Screentone Removal 理解
理解论文《Separation of Manga Line Drawings and Screentones》中的算法。
Screentone removal mask
计算 LoG 过滤后的值
论文中采用高斯拉普拉斯滤波（Laplacian of Gaussian Filter）来作为去除网点的 Mask，这是由于 LoG 过滤器有以下特点：
- 过滤之后，线条处值比较大，其他地方值比较小
- 过滤之后值为负数的像素不太可能是线条
处理过滤后图像
- 将过滤后图像中的负数置零
二值化过滤后的图像
所谓二值化就是按照一个门槛值，把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值。需要注意的是，二值化只能在灰度图片中进行。
论文中使用大津法产生自适应阈值。
自适应选取窗口值算法
使用 LoG 需要接受窗口值来作为参数，LoG 也是基于高斯函数，即正态分布函数，正态分布函数需要接受 σ 作为参数。函数的标准差 σ 越大，函数越平缓（分布较为分散），σ 越小函数越尖（分布更集中）。
而窗口大小，也就是卷积核的长宽可以通过正态分布的特点来确定，因为太远的地方函数的数值可以忽略不计。二者相互换算的公式可以看这篇博客，具体公式如下：
\sigma = 0.3 \times ((ksize - 1) \times 0.5 - 1) + 0.8该算法则是为了自适应地选取窗口大小来计算 LoG 的值。
评判标准与一些指标
- 连通域标准（Connected Component Criteria，CCC）
- 停止标准（Stop Criteria， STC）
- 连通分量数（Number of Connected Component， NCC）
公式如下：
CCC_i = 1 - \frac{NCC(M_{LoG_i})}{NCC(M_{LoG_{i - 2}})}
STC_i = \frac{NCC(M_{LoG_i})}{NCC(M_{LoG_1})} \times |NCC(M_{LoG_i}) - NCC(M_{LoG_{i - 2}})|其中 $CCC_i$ 显示随着 i 的增加连通域的下降，当其取得最大值的时候表示此时网点去除效果最好。论文中指出，当有多个峰值的时候，更大的 i 会有更好的结果，因此设置参数 β = 0.8 来获得更大的 i 值，称为松弛因子。
$STC_i$ 表示停止的条件，如果数值小于门槛值（一般设为 α = 0.8）就会停止。它用来显示当前 i 的连通区域的数量变化情况。
算法思想
通过迭代，在 STC 大于门槛的情况下，取得最大的 CCC。
在得到最好的 i 值之后，论文中指出，实际情况当 i 比计算出来的值大一些时能取到更好的效果。
而当有黑色网点，且 i 过大时，线条会太粗，于是引入 $i_{base}$ 来处理这种情况，让结果的线条更细。
以上公式为：
i_{LoG} += 4
i_{base} = min(\frac{i}{2}, i_{LoG})
M_{rm} = M_{LoG_i} \wedge M_{LoG_{i_{base}}}运行结果如下：
