Классификация оригиналов для определения их устойчивости к проявлению эффекта постеризации

Тип работы:
Реферат
Предмет:
Полиграфия


Узнать стоимость

Детальная информация о работе

Выдержка из работы

5. Термоинициированные процессы в тонкоплёночных лакокрасочных материалах с термохромными свойствами URL: http: //elib. altstu. ru/elib/books/Files/pv200602_1/pdf/107cherkasova. pdf (дата обращения: 01. 03. 2013)
Коновалова Мария Васильевна, аспирантка, инженер, mk2317@mail. ru, Россия, Москва, Московский государственный университет печати им. Ивана Федорова,
Черкасов Егор Павлович, аспирант, egr1987@rambler. ru. Россия, Москва, Московский государственный университет печати им. Ивана Федорова
GETTING THE IMAGING WITH OPTICAL EFFECTS MANNER SCREEN PRINTING
M.V. Konovalova, E.P. Chercasov
The article deals with the protection of the product against forgery using printing technologies. The basic principles of obtaining the image. Creating a masked image. Screen printing method. The use of screen printing inks with different optical effects. Problems printing
Key words: protective effects, screen printing, ultraviolet radiation, fluorescent inks, thermochromic inks.
Konovalova Mariya Vasilevna postgraduate, engineer, mk2317@mail. ru, Russia, Moscow, University of Printing Arts name Ivan Fedorov,
Chercasov Egor Pavlovich postgraduate student, engineer, egr1987@rambler. ru, Russia, Moscow, University of Printing Arts name Ivan Fedorov
УДК 771. 537. 45
КЛАССИФИКАЦИЯ ОРИГИНАЛОВ ДЛЯ ОПРЕДЕЛЕНИЯ ИХ УСТОЙЧИВОСТИ К ПРОЯВЛЕНИЮ ЭФФЕКТА ПОСТЕРИЗАЦИИ
Е.А. Пухова
Предлагается методика классификации оригиналов, позволяющая выделить группу оригиналов с преобладающими равномерными тонами. Такие оригиналы будут уязвимы к проявлению эффекта постеризации. В основе методики используется метод выделения контуров, реализованный в программе MATLAB.
Ключевые слова: постеризация, равномерные тона, тоновая зона, контуры, порог, градация.
Современные системы автоматизированного управления технологическими процессами в полиграфии на стадии допечатной подготовки
123
подразумевают реализацию автоматизированного анализа данных, поступающих и обрабатывающихся в этой системе. Сложнее всего автоматизировать процессы анализа изображения в силу того, что изобразительная информация весьма разнообразна. При этом от результатов такого анализа будет зависеть выбор возможных алгоритмов коррекции изображения и возможных вариантов вывода.
В настоящее время все системы обработки изобразительной информации работают с сигналами, представленными в цифровом виде. Особенностью таких сигналов является их дискретность в пространстве и по уровню сигнала. Пространственная дискретизация осуществляется с учетом теоремы отсчетов, что позволяет воспроизводить мелкие детали изображения с минимальными потерями. Дискретизация сигнала по уровню, квантование — осуществляется с учетом контрастной чувствительности глаза. Стандартом для данного процесса является глубина цвета, соответствующая восьми битам на канал, что позволяет воспроизводить 256 градаций. В соответствии с пороговой чувствительностью глаза такое количество градаций обеспечивает плавность переходов тонов. В результате обработки сигнала и вывода, градации в изображении могут теряться, что может приводить к невыполнению условий равномерной передачи тонов.
В данной статье будут рассмотрены вопросы, связанные с классификаций изображений с точки зрения наличия равномерных тонов. Под равномерными тонами будем понимать участки изображения с плавными переходами градаций. На таких участках не наблюдается резких перепадов яркости, характерных для границ деталей. Равномерные тона могут занимать различную площадь изображения и в зависимости от количества равномерных тонов (к) в результате их сжатия, коррекции, условий вывода на этих участках может проявляться эффект постеризации. Этот эффект выражается в появлении заметных границ между градациями. При этом на изображениях с преобладанием мелкой структуры данный эффект не приводит к визуальному ухудшению качества изображения. Для таких изображений будет наблюдаться лишь усиление контраста на границе деталей [1].
