Projektaufbau – Entrasterungs-KI

Worum geht es in dem Projekt?

In diesem Projekt wird ein Denoising Convolutional Neural Network (DnCNN) in MATLAB implementiert, das zur Entfernung von Druckrastern eingesetzt wird. Anders als beim klassischen DnCNN-Ansatz wird kein Residual Learning verwendet. Stattdessen kommt ein Direct-Mapping-Ansatz zum Einsatz. Das Netzwerk wird direkt darauf trainiert, ein Bild, das durch ein amplitudenmoduliertes Raster (AM-Raster) geprägt ist, in ein sauberes, rasterfreies Bild zu überführen.

Damit dieser Ansatz funktioniert, müssen mehrere vorbereitende Schritte durchgeführt werden. Obwohl die KI die Transformation grundsätzlich kanonisch und bijektiv umsetzt (AM-Bild → normales Bild), ist ein Preprocessing erforderlich. Eine vollständig in die KI integrierte Lösung konnte bisher nicht gefunden werden, trotz intensiver Bemühungen.

Was ich damit genau meine, wird im weiteren Verlauf des Artikels noch ausführlich erläutert.

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:

1. Deep Learning Toolbox
2. Image Processing Toolbox
3. Parallel Computing Toolbox
4. System Identification Toolbox
5. Signal Processing Toolbox

Des weiteren sind Folgende Dateien wichtig und im SVN hochgeladen:

1. Training.mlx
2. Training_fortsetzen.mlx
3. PatchDatastore.m
4. combinedLoss.mlx
5. Druckmuster_erstellen_function.mlx
6. SynthetischeBilderErzeugen.mlx
7. KI_Test_Fertig.mlx

Exemplarische Durchfuehrung

Der Prozess findet wie folgt statt. ALs erste muss man aus einem beligiben Bild ein synthethisches Bild Erzeugen, dass die Eigenschaften eines Druckrasters hat oder man nimmt ein bild das berits das druckraster hat. Hierbei ist nur das Problem, dass der Moire effekt enstehen kann da wir auf einem bereits echten druckmuster ein weiteres druckmuster erstellen und die KI ist noch nicht in der Laage dies zu bewältigen. Das wäre ein Schritt fuer de zukunft. Also am besten ein frisches es kann auch bunt sein das ergebniss wird aber am ende schwarz weis weshalb wenn sie kontrollieren wollen wie gut es zum orginal ist fuehren sie mit dem buntbild noch zunächst den code aus

img = imread("Ergebnisse_VonSynthetischenDruckraster_ZuNormal\PommesPizza.jpg");
img = im2gray(img);
imwrite(img,"Ergebnisse_VonSynthetischenDruckraster_ZuNormal\BlackWhite_PommesPizza.jpg")

⬇ Am-Raster-Bild-Nach-KI-Anwendung 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.