Projektaufbau – Entrasterungs-KI: Unterschied zwischen den Versionen
| Zeile 4: | Zeile 4: | ||
Dieses Projekt implementiert ein Denoising Convolutional Neural Network (DnCNN) in MATLAB zur Entfernung von Druckrastern. Dabei wird bewusst kein Residual Learning, sondern ein Direct-Mapping-Ansatz verwendet. Das Netzwerk wird direkt darauf trainiert, ein durch ein amplitudenmoduliertes Raster (AM-Raster) geprägtes Bild in ein sauberes, rasterfreies Bild zu transformieren. | Dieses Projekt implementiert ein Denoising Convolutional Neural Network (DnCNN) in MATLAB zur Entfernung von Druckrastern. Dabei wird bewusst kein Residual Learning, sondern ein Direct-Mapping-Ansatz verwendet. Das Netzwerk wird direkt darauf trainiert, ein durch ein amplitudenmoduliertes Raster (AM-Raster) geprägtes Bild in ein sauberes, rasterfreies Bild zu transformieren. | ||
[[: | [[:Media:Am_Raster_Test.png|⬇ Am-Raster-Bild herunterladen (25600×17040, 8,6 MB)]] | ||
Abbildung 1 zeigt exemplarisch ein Bild mit typischer AM-Rasterung, wie sie im Druckprozess entsteht. Abbildung 2 stellt das gewünschte Ziel dar: ein Bild ohne sichtbare Rasterartefakte, bei dem feine Strukturen und Details erhalten bleiben. Klassische Verfahren zur Rasterentfernung arbeiten meist im Frequenzbereich, indem periodische Rasterstrukturen identifiziert, abgeschwächt oder gefiltert werden. Diese Ansätze sind regelbasiert und liefern in einfachen Fällen akzeptable Ergebnisse, stoßen jedoch bei komplexen Bildinhalten oder feinen Details schnell an ihre Grenzen. Im Gegensatz dazu lernt das eingesetzte DnCNN im Rahmen des Direct Mapping die Abbildung vom gerasterten Eingabebild (Abb. 1) auf das saubere Zielbild (Abb. 2) direkt aus Trainingsdaten. Da ein Druckraster nicht nur Störung, sondern auch Bildinformation enthält, ist dieser Ansatz besonders geeignet: Das Netzwerk erkennt typische Rasterstrukturen im Kontext des Bildinhalts und entfernt diese adaptiv, ohne relevante Details zu zerstören. | Abbildung 1 zeigt exemplarisch ein Bild mit typischer AM-Rasterung, wie sie im Druckprozess entsteht. Abbildung 2 stellt das gewünschte Ziel dar: ein Bild ohne sichtbare Rasterartefakte, bei dem feine Strukturen und Details erhalten bleiben. Klassische Verfahren zur Rasterentfernung arbeiten meist im Frequenzbereich, indem periodische Rasterstrukturen identifiziert, abgeschwächt oder gefiltert werden. Diese Ansätze sind regelbasiert und liefern in einfachen Fällen akzeptable Ergebnisse, stoßen jedoch bei komplexen Bildinhalten oder feinen Details schnell an ihre Grenzen. Im Gegensatz dazu lernt das eingesetzte DnCNN im Rahmen des Direct Mapping die Abbildung vom gerasterten Eingabebild (Abb. 1) auf das saubere Zielbild (Abb. 2) direkt aus Trainingsdaten. Da ein Druckraster nicht nur Störung, sondern auch Bildinformation enthält, ist dieser Ansatz besonders geeignet: Das Netzwerk erkennt typische Rasterstrukturen im Kontext des Bildinhalts und entfernt diese adaptiv, ohne relevante Details zu zerstören. | ||
Version vom 6. Januar 2026, 16:36 Uhr
Aufbau
Dieses Projekt implementiert ein Denoising Convolutional Neural Network (DnCNN) in MATLAB zur Entfernung von Druckrastern. Dabei wird bewusst kein Residual Learning, sondern ein Direct-Mapping-Ansatz verwendet. Das Netzwerk wird direkt darauf trainiert, ein durch ein amplitudenmoduliertes Raster (AM-Raster) geprägtes Bild in ein sauberes, rasterfreies Bild zu transformieren.
⬇ Am-Raster-Bild herunterladen (25600×17040, 8,6 MB)
Abbildung 1 zeigt exemplarisch ein Bild mit typischer AM-Rasterung, wie sie im Druckprozess entsteht. Abbildung 2 stellt das gewünschte Ziel dar: ein Bild ohne sichtbare Rasterartefakte, bei dem feine Strukturen und Details erhalten bleiben. Klassische Verfahren zur Rasterentfernung arbeiten meist im Frequenzbereich, indem periodische Rasterstrukturen identifiziert, abgeschwächt oder gefiltert werden. Diese Ansätze sind regelbasiert und liefern in einfachen Fällen akzeptable Ergebnisse, stoßen jedoch bei komplexen Bildinhalten oder feinen Details schnell an ihre Grenzen. Im Gegensatz dazu lernt das eingesetzte DnCNN im Rahmen des Direct Mapping die Abbildung vom gerasterten Eingabebild (Abb. 1) auf das saubere Zielbild (Abb. 2) direkt aus Trainingsdaten. Da ein Druckraster nicht nur Störung, sondern auch Bildinformation enthält, ist dieser Ansatz besonders geeignet: Das Netzwerk erkennt typische Rasterstrukturen im Kontext des Bildinhalts und entfernt diese adaptiv, ohne relevante Details zu zerstören.
Technische Vorraussetzungen
Folgender Befehl in der Kommandozeile gibt immer alle Notwendigen Toolboxen zurueck.
[files, products] = matlab.codetools.requiredFilesAndProducts("Datei.mlx")
Stand 06.01.2026 sollten folgende Toolboxen installiert werden:
- Deep Learning Toolbox
- Image Processing Toolbox
- Parallel Computing Toolbox
- System Identification Toolbox
- Signal Processing Toolbox
Training
B