[发明专利]一种随机中心聚集图像网目调方法和系统

权利要求书

1.一种随机中心聚集图像网目调方法，其特征在于，包括如下步骤：

步骤1，利用蓝噪声网目调算法对灰度色块进行网目调处理，得到二值图像，将其看成一个元素为1和0的矩阵Arr1，其中1表示种子点，0表示非种子点；

步骤2，对矩阵Arr1进行处理，增加种子点分布的随机均匀性；处理方式如下，

(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵；

(2)利用高斯滤波函数对矩阵Arr1中的每个元素进行7×7邻域滤波，计算每个元素周围的种子点密度，高斯滤波函数表述如下：

其中，x、y分别表示邻域像素点到中心像素点的水平和垂直距离，σ是标准差；

(3)遍历矩阵Arr1中的像素，如果种子点周围的种子点密度最大，则将该点置为非种子点；如果非种子点周围的种子点密度最小，则将该点置为种子点；依次迭代循环，直到最小密度点和最大密度点位置重合为止，结束循环，得到随机均匀分布的种子点，将结果保存到矩阵Arr2中；

步骤3，采用三角网生长法对步骤2中的所有种子点构建Delaunay三角形网格；

步骤3的具体实现方式如下，

步骤3.1，在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3；

步骤3.2，将矩阵Arr3左上角像素点P₁作为起始点，在剩余点集中找出距离该点最近的种子点P₃，连接两点，得到初始基线P₁P₃；

步骤3.3，根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点P₂，按照逆时针方向依次存储点P₁、P₂、P₃；

步骤3.3.1，遍历所有种子点，利用公式2判断点P是否在向量的右侧区域，公式表述如下：

Temp＝(x_p-x₁)(y₃-y₁)-(y_p-y₁)(x₃-x₁) (2)

其中，x_p和y_p分别表示点P的纵横坐标值，x_i、y_i表示点P_i的纵横坐标，i＝1,3；如果Temp0，则说明点P满足条件，进入下一步，反之，继续遍历循环；

步骤3.3.2，利用余弦公式计算∠P₁PP₃的余弦值：

如果cos∠P₁PP₃是最小值，说明此时的∠P₁PP₃最大，满足最小角最大准则，将点P记为P₂，按照逆时针方向依次存储点P₁、P₂、P₃；反之，回转执行步骤3.3.1继续寻找第三个顶点；

步骤3.4，分别以P₁P₂、P₂P₃为初始基线，得到第二个、第三个Delaunay三角形；

步骤3.5，重复步骤3.3和步骤3.4，直到所有种子点完成Delaunay三角网构建为止；

步骤4，根据像素点在三角形中的位置计算阈值；

步骤4的具体实现方式如下，

步骤4.1，设当前像素点M的坐标为(j，i)，将三角形的三条边看成三个向量，利用叉乘运算确定像素点所属的三角形：

Temp0＝(j-x₄)(y₅-y₄)-(i-y₄)(x₅-x₄) (4)

Temp1＝(j-x₅)(y₆-y₅)-(i-y₅)(x₆-x₅) (5)

Temp2＝(j-x₆)(y₄-y₆)-(i-y₆)(x₄-x₆) (6)

其中，x_k、y_k表示点P_k的纵横坐标，k＝4,5,6；如果Temp0、Temp1和Temp2均小于等于零，则说明像素点(j，i)在三角形P₄P₅P₆内；

步骤4.2，利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离；

S＝|(x₅-x₄)(y₆-y₄)-(x₆-x₄)(y₅-y₄) (7)

S₄＝|(j-x₆)(y₅-y₆)-(x₅-x₆)(i-y₆)| (8)

S₅＝|(j-x₄)(y₆-y₄)-(x₆-x₄)(i-y₄) (9)

S₆＝|(j-x₅)(y₄-y₅)-(x₄-x₅)(i-y₅)| (10)

其中，S、S₄、S₅、S₆分别表示△P₄P₅P₆、△MP₅P₆、△MP₄P₆、△MP₄P₅面积的2倍值；

H₄＝S/L₅₆ (11)

H₅＝S/L₆₄ (12)

H₆＝S/L₄₅ (13)