Исходя из этого, ставится задача разработать алгоритм автоматической классификации тоновых изображений с точки зрения их уязвимости к появлению эффекта постеризации. Для решения поставленной задачи необходимо оценить количество равномерных тонов в изображении. Это можно сделать путем исключения контуров. Для определения площади изображения, занятой контурами, предварительно необходимо подобрать параметры определения контуров. Важным параметром является значение порога, при котором пороговая обработка будет выявлять наличие контура на том или ином участке изображения. Для определения такого порога необходимо учитывать, каково распределение информации в пределах динамического диапазона изображения. Для изображений с разным средним
значением яркости следует ожидать различных значений пороговой величины.
Для рассмотрения взяты изображения в градациях серого, с целью исключения оценки изображений по цветовым каналам. Имея сведения о контрастной чувствительности глаза в разных каналах цветного изображения можно будет использовать полученные данные для анализа с учетом цветовой составляющей.
Для нахождения оптимальных значений пороговой величины моделируются изображения одного сюжета и различным уровнем яркости. Это позволит установить порог в условиях разной яркости при одинаковом количестве равномерных тонов. В качестве тестовых используются 20 изображений с различным количеством равномерных тонов. Каждое изображение откорректировано таким образом, чтобы получить копии с различным средним значением яркости. Выделим три типа изображений: светлые, средние, темные рис. 1.
Рис. 1. Пример тестовых изображений одного сюжета с разными средним значением яркости, и их гистограммы: а — среднее изображение- б — темное изображение- в — светлое изображение
Коррекция изображений проводится с глубиной цвета 16 бит на канал, что минимизирует потери информации о градациях на стадии коррекции, так как при увеличенной глубине цвета до 65 536 уровней, потери при коррекции не приводят к критическому уменьшению градаций до величины менее 230 уровней [2].
При анализе гистограмм, полученных после коррекции изображений, установлено, что среднее значение уровня яркости составляет для светлых изображениях от 176 до 204, для средних от 95 до 127, для темных
от 26 до 46.
Для определения площади изображения, занятой равномерными тонами, необходимо выделить участки, которые можно отнести к контурам. Для этих целей используется оператор выделения контуров Робертса. Этот оператор относится к наиболее простым, и отличается быстротой расчета. [3]. Для возможности применения этого оператора необходимо перевести модельное изображение в двухградационное. Данный перевод осуществляется путем задания порогового значения яркости ^ (далее порог). В программе МАТЬАВ, в которой проводился анализ изображений, порог может принимать значения от 0 до 1. Значение порога выбирается таким образом, чтобы для светлых, темных и средних изображений двухградационные изображения минимально отличались друг от друга. Полученные двухградационные изображения оцениваются визуально, предпочтение отдается тем изображениям, в которых штриховыми элементами передается сюжет изображения, исключая излишнюю детализацию и нет потерь важных деталей. На рис. 2 представлены двухградационные изображения, полученные на базе светлого изображения.
а б в
Рис. 2. Вид двухградационных изображений при различных порогах, примененных к светлому изображению: а -1=0,7- б -1=0,8- в -1=0,9
При разных порогах, наблюдается разное количество деталей, в данном случае предпочтение отдано изображению с порогом, равным 0,8. Выбор данного значения порога, обосновывается еще и тем, что для среднего и темного изображения возможно получение аналогичного двухградационного изображения, так как количество равномерных тонов и контуров не должно меняться в зависимости от среднего уровня яркости изображения.
С помощью оператора выделения контуров для модельных изображений оценивается процентное соотношение площадей, занятых контурами, и равномерными тонами.
