半色调是将连续灰度图像转化成图像只含有0和1两个像素值的技术。逆半调是半色调的逆过程，可应用于图像的锐化、大小调整、校色、压缩等图像处理中。现有的逆半调技术可分为通用逆半调技术和专用逆半调技术。专用逆半调需要预先知道产生半色调图像的技术，获取的逆半调图像效果最好。通用逆半调技术不需产生半色调图像的相关知识，但图像重建效果比专用逆半调技术差。获取半色调图像的类别对于改善图像重建质量是非常必要的。论文对半色调图像分类方法进行了较深入的研究，主要工作如下：1）提出了基于单元信息熵的半色调图像有效子块提取方法。改进了单元信息熵的计算策略，以消除了“单元”之间的信息冗余。然后，将半色调图像按照一定的规则分成若干子块，计算子块中每个像素点为中心的M M邻域信息熵，形成单元信息熵矩阵，并求得熵矩阵的均值与方差。由此，建立了获取有效子块的规则。2）提出了一种适应半色调图像特征提取的改进灰度共生矩阵。由于半色调图像是二值图像，运用传统灰度共生矩阵特征建模效果不佳。对半色调图像有效子块的每个像素点设定8个方向，每个方向设定步长值D，使用“异或”运算求取每对像素点的值并且将其累加作为统计特征值。将构建的特征向量作为BP神经网络输入进行分类。实验结果表明，改进灰度共生矩阵的分类准确率优于传统灰度共生矩阵。3）提出一种基于改进Segma二阶统计矩方法。Segma二阶统计矩能够很好地解决传统协方差矩阵在黎曼空间进行特征匹配时较大的时间消耗，但其只能适应协方差矩阵行列式值大于0的情况。主要思想为：对协方差矩阵进行奇异值分解，将分解之后的奇异值与对应的奇异向量通过一定组合，构成新Segma集合，称为Segma_g集合。数学证明了当协方差矩阵行列式为0时，Segma_g集合能完全代表其特征。并将Segma_g集合用于半色调图像特征建模。实验证明，Segma_g统计矩的分类准确率优于Segma统计矩，且特征匹配时间开销比传统协方差矩阵更低。