其中，L₄₅、L₅₆、L₆₄分别表示边P₄P₅、P₅P₆、P₆P₄的长度，H₄、H₅、H₆分别表示边P₅P₆上的高、边P₆P₄上的高和边P₄P₅上的高；

h₄＝S₄/L₅₆ (14)

h₅＝S₅/L₆₄ (15)

h₆＝S₆/L₄₅ (16)

其中，h₄、h₅、h₆分别表示点M到边P₅P₆、P₆P₄、P₄P₅的垂直距离；

步骤4.3，根据上述步骤获得的像素点位置参数计算阈值：

在公式17中，Q代表阈值，a_k、r_k为阈值生成参数，a_k控制着网点在H_k方向上的伸长率，影响网点形状；r_k决定各网点在不同方向上的接触情况；

步骤4.4，将Q的取值区间转化到0～255之间，得到阈值Q′并保存在阈值矩阵Arr4中；

Q′＝(Q-Q_min)/(Q_max-Q_min)×255 (18)

其中，Q_min表示阈值中的最小值，Q_max表示阈值中的最大值；

步骤5，对阈值进行调整以增加非重复阈值的数量；

步骤5利用8×8的贝尔表对阈值进行调整，具体实现方式如下，

步骤5.1，确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标x_b、y_b，根据元素在贝尔表中的对应值Bay[x_b,y_b]计算得到新的阈值Arr5[i,j]；

x_b＝i％8，y_b＝j％8 (19)

Arr5[i,j]＝Arr4[i,j]+0.1×Bay[x_b,y_b]/64 (20)

步骤5.2，采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序，计算非重复阈值的个数Sum，根据每个阈值对应的排序号Num得到阈值Q″，将计算结果保存在阈值矩阵Arr6中，该矩阵为最终的目标阈值矩阵，

Q″＝(INT)(Num/Sum×255+0.5) (21)

其中，INT表示取整操作；

步骤6，将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理，得到网目调图像。

2.一种随机中心聚集图像网目调系统，其特征在于，包括如下模块：

种子点获取模块，用于利用蓝噪声网目调算法对灰度色块进行网目调处理，得到二值图像，将其看成一个元素为1和0的矩阵Arr1，其中1表示种子点，0表示非种子点；

种子点随机处理模块，用于对矩阵Arr1进行处理，增加种子点分布的随机均匀性；处理方式如下，

(1)将矩阵Arr1按照2×2的方式拼接得到大矩阵；

(2)利用高斯滤波函数对矩阵Arr1中的每个元素进行7×7邻域滤波，计算每个元素周围的种子点密度，高斯滤波函数表述如下：

其中，x、y分别表示邻域像素点到中心像素点的水平和垂直距离，σ是标准差；

(3)遍历矩阵Arr1中的像素，如果种子点周围的种子点密度最大，则将该点置为非种子点；如果非种子点周围的种子点密度最小，则将该点置为种子点；依次迭代循环，直到最小密度点和最大密度点位置重合为止，结束循环，得到随机均匀分布的种子点，将结果保存到矩阵Arr2中；

三角网生成模块，用于采用三角网生长法对种子点随机处理模块中的所有种子点构建Delaunay三角形网格；

三角网生成模块中通过如下步骤构建Delaunay三角形网格，

步骤3.1，在上、下、左、右四个方向上将矩阵Arr2分别扩展5个像素得到矩阵Arr3；

步骤3.2，将矩阵Arr3左上角像素点P₁作为起始点，在剩余点集中找出距离该点最近的种子点P₃，连接两点，得到初始基线P₁P₃；

步骤3.3，根据空外接圆准则和最大化最小角准则寻找三角形的第三个顶点P₂，按照逆时针方向依次存储点P₁、P₂、P₃；

步骤3.3.1，遍历所有种子点，利用公式2判断点P是否在向量的右侧区域，公式表述如下：

Temp＝(x_p-x₁)(y₃-y₁)-(y_p-y₁)(x₃-x₁) (2)

其中，x_p和y_p分别表示点P的纵横坐标值，x_i、y_i表示点P_i的纵横坐标，i＝1,3；如果Temp0，则说明点P满足条件，进入下一步，反之，继续遍历循环；

