资源描述：
《基于数字图像的网点面积率的识别》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、基于数字图像处理的印刷品网点面积率检测研究陈路（株洲工学院包装印刷学院，株洲412008）摘要：本文对基于数字图像处理的网点面积率检测算法进行了探讨，给出了算法工作流程并建立了模型。最后通过实验对算法进行了验证。关键词：数字图像处理；网点面积率；检测算法TheResearchofDotPercentageCheckingofPrintingProductBasedonDigitalImageProcessingCHENLU(ZhuzhouInstituteofTechnology,Zhuzhou412008China)Abstract:DotP
2、ercentageCheckingofPrintingProductBasedonDigitalImageProcessingwasdiscussed.WorkingflowofCheckingalgorithmwasgivenandalgorithmmodelwasestablished.Atlast,algorithmwasstudiedbyexperiment.Keywords:DigitalImageProcessing；DotPercentage；Checkingalgorithm连续调彩色印刷品是通过黄、品、青、黑四色版以不同网点面
3、积率叠印来再现原稿上的各种各样的色彩。网点面积率越大，再现的颜色越深；网点面积率越小，再现的颜色越浅。在印刷墨层厚度确定的情况下，各色网点面积率值决定了印刷出的颜色值。因此，网点面积率是印刷质量检测和控制中的重要数据。而印刷是在有压力的情况下完成的，网点扩大不可避免。根据印刷品的网点面积率和原稿对应区域的网点面积率的差值就可以判断印刷品网点扩大情况。可见网点面积率的测量对印刷而言是非常重要的。传统识别网点面积率的方法主要有两种：一是用放大镜目测网点面积与空白面积的比例，得出网点面积率；二是用密度计测定网点的积分密度，然后根据网点面积率与密度的关
4、系式Murray-Davies公式，换算成网点面积率。第一种采用放大镜的方法由于存在人的主观因素影响,不同的人观察结果会有一定的误差。第二种方法由于Murray-Davies方程受实际条件(纸张的光渗效应，纸张内光线的多重内反射,网屏线数)的影响,其计算结果与实际情况发生偏离。根据其计算得到的网点面积率也有误差。随着图像采集设备和图像处理设备性能的提高，本文提出一种新的网点面积率检测方法：基于数字图像处理的网点面积率检测方法。1基于数字图像处理的网点面积率检测算法1.1算法原理从微观来看，印刷品是由不同颜色的色元组成。单色印刷品由两种色元（白纸
5、和单色）组成。双色印刷品由四种色元（白纸、单色1、单色2、色1+色2）组成。三色印刷品由八种色元（白纸、黄、品、青、红、绿、蓝、黑）组成。只要把各色元区分开来，统计各色元所占面积，就可以计算出各色的网点面积率。算法的工作流程如图1所示。印刷品计算机摄像机数字放大图网点面积率图1算法工作流程Fig.1Workingflowofcheckingalgorithm首先把要检测的区域用高分辨率摄像机拍摄获得其网点放大数字图像；然后利用数字图像处理原理对网点放大数字图像的各个像素用识别函数进行识别处理，把各个像素归类为各色元，统计其数量;最后根据各色元的
6、像素统计数据计算各色的网点面积率。1.2识别函数建立算法的关键是如何建立识别函数。该函数输入为印刷品数字图像象素点的（R，G，B）值，输出为该点的色元信息值。（R，G，B）值和色元信息值之间的关系十分复杂，如果采用数学方法解决这一问题，则面临选基函数和求解系数等困难，而采用神经网络可对非线性函数进行逼近，经过多次样本训练即可获得前述的复杂对应关系的近似数学表达式。1.2.1网络模型的确定神经网络中的BP模型是实际应用中最为广泛且最为成熟的网络模型之一,并可实施有监督训练,所以本文选用了三层的BP网络模型。图像象素点的颜色值可以用RGB表示，因此
7、输入节点为三个，分别输入RGB值。输出为该点的色元信息值，即Y、M、C、BK，所以输出节点选4个，分别输出Y、M、C、BK值。隐层神经元数的选取是BP网络的关键。如果隐层单元数太少,网络可能训练不出来,或训练出的网络不够稳健,不能识别以前没有“学习”过的样本,容错性差;隐层单元数太多,又使学习时间过长,误差也不一定最佳,因此存在一个最佳隐层单元数。目前还没有十分科学的确定隐层单元数的方法,基本上是根据经验,经过反复试验而得。在确定本系统隐层单元数的过程中,分别选择了7、8、9三个数值作为隐层单元数,由计算机做仿真计算,对结果进行分析,发现选用1
8、8个隐层单元数时,效果最佳。系统神经网络中的BP模型确定为单隐层，3个输入节点，8个隐层节点和4个输出节点。模型如图2。输出层隐层输入层图2 BP神经
