一种定量检测数字印刷线条与文本的方法

摘要

本发明涉及一种定量检测数字印刷线条与文本的方法，采用定量的数学算法及数值描述方式给出数字印刷品上的线条/文本的综合质量感觉评价结果，替代印刷业长期以来所使用的定性的主观视觉目测评价方法，以克服现有方法所固有的主观性、不一致性和效率低等问题。采用机器视觉测量技术，利用图像捕获设备采集数字印刷线条与文本的数字图像，通过模式识别获得印刷线条的各个特征边界，在此基础上计算描述线条特征的各个质量指标，并依据创建的线条质量评价模型进行线条/文本感知质量的评价预测，以数值方式给出反映数字印刷品线条/文本的感知质量评价结果的定量描述，从而代替人眼视觉功能而实现对数字印刷线条/文本感知质量的客观评价。

权利要求

1.一种定量检测数字印刷线条与文本的方法，其特征在于，具体包括如下步骤：

1）把数字印刷品线条/文本图样经图像捕获设备数字化为RGB模式的数字图像；

2）把线条/文本的RGB模式数字图像转换为灰度模式的数字图像；

3）根据图像捕获设备的OECF光电转换函数和图像的亮度信息，计算得到数字印刷线条/文本图像的反射率信息；

4）根据反射率信息识别获取到数字印刷线条/文本的各个特征边界；

5）以数字印刷线条/文本的各个特征边界为基础，根据图像捕获设备的空间尺度信息和OECF光电转换函数计算反映线条/文本质量特征的各个质量指标，质量指标包括线条或文本笔画的边缘粗糙度、边缘模糊度、对比度、暗度、填充度和线宽误差；

6）把检测计算得到的数字印刷线条/文本的各个质量指标值作为输入参数，根据所建立的线条/文本感知质量的定量评价模型，计算得到数字印刷线条/文本的感知质量评价得分。

2.根据权利要求1所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

1）中图像捕获设备可选高精度的CCD平板扫描仪，也可选高精度的CCD数字相机。

3.根据权利要求1所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

2）线条/文本的RGB模式数字图像转换为灰度模式的数字图像中图像的亮度转换公式：Y=[0.299R+0.587G+0.114B]，

式中，R、G、B为扫描仪或数字照相捕获到的彩色图像的像素的红、绿、蓝三个通道分量，[ ]表示作取整处理。

4.根据权利要求1所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

3）中反射率ρ是依据图像捕获设备的OECF光电转换函数，根据图像的亮度值Y计算得到的。

5.根据权利要求4所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

3）中图像捕获设备的OECF光电转换函数包括数字图像的像素值或亮度值与密度值的对应关系，而亮度值与密度值的关系是通过密度标定获得的。

6.根据权利要求5所述定量检测数字印刷线条与文本的方法，其特征在于，所述密度标定首先利用反射密度计测得灰梯尺测试图中各色块的密度值；然后利用图像捕获设备把灰梯尺测试图数字化并转换为灰度图像，并计算每一个色块的平均亮度值；最后，根据色块的密度信息和平均亮度信息这两组数据，采用三次多项式拟合算法建立图像的亮度值与密度值之间的对应关系。

7.根据权利要求6所述定量检测数字印刷线条与文本的方法，其特征在于，所述图像的亮度值与密度值之间的对应关系可将亮度值Y转换为密度值D，再根据密度值D与反射率ρ之间的转换关系：-D

ρ=10 ，

式中ρ代表反射率，D表示密度值，可建立亮度值Y与反射率ρ之间的对应关系。

8.根据权利要求6所述定量检测数字印刷线条与文本的方法，其特征在于，所述测试图遵循ISO 16067-1标准和ISO 14524:2009标准制作，用于高精度CCD扫描仪和数字相机的密度标定。

9.根据权利要求1所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

4）中特征边界由下面公式来定义：

ρn=ρmax- (ρmax -ρmin) ×n% ，式中ρmax和ρmin为数字印刷品线条/文本样本的最大反射率和最小反射率，分别代表承印物的反射率和线条内墨粉或墨水密集堆积区域的反射率；n可取10、60、75或90，具体取值由特征边界的性质决定。

