第二半色调影像任一者的峰值信噪比，是由下列公式计算而得腿=,10_PXQX2552其中、为该测试影像的灰阶值，为相应于该训练影像的第一(或第二)半色调影像的二元输出值，、表示内含于一经训练的最小均方滤波器(Least-Mean-Squarefilter,LMSfilter)在位置(/n,")的扩散权重，以及W为该经训练的LMS滤波器所包含的区域。8、根据权利要求6所述的类别矩阵最佳化方法，其特征在于步骤(c4)包含子步骤如果该第二半色调影像的峰值信噪比高于该第一半色调影像的峰值信噪比，则保留该交换的类别矩阵。9、根据权利要求6所述的类别矩阵最佳化方法，其特征在于步骤(c4)包含子步骤如果该第一半色调影像的峰值信噪比高于该第二半色调影像的峰值信噪比，则保留该类别矩阵。10、一种类别矩阵最佳化方法，其特征在于该方法包含下列步骤(dl)选取一类别矩阵其中一个成员；(d2)将该类别矩阵中所选取之成员与其他成员交换，以得到若干个交换的类别矩阵；(d3)分别利用该类别矩阵及于一扩散区域内之扩散权重、这些交换的类别矩阵及所述扩散权重，对至少一测试影像执行一点扩散程序，以分别得到相应于该测试影像的半色调影像；(d4)计算每张相应于该测试影像的半色调影像的峰值信噪比(peaksignal-to-noise,PSNR);以及(d5)保留导致相应于该测试影像的半色调影像具有最大的峰值信噪比的类别矩阵。全文摘要本发明公开一种数字半色调影像处理方法，包含下列步骤(s1)将原始影像分成非重叠的区块；(s2)通过比较至少一张训练影像及相应于训练影像的半色调结果，以得到经训练的最小均方滤波器(Least-Mean-Squarefilter，LMSfilter)；(s3)利用经训练的LMS滤波器内含的扩散区域及其扩散权重来将类别矩阵(classmatrix)最佳化；以及(s4)利用最佳化的类别矩阵及扩散权重，对非重叠区块执行点扩散程序，以产生与原始影像相应的半色调影像。本发明并公开步骤(s3)中的类别矩阵最佳化方法。文档编号H04N1/405GK101646008SQ20081016920公开日2010年2月10日申请日期2008年9月26日优先权日2008年8月7日发明者刘云夫,郭景明申请人:郭景明