Замечено, что для различных средних значений яркости необходимо использовать различные пороги для получения идентичных двухградационных изображений, при этом процент равномерных тонов для всех типов изображений будет одинаков. Данные приведены в таблице.
Значение порога для модельных изображений с различным средним значением яркости и количество равномерных тонов
№ изображения Значение порога для различных типов изображений Количество равномерных тонов к, %
і светлых изображений і средних изображений і темных изображений
1 2 3 4 5
1 0,80 0,50 0,07 99
2 0,70 0,40 0,10 96
3 0,80 0,45 0,15 93
4 0,70 0,45 0,07 99
5 0,70 0,30 0,10 96
6 0,75 0,60 0,07 95
7 0,90 0,50 0,10 92
8 0,90 0,50 0,09 99
9 0,65 0,45 0,10 99
10 0,80 0. 55 0,09 90
11 0,80 0,50 0,06 92
12 0,90 0,45 0,08 98
13 0,70 0,40 0,07 93
14 0,75 0,45 0,15 92
15 0,80 0,55 0,15 95
16 0,79 0,40 0,19 99
17 0,80 0,50 0,15 97
18 0,80 0,50 0,15 95
19 0,80 0,45 0,15 95
20 0,75 0,40 0. 09 96
Среднее значение і 0,78 0,46 0,11 —
Для светлых изображений пороговое значение в среднем составляет
0,78, для средних 0,46, для темных 0,11.
Количество равномерных тонов в рассмотренных изображениях колеблется от 90 до 99 процентов.
В результате анализа полученных данных, изображения, у которых площадь равномерных тонов составляет от 98.. 99%, отнесены к 1 группе с преобладанием равномерных тонов. Ко второй группе, со средним количеством равномерных тонов, отнесены изображения, у которых к составляет 93. 97%. Изображения, у которых количество равномерных тонов менее 93%, отнесены к третьей группе. Это изображения с большим количеством деталей (рис. 3).
к=99% к=95% к=92%
Рис. 3. Примеры изображений с разным количеством равномерных тонов
При использовании среднего значения порога для изображений, относящихся по среднему значению яркости к одному типу, соотношение площадей, занятых контурами и равномерными тонами, соответствует той группе, к которой ранее было отнесено, рассматриваемое изображение. Следовательно, возможно использовать полученное среднее значение порога для проведения классификации изображений с конкретным средним значением яркости.
Применительно к реальным изображениям, с большим количеством равномерных тонов получено, что применение среднего значения порога дает положительный результат. Такие изображения попадают по предложенной классификации в первую группу и будут уязвимы с точки зрения появления эффекта постеризации.
На основании вышеизложенного можно предложить определенный порядок действий для проведения классификации тоновых изображений.
В первую очередь, анализируется гистограмма изображения, и в соответствии с гистограммой определяется среднее значение яркости. Если среднее значение яркости не соответствует, интервалам, определенным для светлых, средних и темных изображений, то гистограмма реального изображения доводится до модельной. Следующим этапом изображение переводится в двухградационное при использовании соответствующего порога. К двухградационному изображению применяется оператор выделения контуров. На последнем этапе после подсчета площади, занятой равномерными тонами, изображение относится к группе 1, 2 или 3.
Наиболее критичны к появлению эффекта постеризации изображения первой группы с информативной зоной в светах и полутонах[4].
Используя рассмотренную классификацию, можно автоматизировать процесс анализа изображений для дальнейших автоматических коррекций градаций изображений, выбора глубины цвета при коррекции, выбора алгоритмов и степени сжатия изображения. Помимо этого, важным моментом является то, как будет выводиться изображение, а именно, какова будет разрядность системы вывода. При этом под системой вывода мо-
гут подразумеваться как варианты вывода на вещественный носитель, так и вывод на экран для целей подготовки изображений для электронных изданий.