10.根据权利要求9所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

4）中线条正边界用线条内相对反射率达到60%对应值的点连接构成的阈值等高线表示，检测线条正边界时，特征边界公式中n取值应为60。

11.根据权利要求9所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

4）中线条内边界和外边界分别指线条内相对反射率达到90%和10%对应值的点连接构成的阈值等高线，特征边界公式中n应分别取90和10。

12.根据权利要求1所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

5）中空间尺度信息是指图像捕获设备得到的数字图像的像素所代表的实际几何尺度和像素间的实际空间距离。

13.根据权利要求1所述定量检测数字印刷线条与文本的方法，其特征在于，所述步骤

6）中线条/文本感知质量的定量评价模型是基于大量的具有不同感知质量的数字印刷线条样本的主观评价实验数据和质量特征指标检测数据的对应组合，可采用模糊神经网络算法或数学建模方法创建的。

说明书

一种定量检测数字印刷线条与文本的方法

技术领域

[0001] 本发明涉及一种印刷品质量检测技术，特别涉及一种定量检测数字印刷线条与文本的方法。

背景技术

[0002] 线条、文字与图像都是印刷品的主要组成要素，印刷品质量的优劣取决于各要素的复制质量与效果。传统印刷行业对印刷品中的线条和文字具有墨色厚实、边缘清晰、没有断点、与背景形成清楚的反差对比、线条和文字笔画的宽度应与设计时的要求相一致等质量要求。但由于油墨、墨水或墨粉与承印材料间的相互作用，或因油墨、墨水或墨粉渗透到承印材料上的非一致性，或因墨粉飞舞以及承印材料本身不均匀等原因，实际印刷品上的线条和文字笔画边缘可能会呈现出不同程度的模糊现象和凹凸不平效果，也可能会表现出不同的对比度和暗度效果，同时也存在着一定的线宽复制误差。

[0003] 由于印刷业中普遍使用的颜色测量仪器在定量测量线条和文本质量方面无能为力，因而长期以来，印刷业的传统做法只能是从主观视觉判断的角度以定性的方式去评价线条和文本的印刷质量，即通过人的眼睛或借助放大镜对印刷线条或文字进行仔细观察后给出评价结果。其结果具有很大的主观性和不一致性，常常因评价者的年龄、心理状态、教育背景、技术素养、评判经验等不同而不同，且存在对评价环境要求高、评价效率低等问题。

[0004] 对线条或文字的视觉感知质量的客观综合评价是印刷领域的难题之一。机器视觉在检测技术领域的应用为线条和文字质量的客观定量检测和评价提供了可能。同时，国际标准ISO 13660提出了印刷线条和文本质量的客观描述指标。但是，该标准仅仅只给出了与线条质量特征相关的指标，而没有明确这些指标值对线条整体感知质量的影响权重及其综合作用效果，人们也无法根据得到的各个质量指标值来判断数字印刷线条复制的整体视觉感知质量结果。

发明内容

[0005] 本发明是针对对线条或文字的视觉感知质量的客观综合评价困难的问题，提出了一种定量检测数字印刷线条与文本的方法，建立一个合理的反映线条/文本综合感知质量的定量评价模型，利用该评价模型只要检测获得反映线条/文本质量特征的质量指标值，就可预测和定量描述线条/文本在人眼视觉系统中的整体感知质量结果，具有评价效率高和定量描述的能力，可避免主观评价结果的不确定性和主观性。

[0006] 本发明的技术方案为：一种定量检测数字印刷线条与文本的方法，具体包括如下步骤：

[0007] 1)把数字印刷品线条/文本图样经图像捕获设备数字化为RGB模式的数字图像；

[0008] 2)把线条/文本的RGB模式数字图像转换为灰度模式的数字图像；

[0009] 3)根据图像捕获设备的OECF光电转换函数和图像的亮度信息，计算得到数字印刷线条/文本图像的反射率信息；

[0010] 4)根据反射率信息识别获取到数字印刷线条/文本的各个特征边界；

[0011] 5)以数字印刷线条/文本的各个特征边界为基础，根据图像捕获设备的空间尺度信息和OECF光电转换函数计算反映线条/文本质量特征的各个质量指标，质量指标包括线条或文本笔画的边缘粗糙度、边缘模糊度、对比度、暗度、填充度和线宽误差；

[0012] 6)把检测计算得到的数字印刷线条/文本的各个质量指标值作为输入参数，根据所建立的线条/文本感知质量的定量评价模型，计算得到数字印刷线条/文本的感知质量评价得分。

