【技术实现步骤摘要】
本申请实施例涉及计算机，尤其涉及一种半色调图像生成方法、装置、设备以及存储介质。
技术介绍
1、随着图像处理技术的发展，通过图像半色调技术可以使得在单色或多色二值呈色设备上实现图像的最优再现。其中，在印刷领域中，由于半色调图像是通过网点的大小或疏密来表现不同的灰度级，因而使用灰度半色调图像可以显著减少油墨的使用量，同时达到丰富的视觉效果。在图像处理、计算机图形学以及数字显示等领域中，半色调图像也具有重要的应用价值。例如，在数字显示器上显示灰度图像时，可以利用半色调技术来提高图像的显示效果和清晰度。
2、相关技术中，图像半色调技术主要利用的是图像处理算法，如抖动法、误差扩散法、迭代法等。前述方法在处理图像细节和灰度变化时存在一定的局限性，尤其是在高分辨率图像处理中，容易出现失真、伪影等异常，处理效率较低，需要改进。
技术实现思路
1、本申请实施例提供了一种半色调图像生成方法、装置、设备以及存储介质，解决了现有技术在处理图像细节和灰度变化时存在一定的局限性，容易出现失真、伪影等异常，处理效率较低的问题，实现了有效捕捉图像的高维特征信息，并准确将高维特征转换为二值化的半色调图像，提高半色调图像的质量，有利于减少失真、伪影等图像异常，并提高处理效率。
2、第一方面，本申请实施例提供了一种半色调图像生成方法，该方法包括：
3、获取待处理图像，将所述待处理图像转换为灰度图像；
4、将所述灰度图像分割为预设尺寸的多个图像块，并将每个所述图像块输入至
5、将所述高维特征向量输入至训练完成的第二深度学习模型，得到半色调图像，所述第二深度学习模型包括编码器以及解码器，所述编码器用于对所述高维特征向量进行特征提取得到目标特征向量，所述解码器用于对所述目标特征向量进行解码转换得到半色调图像。
6、第二方面，本申请实施例还提供了一种半色调图像生成装置，包括：
7、获取模块，配置为获取待处理图像；
8、图像转换模块，配置为将所述待处理图像转换为灰度图像；
9、特征向量生成模块，配置为将所述灰度图像分割为预设尺寸的多个图像块，并将每个所述图像块输入至训练完成的第一深度学习模型，得到所述图像块对应的高维特征向量；
10、半色调转换模块，配置为将所述高维特征向量输入至训练完成的第二深度学习模型，得到半色调图像，所述第二深度学习模型包括编码器以及解码器，所述编码器用于对所述高维特征向量进行特征提取得到目标特征向量，所述解码器用于对所述目标特征向量进行解码转换得到半色调图像。
11、第三方面，本申请实施例还提供了一种半色调图像生成设备，该设备包括：
12、一个或多个处理器；
13、存储装置，配置为存储一个或多个程序，
14、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请实施例所述的半色调图像生成方法。
15、第四方面，本申请实施例还提供了一种存储计算机可执行指令的非易失性存储介质，所述计算机可执行指令在由计算机处理器执行时配置为执行本申请实施例所述的半色调图像生成方法。
16、本申请实施例中，通过获取待处理图像，将待处理图像转换为灰度图像；将灰度图像分割为预设尺寸的多个图像块，并将每个图像块输入至训练完成的第一深度学习模型，得到图像块对应的高维特征向量；将高维特征向量输入至训练完成的第二深度学习模型，得到半色调图像，第二深度学习模型包括编码器以及解码器，编码器用于对高维特征向量进行特征提取得到目标特征向量，解码器用于对目标特征向量进行解码转换得到半色调图像。上述方案中，通过利用训练完成的第一深度学习模型对灰度图像进行特征提取，可以初步捕捉图像的特征信息，得到准确的高维特征向量；通过利用设置有编码器以及解码器的第二深度学习模型，可以通过编码器进一步提取和处理图像特征，并通过解码器准确将高维特征转换为二值化的半色调图像，提高半色调图像的质量，有利于减少失真、伪影等图像异常，并提高处理效率。
本文档来自技高网...【技术保护点】
1.半色调图像生成方法，其特征在于，包括：
2.根据权利要求1所述的半色调图像生成方法，其特征在于，在所述将每个所述图像块输入至训练完成的第一深度学习模型之前，还包括：
3.根据权利要求2所述的半色调图像生成方法，其特征在于，在所述基于所述第一损失函数值以及第一学习率对所述第一深度学习模型以及所述第二深度学习模型分别对应的网络参数进行迭代更新，直至达到损失收敛之后，还包括：
4.根据权利要求1所述的半色调图像生成方法，其特征在于，所述编码器包括依次连接的第一输入层，第一多头自注意力层，第一归一化层，第一前馈神经网络层，第二归一化层以及第一输出层，其中，所述第一归一化层的输入为所述第一输入层传递的高维特征向量与所述第一多头自注意力层的输出的相加结果，所述第二归一化层的输入为所述第一输入层传递的高维特征向量与所述第一前馈神经网络层的输出的相加结果。
5.根据权利要求1所述的半色调图像生成方法，其特征在于，所述解码器包括依次连接的第二输入层，第二多头自注意力层，第三归一化层，特征关系注意力层，第四归一化层，第二前馈神经网络层，第五归一化层
6.根据权利要求1所述的半色调图像生成方法，其特征在于，在所述将所述高维特征向量输入至训练完成的第二深度学习模型，得到半色调图像之后，还包括：
7.根据权利要求1所述的半色调图像生成方法，其特征在于，在所述将所述待处理图像转换为灰度图像之后，还包括：
8.半色调图像生成装置，其特征在于，包括：
9.一种半色调图像生成设备，所述设备包括：一个或多个处理器；存储装置，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-7中任一项所述的半色调图像生成方法。
10.一种存储计算机可执行指令的非易失性存储介质，所述计算机可执行指令在由计算机处理器执行时配置为执行权利要求1-7中任一项所述的半色调图像生成方法。
...【技术特征摘要】
1.半色调图像生成方法，其特征在于，包括：
2.根据权利要求1所述的半色调图像生成方法，其特征在于，在所述将每个所述图像块输入至训练完成的第一深度学习模型之前，还包括：
3.根据权利要求2所述的半色调图像生成方法，其特征在于，在所述基于所述第一损失函数值以及第一学习率对所述第一深度学习模型以及所述第二深度学习模型分别对应的网络参数进行迭代更新，直至达到损失收敛之后，还包括：
4.根据权利要求1所述的半色调图像生成方法，其特征在于，所述编码器包括依次连接的第一输入层，第一多头自注意力层，第一归一化层，第一前馈神经网络层，第二归一化层以及第一输出层，其中，所述第一归一化层的输入为所述第一输入层传递的高维特征向量与所述第一多头自注意力层的输出的相加结果，所述第二归一化层的输入为所述第一输入层传递的高维特征向量与所述第一前馈神经网络层的输出的相加结果。
5.根据权利要求1所述的半色调图像生成方法，其特征在于，所述解码器包括依次连接的第二输入层，第二多头自注意力层，第三归一化层，特征关系注意力层，第四归一化层，第二前馈神经网络层，第五归一化层以及第二输出层，其中，所述第三归一化层的输入为所述第二输入层传...
【专利技术属性】
技术研发人员：尤权锋，邓亮，
申请(专利权)人：广州众诺微电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。