顶级 - 常规随机噪声。底部 - 高通和直方图重新映射。
其频谱也看起来很有希望：
但是，仍然有这个尾随的低通分量。它并没有包含大量的能量，但仍然可以在抖动图像中引入一些可见的低通误差。
现在我们能做的就是再次应用这个技术，下面使我们得到的：
显然频谱看起来更好，整个算法简单实用，而且我们可以根据需要多次使用它。不幸的是，无论我们重新应用多少次，都不可能“修复”所有可能的问题点。
我以这种方式思考，如果图像的某些区域仅包含非常低的频率，则在应用高通滤波器之后，将获得非常接近于零的相邻值。在直方图重映射之后，它们将被重新映射到类似的相邻值。
小部分序列具有局部最小值，该算法重复甚至10次都无法退出。注意几乎均匀的灰色区域。
使用不同的高通滤波器或在迭代之间增加一些噪声或检测这些有问题的区域，并且对“修复”它们将有所帮助，但是这不仅仅是本文和原始技术的范围。
值得注意的是，原始算法给出的序列不完美吗，但也足够了，虽然它留下了相当差的局部斑点，但是在全球优化了频谱。
结果
让我们来看看我们的初始的，简单的一维抖动二进制量化：