Например, известно, что коррекцию изображений, которые будут отнесены к первой группе предпочтительно проводить с глубиной цвета, равной 16 бит на канал. В этом случае появление эффекта постеризации практически исключено [2]. Но при выводе таких изображений, если система вывода имеет разрядность 8 бит на канал, на равномерных тонах возникает заметный эффект постеризации. [4] Следовательно, коррекцию в этом случае лучше провести с глубиной цвета 8 бит на канал. Для изображений с такой глубиной цвета следует дополнительно ввести ограничения по возможным коррекциям, чтобы избежать критических потерь градаций.
Таким образом, предложенная классификация изображений позволит автоматизировать процесс анализ изображений для возможности выбора последующей автоматической коррекции с учетом особенностей вывода информации.
Список литературы
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2006. 1072 с.
2. Андреев Ю. С., Пухова Е. А. Особенности воспроизведения градационного содержания оригинала в цифровых системах // Вестник МГУП. 2006. № 1. С. 30- 34.
3. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006. 616 с.
4. Пухова Е. А., Зайганов Ц. С. Оценка влияния градационных преобразований и условий вывода на целостность изображения с различной глубиной цвета// Вестник МГУП. 2012. № 12. С. 53−57.
Пухова Екатерина Александровна, старший преподаватель ea. puhova@mail. ru, Россия, Москва, Московский Государственный Университет Печати им. Ивана Федорова
ORIGINAL CLASSIFICATION FOR DETERMINATION OF RESISTANCE MANIFESTA TION OF POSTERIZA TION
E.A. Pukhova
The paper proposes the method of original classification, which allows to select a group of originals with the prevailing uniform colors. These documents will be vulnerable to the appearance of a posterized effect. The methodology uses the edge detection is implemented in the program MATLAB.
Key words: posterization, steady tone, tone zone, the contours, the threshold graduation.
Pukhova Ekaterina Aleksandrovna, senior lecturer, ea. puhova@mail. ru, Russia, Moscow, Moscow State University of Printing of Ivan Fyodorov
УДК 621. 798. 34
ПРОГРАММА АВТОМАТИЗИРОВАННОГО ВЫБОРА ФАСОВОЧНО-УПАКОВОЧНЫХ АВТОМАТОВ ДЛЯ СЫПУЧИХ ПРОДУКТОВ
И.А. Савенкова
Представлен алгоритм работы компьютерной программы автоматизированного выбора фасовочно-упаковочных автоматов для сыпучих продуктов в мягкую тару. Данная программа содержит все необходимые базы данных и позволяет выбрать оптимальный дозатор и упаковочный материал для продукта. Выбор осуществляется на основе функционально-стоимостного и критериального анализов.
Ключевые слова: компьютерная программа, фасовочно-упаковочный автомат, сыпучий продукт, критериальный анализ, упаковочный материал.
За прошедшее время на рынке упаковочных машин появилось огромное количество западных и отечественных образцов упаковочной техники, в том числе и фасовочно-упаковочных автоматов для сыпучих продуктов (ФУА). Но на сегодняшний день в России отсутствует единая система классификации, увязывающая особенности сыпучего продукта, упаковочного материала и конструктивное исполнение фасовочноупаковочного автомата [1].
Для выполнения данной задачи была подробно исследована технологическая цепочка: сыпучий продукт — упаковочный материал — дозатор сыпучего продукта — фасовочно-упаковочный автомат. По этим параметрам были составлены классифицированные банки данных, оптимизированные для работы компьютерной программы выбора ФУА. По итогам исследования была написана компьютерная программа автоматизированного выбора оптимального ФУА [2].
Все сыпучие продукты по своим свойствам были разбиты на группы, для которых были выбраны согласно их гранулометрическому составу оптимальные дозаторы. Упаковочный материал подбирался для каждого

ПоказатьСвернуть
Заполнить форму текущей работой