步骤3.3.2，利用余弦公式计算∠P₁PP₃的余弦值：

如果cos∠P₁PP₃是最小值，说明此时的∠P₁PP₃最大，满足最小角最大准则，将点P记为P₂，按照逆时针方向依次存储点P₁、P₂、P₃；反之，回转执行步骤3.3.1继续寻找第三个顶点；

步骤3.4，分别以P₁P₂、P₂P₃为初始基线，得到第二个、第三个Delaunay三角形；

步骤3.5，重复步骤3.3和步骤3.4，直到所有种子点完成Delaunay三角网构建为止；

阈值计算模块，用于根据像素点在三角形中的位置计算阈值；

阈值计算模块中通过如下步骤获得阈值，

步骤4.1，设当前像素点M的坐标为(j，i)，将三角形的三条边看成三个向量，利用叉乘运算确定像素点所属的三角形：

Temp0＝(j-x₄)(y₅-y₄)-(i-y₄)(x₅-x₄) (4)

Temp1＝(j-x₅)(y₆-y₅)-(i-y₅)(x₆-x₅) (5)

Temp2＝(j-x₆)(y₄-y₆)-(i-y₆)(x₄-x₆) (6)

其中，x_k、y_k表示点P_k的纵横坐标，k＝4,5,6；如果Temp0、Temp1和Temp2均小于等于零，则说明像素点(j，i)在三角形P₄P₅P₆内；

步骤4.2，利用面积法计算三角形的高以及像素点到三角形三条边的垂直距离；

S＝|(x₅-x₄)(y₆-y₄)-(x₆-x₄)(y₅-y₄) (7)

S₄＝|(j-x₆)(y₅-y₆)-(x₅-x₆)(i-y₆)| (8)

S₅＝|(j-x₄)(y₆-y₄)-(x₆-x₄)(i-y₄) (9)

S₆＝|(j-x₅)(y₄-y₅)-(x₄-x₅)(i-y₅)| (10)

其中，S、S₄、S₅、S₆分别表示△P₄P₅P₆、△MP₅P₆、△MP₄P₆、△MP₄P₅面积的2倍值；

H₄＝S/L₅₆ (11)

H₅＝S/L₆₄ (12)

H₆＝S/L₄₅ (13)

其中，L₄₅、L₅₆、L₆₄分别表示边P₄P₅、P₅P₆、P₆P₄的长度，H₄、H₅、H₆分别表示边P₅P₆上的高、边P₆P₄上的高和边P₄P₅上的高；

h₄＝S₄/L₅₆ (14)

h₅＝S₅/L₆₄ (15)

h₆＝S₆/L₄₅ (16)

其中，h₄、h₅、h₆分别表示点M到边P₅P₆、P₆P₄、P₄P₅的垂直距离；

步骤4.3，根据上述步骤获得的像素点位置参数计算阈值：

在公式17中，Q代表阈值，a_k、r_k为阈值生成参数，a_k控制着网点在H_k方向上的伸长率，影响网点形状；r_k决定各网点在不同方向上的接触情况；

步骤4.4，将Q的取值区间转化到0～255之间，得到阈值Q′并保存在阈值矩阵Arr4中；

Q′＝(Q-Q_min)/(Q_max-Q_min)×255 (18)

其中，Q_min表示阈值中的最小值，Q_max表示阈值中的最大值；

阈值调整模块，用于对阈值进行调整以增加非重复阈值的数量；

阈值调整模块中利用8×8的贝尔表对阈值进行调整，

首先，确定阈值矩阵Arr4中的每个元素在贝尔表中的横纵坐标x_b、y_b，根据元素在贝尔表中的对应值Bay[x_b,y_b]计算得到新的阈值Arr5[i,j]；

x_b＝i％8，y_b＝j％8 (19)

Arr5[i,j]＝Arr4[i,j]+0.1×Bay[x_b,y_b]/64 (20)

然后，采用冒泡法按照从小到大的顺序对矩阵Arr5中的阈值进行排序，计算非重复阈值的个数Sum，根据每个阈值对应的排序号Num得到阈值Q″，将计算结果保存在阈值矩阵Arr6中，该矩阵为最终的目标阈值矩阵，

Q″＝(INT)(Num/Sum×255+0.5) (21)

其中，INT表示取整操作；

网目调处理模块，用于将阈值矩阵按照从左到右、从上到下的顺序依次对输入图像进行二值化处理，得到网目调图像。