[0013] 所述步骤1)中图像捕获设备可选高精度的CCD平板扫描仪，也可选高精度的数字相机。

[0014] 所述步骤2)线条/文本的RGB模式数字图像转换为灰度模式的数字图像中图像的亮度转换公式：Y＝[0.299R+0.587G+0.114B]，

[0015] 式中，R、G、B为扫描仪或数字照相捕获到的彩色图像的像素的红、绿、蓝三个通道分量，[ ]表示作取整处理。

[0016] 所述步骤3)中反射率ρ是依据图像捕获设备的OECF光电转换函数，根据图像的亮度值Y计算得到的。图像捕获设备的OECF光电转换函数包括数字图像的像素值或亮度值与密度值的对应关系，而亮度值与密度值的关系是通过密度标定获得的。所述密度标定首先利用反射密度计测得灰梯尺测试图中各色块的密度值；然后利用图像捕获设备把灰梯尺测试图数字化并转换为灰度图像，并计算每一个色块的平均亮度值；最后，根据色块的密度信息和平均亮度信息这两组数据，采用三次多项式拟合算法建立图像的亮度值与密度值之间的对应关系。所述图像的亮度值与密度值之间的对应关系可将亮度值Y转换为密度值D，再根据密度值D与反射率ρ之间的转换关系：

[0017] ρ＝10-D，

[0018] 式中ρ代表反射率，D表示密度值，可建立亮度值Y与反射率ρ之间的对应关系。

[0019] 所述测试图应遵循ISO 16067-1标准和ISO 14524：2009标准制作，用于高精度CCD扫描仪和数字相机的密度标定。

[0020] 所述步骤4)中特征边界下面公式来定义：

[0021] ρn＝ρmax-(ρmax-ρmin)×n％，

[0022] 式中ρmax和ρmin为数字印刷品线条/文本样本的最大反射率和最小反射率，分别代表承印物的反射率和线条内墨粉或墨水密集堆积区域的反射率；n可取10、60、75或90，具体取值由特征边界的性质决定。所述步骤4)中线条正边界用线条内相对反射率达到
60％对应值的点连接构成的阈值等高线表示，检测线条正边界时，特征边界公式中n取值应为60。所述步骤4)中线条内边界和外边界分别指线条内相对反射率达到90％和10％对应值的点连接构成的阈值等高线，特征边界公式中n应分别取90和10。

[0023] 所述步骤5)中空间尺度信息是指由图像捕获设备得到的数字图像的像素所代表的实际几何尺度和像素间的实际空间距离。

[0024] 所述步骤6)中线条/文本感知质量的定量评价模型是基于大量的具有不同感知质量的数字印刷线条样本的主观评价实验数据和质量特征指标检测数据的对应组合，可采用模糊神经网络算法或数学建模方法创建的。

[0025] 本发明的有益效果在于：本发明定量检测数字印刷线条与文本的方法，采用定量的数学算法及数值描述方式给出数字印刷品上的线条/文本的综合质量感觉评价结果，替代印刷业长期以来所使用的定性的主观视觉目测评价方法，克服了现有方法所固有的主观性、不一致性和效率低问题。

附图说明

[0026] 图1为本发明数字印刷线条/文本感知质量定量评价的流程图；

[0027] 图2为本发明实施例亮度值与密度值之间对应关系曲线图；

[0028] 图3为本发明实施例亮度值与反射率之间对应关系曲线图；

[0029] 图4为本发明实施例密度标定用的灰梯尺测试图；

[0030] 图5为本发明数字印刷线条感知质量评价模型的建模过程和算法流程图；

[0031] 图6为本发明扫描得到的数字印刷线条样本图像的放大显示图；

[0032] 图7为本发明线条质量评价用的测试图；

[0033] 图8为本发明线条感知质量评价模型创建所使用的模糊神经网络结构图。

具体实施方式

[0034] 本发明涉及一种定量检测数字印刷线条与文本的方法，如图1所示流程图，具体步骤为：

[0035] 第一步：把数字印刷品线条/文本图样经高精度CCD图像捕获设备数字化为RGB模式的数字图像。

[0036] 第二步：把线条/文本的RGB模式数字图像转换为灰度模式的数字图像。图像的亮度计算采用以下变换公式：

[0037] Y＝[0.299R+0.587G+0.114B] (1)

