Projektaufbau – Entrasterungs-KI
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.
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
Des weiteren sind Folgende Dateien wichtig und im SVN hochgeladen:
- Training.mlx
- Training_fortsetzen.mlx
- PatchDatastore.m
- combinedLoss.mlx
- Druckmuster_erstellen_function.mlx
- SynthetischeBilderErzeugen.mlx
- 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.