Работа посвящена исследованию эффективности нового гибридного алгоритма оптимальной тоновой аппроксимации монохромных мультитоновых изображений в сравнении с применяемыми в настоящее время алгоритмами. Все такие алгоритмы построены на замене тонов исходного изображения, выполненного в палитре с определенным количеством тонов, тонами аппроксимирующей палитры, содержащей меньшее количество тонов, наиболее важных для передачи изображения.
Гибридная модель оптимизации построена как комбинация эвристического эволюционно-генетического алгоритма субоптимизации результата аппроксимации монохромных мультитоновых изображений и детерминированного алгоритма, обеспечивающего нахождение экстремального результата для той же задачи. Для оценки качества аппроксимации используется нестандартный критерий минимума суммы модулей отклонений, более высокая эффективность которого, в сравнении с традиционным квадратичным, доказана предыдущими исследованиями. Целью эволюционно-генетического алгоритма в составе гибридного является нахождение области поиска оптимума используемого критерия и максимальное ее сокращение. Попадание в область структур аппроксимирующей палитры, близкую к оптимальной, сокращает путь поиска экстремума качества аппроксимации детерминированному алгоритму, который работает значительно медленнее, т.к. пользуется, хоть и модифицированным, но все равно ресурсозатратным алгоритмом перебора. Для сравнения использованы два наиболее распространенных подхода к решению данной задачи: алгоритм медианного сечения и метод k-средних. Сравнение осуществлено на разнородной выборке изображений. Оно продемонстрировало весомое преимущество гибридной модели оптимальной аппроксимации перед альтернативными методами, показав от 5% до 15% улучшения качества аппроксимации. Кроме того, в рамках исследования разработаны новые подходы определения стартовой позиции алгоритма k-средних, что дает перспективы расширения области сравнительного исследования гибридной модели оптимизации, а также возможности по разработке новых моделей тоновой аппроксимации.