[0038] 式中，R、G、B为扫描仪或数字照相捕获到的彩色图像的像素的红、绿、蓝三个通道分量，[ ]表示作取整处理。

[0039] 第三步：根据图像的亮度信息，依据图像捕获设备的OECF光电转换函数，计算得到数字印刷线条/文本图像的反射率信息。

[0040] 1.OECF光电转换函数

[0041] 图像捕获设备的OECF光电转换函数描述了数字图像的像素值或亮度值与密度之间的对应关系，如图2所示。该对应关系是通过密度标定操作获得的。

[0042] 2.密度标定

[0043] 密度标定的基本方法是：首先利用反射密度计测得灰梯尺测试图中各色块的密度值；然后利用图像捕获设备把灰梯尺测试图数字化并转换为灰度图像，并计算每一个色块的平均亮度值；最后，根据色块的密度信息和平均亮度信息这两组数据，采用三次多项式拟合算法建立图像的亮度值与密度值之间的对应关系。根据该对应关系，可根据图像的亮度值Y计算得到对应的密度D。

[0044] 3.密度与反射率之间的转换

[0045] 根据密度D与反射率ρ之间的转换关系：

[0046] ρ＝10-D (2)

[0047] 式中ρ代表反射率，D表示密度值，计算得到各密度值对应的反射率。这样就可建立亮度值Y与反射率ρ之间的对应关系，由此可根据图像的亮度值Y计算得到对应的反射率ρ，如图3所示。

[0048] 第四步：根据反射率信息识别获取到数字印刷线条/文本的各个特征边界，包括线条的正边界、内边界和外边界等。这些特征边界用公式(3)来定义：

[0049] ρn＝ρmax-(ρmax-ρmin)×n％ (3)

[0050] 式中ρmax和ρmin为数字印刷品线条/文本样本的最大反射率和最小反射率，分别代表纸张等承印物的反射率和线条内墨粉或墨水密集堆积区域的反射率；n可取10、60、75或90，具体取值由特征边界的性质决定。例如，线条正边界用线条内相对反射率达到60％对应值的点连接构成的阈值等高线表示，检测线条正边界时，n取值应为60。线条内边界和外边界分别指线条内相对反射率达到90％和10％对应值的点连接构成的阈值等高线，此时公式3中的n应分别取90和10。

[0051] 第五步：以数字印刷线条/文本的各个特征边界为基础，根据图像捕获设备的空间尺度信息和密度标定信息计算反映线条/文本质量特征的各个质量指标，包括线条或文本笔画的边缘粗糙度、边缘模糊度、对比度、暗度、填充度和线宽误差。

[0052] 其中，线条质量指标的计算原理和图像捕获设备的空间尺度信息的获取方法如下。

[0053] 1.线条质量指标计算原理

[0054] 线条质量指标的计算根据ISO 13660标准定义执行。计算原理如下：

[0055] (1)边缘粗糙度：定义为线条的正边界与其拟合直线间距离的标准偏差；

[0056] (2)边缘模糊度：定义为线条边缘的同侧内边界到外边界的平均距离；

[0057] (3)线宽误差：定义为线条的测量宽度与实际线宽之差。其中线条的测量宽度定义为线条两侧的正边界之间的平均距离。

[0058] (4)线条暗度：定义为线条上ρ75相对反射率阈值等高线所围成区域的平均密度；

[0059] (5)对比度：定义为承印材料的反射率与线条反射率之差与承印材料的反射率的比值；

[0060] (6)线条填充度：定义为线条内边界所构成区域内具有ρ75相对反射率值的区域面积与内边界总面积的比值。

[0061] 2.空间尺度信息计算

[0062] 空间尺度信息提供了高精度CCD平板扫描仪或数字相机得到的数字图像的像素所代表的实际几何尺度和像素间的实际空间距离，是线条边缘粗糙度、模糊度、线宽误差计算的基础。基于扫描仪获取图像的空间尺度信息取决于扫描期间选择的扫描分辨率和放大倍率。即有：

[0063] Δx＝Magnification×25.4/Resolution (4)

[0064] 式中的Magnification和Resolution分别代表扫描放大倍率和扫描分辨率，Δx表示扫描得到的数字图像中像素间的实际距离。

[0065] 第六步：把检测计算得到的数字印刷线条/文本的各个质量指标值作为输入参数，根据本发明所建立的线条/文本感知质量的定量评价模型，计算得到数字印刷线条/文本的感知质量评价得分。

[0066] 其中，线条/文本感知质量的定量评价模型是基于大量的具有不同感知质量的数字印刷线条样本的主观评价实验数据和质量特征指标检测数据的对应组合，采用模糊神经网络算法创建的。具体方法如图5所示建模过程和算法流程图，具体过程如下：

[0067] 第①步：准备大量具有不同感知质量的数字印刷线条样本，图6给出了此类线条样本的一个数字图像实例。这可通过利用喷墨打印机、激光打印机和静电照相成像数字印刷机等多种数字输出设备把图7所示的线条测试图在各种不同等级的承印材料(包括吸收性和非吸收性)上输出得到。图7中的线条具有不同的宽度，可以是黑色线条，也可以是青、品、黄等其它颜色的线条。

