一、抖动策略基础原理设图像f定义域内的像素区域为Rₖ(i,j)i、j为整数该区域内图像的平均亮度定义为其中|Rₖ|表示该区域内的像素总数量。对区域R内的图像进行量化处理后可得到对应的二值位图图像。所谓局部量化误差平均量化误差是指原始图像f与二值位图在同一区域内的平均亮度差值的绝对值即|I − I|。抖动滤波的核心思想是将局部量化误差分散至图像的不同区域使整体误差均值趋近于零。主流抖动算法可分为统计型抖动与确定性抖动两类二者的优化逻辑各有不同统计型抖动通过调整图像像素的取值特征使整幅图像的整体平均量化误差归零确定性抖动则以全局误差最小化为目标将单个像素产生的量化误差进行分摊补偿利用相邻像素的量化过程抵消局部误差实现全局误差优化。二、抖动算法的优化建模从优化视角可对抖动问题进行严谨定义在单色图像空间G中构建映射关系Φ: G → G并定义该空间的距离度量d使得对于任意灰度图像f ∈ G均满足以下约束条件1. 映射输出Φ(f) ∈ G为标准二值图像2. 原图与量化图像的距离d(f, Φ(f))实现最小化。该建模方式能够精准刻画抖动问题的本质但仅依靠基础约束无法生成视觉效果优异的量化结果还需叠加附加约束条件。一方面所选用的距离度量必须贴合人眼视觉感知特性匹配人眼的视觉分辨规律另一方面需结合显示设备的硬件特性等实际工程条件完善约束规则。三、测试图像说明本文采用图1所示的两组测试图像完成各类抖动算法的效果验证与原理演示。图1左侧图像复刻自巴西艺术家坎迪多·波尔蒂纳里的炭笔作品。该图像兼具细腻的灰度渐变与丰富的细节特征人物面部拥有柔和自然的明暗过渡层次头发等区域则包含大量高频细节信息能够有效检验抖动算法对渐变纹理与精细细节的处理能力。另一幅为人工合成测试图像同时涵盖高密度高频细节区域与亮度平缓渐变区域适配各类算法的性能测试。对于正常视力观察者而言难以区分该组测试图像与实拍灰度图像的视觉差异。两幅图像均采用本章所述数字技术完成复刻参数经过精细调优最大程度弱化了复刻图像与原版半色调原稿的视觉偏差。从工艺角度而言传统模拟半色调复刻方式更为贴合原稿效果但本文未采用该方案。核心研究目标并非横向对比各类抖动量化算法的优劣与性能差异而是从概念层面系统阐释图像抖动的核心问题梳理各类算法的实现机理并针对性剖析每种算法的优势与固有局限。1.1 基于随机调制的抖动算法介绍过一种用于半色调图像的基础二电平量化算法。该算法选定某一固定灰度值作为全局阈值以此判定每个像素量化为 0 还是 1凡是亮度值高于阈值的像素量化结果取 1其余像素取值为 0。图2图 2 展示了以 50% 灰度作为阈值将该算法作用于图 1 图像后的输出效果量化产生的轮廓伪影等高带状瑕疵十分明显。只需对算法做一处简单修改便可降低量化误差的相关性在量化之前给像素亮度叠加一个随机偏移量。也就是说不再直接将像素亮度与阈值比较而是将和阈值对比其中i为每个像素独立生成的随机数服从合适的概率分布。该方法就叫作随机调制抖动Dithering by Random Modulation。随机扰动会打破相邻像素亮度之间的强相关性使得量化轮廓不再是一条连续曲线两个量化区域之间的分界线变得模糊不清。图 3 给出了随机调制抖动作用于图 1 图像的效果同样采用 50% 阈值叠加均匀分布随机数。可以看到图 2 中清晰可见的量化轮廓在图 3 里已经消失。图3该算法中随机扰动项最常选用亮度区间上的均匀分布。但此过程会在全部频段引入均匀噪声造成最终图像画质下降。对比图 3 和原图 1 不难发现图像高频细节损失严重。即便如此当量化位数大于 1 比特时随机调制抖动依然可以取得不错的效果。后文将会介绍若干数字半色调算法它们的视觉效果远优于随机调制抖动同时计算复杂度相差无几。1.2 抖动算法的分类方法一种分析、划分抖动算法的有效途径是观察算法在恒定灰度区域生成的点阵图案。这类图案在二值图像中尤为直观中间灰度层级完全依靠黑白点阵排布来模拟。该评判标准的合理性在于当不同抖动算法生成的二值图像平均亮度一致黑白像素总数量相等时点阵排布就是各算法输出结果之间唯一的区别。人眼依靠低频与高频信息感知图像内容高频信息勾勒物体边缘轮廓低频信息承载区域内部的纹理细节。因此数字半色调算法的核心目标就是保留图像高频边缘信息同时用视觉等效的二值纹理图案替代原始灰度层次。抖动生成的纹理图案可从规整性与排布结构两个维度划分按规整性分为周期性图案与非周期性图案按排布结构分为聚簇型图案与分散型图案一般而言周期性图案由确定性算法生成算法基于规则采样来最小化局部量化误差非周期性图案则通过全局扩散量化误差在整张图像范围内实现误差最小化。分散排布将单点尽可能均匀地散布开来以此模拟不同灰度聚簇排布把像素点聚集形成小块点阵簇用点阵簇模拟灰度。分散抖动更适合能够精准控制像素落点的图形设备例如显示器与之相对聚簇抖动更适配难以稳定输出孤立小点的设备例如激光打印机、照排机。后续讲解各类抖动算法时都会沿用这套分类体系。图 12.4 给出了直观的可视化分类坐标系横轴代表聚簇程度越往右聚簇性越强纵轴代表周期性越往上周期性越弱。图4将平面第一象限划分为 4 个区块由此得到抖动算法的四大基础类别分散‑非周期性算法分散‑周期性算法聚簇‑周期性算法聚簇‑非周期性算法1.1 节介绍的随机调制抖动就属于非周期性、分散型抖动算法。后续将逐一研究上述每一类抖动算法。