Forward and Inverse Halftoning using LUT approach Applied to Grey-Level Images. Magister thesis, Université de Batna 2. (2005)
No Thumbnail Available
Date
2017-04-30
Authors
ATAMNA Nora
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Le travail effectué a été concentré, en particulier sur la présentation des algorithmes de tramage et de tramage inverse en utilisant l'approche de la table de transcodage (LUT), ce qui a conduit à de très bon résultats. Cette technique exige principalement le choix d’une trame (the template) qui désigne le voisinage utilisé, d’une part lors de la construction des tables et d’autre part lors de l’utilisation de ces tables. Les tables ainsi conçues sont appliquées sur l’image d’entrée afin d’obtenir l’image de sortie qui lui correspond avec une simple consultation de la table. Ce qui fait d’elle une méthode rapide où aucun calcul n’est requis. En réalité, nous avons analysés et modifiés les algorithmes présentés par Murat et al. pour le tramage et le tramage inverse en prenant de nouvelles considérations: - Le nombre de pixels que désigne la trame utilisée dans cette technique a un rôle déterminant dans les deux procédés analysés du fait qu’il affecte principalement la rapidité. A cet effet, nous n’avons utilisé que 9 pixels au lieu de 16 et 19 pixels respectivement dans le tramage et le tramage inverse. - Au lieu de prendre toutes les possibilités engendrées par la trame choisie (c.à.d. 2N ; où N est le nombre de pixels dans cette trame), on n’en considère que N éléments de trames (patterns). Notons que dans le cas où la trame est de forme rectangulaire on considère N+1 patterns. Ces nouvelles considérations en utilisant la trame dénotée par 9pls a eu efficacement comme résultat l’augmentation de la vitesse des deux procédures de telle manière que: o Dans le cas du tramage, la vitesse a été améliorée par 19,30% et 36,51% une fois comparée aux algorithmes proposés par Floyd et al et Murat et al respectivement. o On a réussi d’accélérer la rapidité de la procédure d’inverse halftoning de 40.38% par rapport à l’algorithme de Murat et al. De même nous avons réduit considérablement les exigences en espace mémoire (10 octets par rapport à 1 Koctet qui aurait pu être nécessaire, si l’on avait pris tout les 29 patterns considérés par Murat et al). Par contre, nous n’avons perdu que 18.28%en terme de qualité ce qui n’a pas affecté visuellement les images obtenues