[0068] 第②步：通过主观评价实验给出各数字印刷线条样本的感知质量评价得分。主观评价采用等级分类法，由20位具有正常视力的观察者在标准观察箱中开展线条综合感知质量的主观评价实验，评价结果可采用1～7分制，分别对应“很差”、“较差”、“差”、“合格”、“好”、“较好”、“很好”七种质量评价描述。例如，评价结果得分为7，表示数字印刷线条/文本的边缘光滑、清晰、锐利、线宽符合实际要求、无空洞、与背景的对比度高。评价结果得分若为1，则表示数字印刷线条在边缘质量、墨色表现或线宽等方面存在严重的质量问题，给人的总体感觉质量很差。其他得分表示线条质量位于很好和很差之间，由观察者根据线条的边缘、填充、线宽误差等质量特征给出评价结论。最后，把20位观察者的平均评价得分作为线条样本的感知质量得分。

[0069] 第③步：测量数字印刷线条样本的六个质量指标值。采用前文第一步到第五步所描述的方法，测量得到建模用数字印刷线条样本的质量指标值。

[0070] 第④步：组合第②步得到的数字印刷线条样本的主观评价，和第③步得到的客观指标测量值，获得一组数字印刷线条的感知质量得分与客观质量指标值之间的对应数据集合。在模糊数据集创建之前，可先对测量得到的质量指标值与主观感知质量得分数据进行分析处理，删除对主观感知质量得分影响不大的某些质量指标，从而确定一组评价用线条质量指标数量和要素。

[0071] 第⑤步：利用模糊神经网络算法创建数字印刷线条/文本感知质量的定量评价模型。构建模糊神经网络，开展模糊神经网络建模训练与验证，最后得到数字印刷线条/文本感知质量的定量评价模型。

[0072] 其中，创建数字印刷线条/文本感知质量预测评价模型的模糊神经网络的结构如图8所示。图8所示网络的第一层代表输入层，即数字印刷线条样本的质量指标测量值，第(k)二层将输入进行模糊化，第三层进行模糊推理评价，第四层进行去模糊化操作。用I j和(k)
O j分别表示第k层第j个神经元的输入和输出，则整个网络的输入-输出映射关系可表示如下：

[0073] (1)第一层(输入层)：在输入层中，神经元仅仅是将线条的各个质量指标值作为输入而引入网络，不执行任何信息处理。

[0074] O(1)j＝I(1)j＝xj j＝1，2，...，n (5)

[0075] 式中的O(1)j和I(1)j均代表着一组向量数据，I(1)j向量数据的个数由参与模型创建的线条样本数决定，n代表参与线条评价模型创建的质量指标的个数。这里取为6，也可根据质量指标对线条综合感知质量的影响程度不同，舍弃次要的指标而减少输入层的参数数量。

[0076] (2)第二层(模糊化层)：在这一层中，将根据高斯型模糊隶属函数对输入的质量指标值进行模糊化处理。

[0077] I(2)ji＝-(O(1)j-cji)2/bji2，O(2)ji＝exp(I(2)ji) i＝1，2，....，m；j＝1，2，....，n (6)

[0078] 其中，cji，bji分别为第j个输入对应的第i个样本的高斯隶属函数的中心值和宽度，m表示参与评价模型创建的线条样本总数。

[0079] (3)第三层(推理层)：每个神经元代表一条由一个线条样本所提供的模糊规则，执行乘积运算，即“and”操作，如公式(7)所示：

[0080]

[0081] (4)第四层(去模糊化层)：采用中心加权反模糊化操作，执行公式(9)得到综合评价得分。

[0082]

[0083]i

[0084] 式中pj(j＝1，2，...，n；i＝1，2，...，m)为模糊系统参数；Yi就是根据第i条模糊规则即第i个线条样本得到的评价输出结果。

[0085] 在模糊神经网络模型创建过程中，可采用梯度下降法等方法学习调整公式(8)中i的模糊系统参数pj(j＝1，2，...，n；i＝1，2，...，m)，以及公式(6)中的隶属度函数的中心值cji和宽度参数bji，以达到误差函数e的最小化。

[0086]

[0087] 式中，yc是评价网络的期望输出，由公式(9)计算得到；yd是评价网络的实际输出，即参与模型创建的数字印刷线条样本的主观评价得分；e为期望输出和实际输出间的误差。