本发明涉及qr码图像识别的技术领域,尤其涉及一种基于自适应尺度控制的qr码图像快速盲去模糊方法。
背景技术:
二维码作为移动互联网的入口,应用越来越广泛,尤其是qr码在物流运输,产品溯源和农作物养殖等方面提供了许多便利。由于采集方法的不同,经常会存在qr码图像模糊的情况,造成难以识别的问题。目前在模糊qr码图像的识别处理中,由于难以提前获知到模糊核的信息,通常采用盲去模糊方法,在盲去模糊的优化模型中引入不同形式的先验知识作为约束项,并采用多尺度方法求解模糊核,但由于这些先验知识中没有结合qr码图像特点,qr码图像去模糊质量较低,同时由于计算过程中采用多尺度方法求解,盲去模糊的速度较慢。
技术实现要素:
本发明为解决现有的qr码图像去模糊方法恢复效果和效率都较低的问题,提供了一种基于自适应尺度控制的qr码图像快速盲去模糊方法。
为实现以上发明目的,而采用的技术手段是:
一种基于自适应尺度控制的qr码图像快速盲去模糊方法,包括以下步骤:
s1.获取原始qr码的模糊图像并进行归一化处理;
s2.设置模糊核大小并对模糊图像和模糊核进行多尺度划分;
s3.根据多尺度划分结果,从粗到细交替求解得到各尺度的估计模糊核;
s4.根据求解得到的估计模糊核对所述模糊图像进行非盲去模糊;
s5.使用图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价,判断所述清晰图像的清晰度评价值是否大于预设的可识别清晰度阈值或所述清晰图像的当前尺度是否为最高尺度,若是,则输出所述清晰图像;若否,则在下一尺度上重复执行步骤s3。
上述方案中,通过对qr码的模糊图像进行多尺度模糊核估计,从粗到细逐步输出各尺度的估计模糊核和估计清晰图像实现qr码图像快速去模糊,通过图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价,判断在较小尺度下取得的估计结果是否已提前达到可识别的标准,进而实现不同模糊程度qr码图像的自适应尺度控制。
优选的,所述步骤s1中进行归一化处理后得到规范的qr码模糊图像,其尺寸大小为l×l,l>0。
优选的,所述步骤s2具体包括以下步骤:
s21.设置模糊核大小ks,并统计划分尺度数n:
其中c为划分的各尺度间隔比例,为常数;b为下采样的尺度阈值,为常数;
s22.根据步骤s21的模糊核大小ks和尺度数n对所述模糊图像和模糊核进行尺度划分,其中划分的各尺度间隔比例为c,下采样的尺度阈值为b,并且划分的模糊核尺度大小通过向上取整至最近的奇数得到,得到尺度划分后相对应的模糊图像和模糊核尺度大小列表。
优选的,所述步骤s3具体包括以下步骤:
s31.求解估计清晰图像:以l0正则项描述qr码图像的梯度和强度,构造求解估计清晰图像的模型,具体为:
其中,x是估计清晰图像,y是模糊图像,k是模糊核,λ为权重参数,▽x为qr码图像的梯度,
s32.求解估计模糊核:构造求解估计模糊核的模型,具体为:
其中,x是估计清晰图像,y是模糊图像,k是模糊核,γ为权重参数;
s33.根据尺度划分后相对应的模糊图像和模糊核尺度大小列表,在当前尺度上执行以下过程:模糊图像y下采样到当前尺度,模糊核k由上一尺度的结果用双线性插值法上采样到当前尺度,若当前尺度为第一尺度,则初始化模糊核k;其中模糊图像y通过步骤s31进行迭代更新,模糊核k通过步骤s32进行迭代更新;重复执行所述过程直至达到预设的迭代次数最大值,输出此时当前尺度的模糊核k1即为当前尺度的估计模糊核;其中初始化的模糊核k有两个值,当前尺度的模糊图像中
优选的,所述步骤s5具体为:使用tenengrad梯度法对去模糊后的清晰图像进行清晰度评价,具体公式为:
其中n为图像的尺度数,(x,y)为图像中的像素点,s=gx2+gy2,gx和gy分别为sobel水平算子和sobel垂直算子。
优选的,所述步骤s1中在进行归一化处理前还包括:判断所述模糊图像是否为灰度图像,若是则无需进行灰度转换,若否则将所述模糊图像转换为灰度图像。
优选的,所述步骤s4具体为:根据求解得到的估计模糊核,利用步骤s31中所述的求解估计清晰图像的模型对所述模糊图像进行非盲去模糊,得到清晰图像。
与现有技术相比,本发明技术方案的有益效果是:
本发明方法通过对qr码的模糊图像进行多尺度模糊核估计,从粗到细逐步输出各尺度的估计模糊核和估计清晰图像实现qr码图像快速去模糊,在求解估计清晰图像的过程中,引入了关于qr码图像强度和梯度作为先验知识,优化了模糊图像的恢复效果,使得不可识别的模糊qr码图像快速盲去模糊后,能达到可识别的标准;另外通过图像清晰度检测方法对去模糊后的清晰图像进行清晰度评价,判断在较小尺度下取得的估计结果是否已提前达到可识别的标准,进而实现不同模糊程度qr码图像的自适应尺度控制。本发明在提高不可识别的模糊qr码图像去模糊速度的同时,也确保了qr码图像去模糊的质量,解决了现有的qr码图像去模糊方法恢复效果和效率都较低的问题。
附图说明
图1为实施例2的总流程图。
图2为实施例2中原始qr码的模糊图像及其不同尺度下对应的估计清晰图像;
图3为实施例2中原始qr码的模糊图像及其不同尺度下对应估计清晰图像与清晰度评价值q;
图4为实施例2中输入的qr码的模糊图像;
图5为实施例2中实际中间过程生成的各尺度去模糊后的清晰图像及其对应的清晰度评价值q;
图6为实施例2中最终输出的清晰图像。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于自适应尺度控制的qr码图像快速盲去模糊方法,如图1所示,包括以下步骤:
s1.获取原始qr码的模糊图像,判断所述模糊图像是否为灰度图像,若是则无需进行灰度转换,若否则将所述模糊图像转换为灰度图像并进行归一化处理,得到规范的qr码模糊图像,其尺寸大小为300×300;
s2.设置模糊核大小并对模糊图像和模糊核进行多尺度划分;
具体包括以下步骤:
s21.设置模糊核大小ks,并统计划分尺度数n:
其中c为划分的各尺度间隔比例,c取值为
s22.根据步骤s21的模糊核大小ks和尺度数n对所述模糊图像和模糊核进行尺度划分,其中划分的各尺度间隔比例为
s3.根据多尺度划分结果,从粗到细交替求解得到各尺度的估计模糊核;
具体包括以下步骤:
s31.求解估计清晰图像:以l0正则项描述qr码图像的梯度和强度,构造求解估计清晰图像的模型,具体为:
其中,x是估计清晰图像,y是模糊图像,k是模糊核,λ为权重参数,▽x为qr码图像的梯度,
s32.求解估计模糊核:构造求解估计模糊核的模型,具体为:
其中,x是估计清晰图像,y是模糊图像,k是模糊核,γ为权重参数;
s33.根据尺度划分后相对应的模糊图像和模糊核尺度大小列表,在当前尺度上执行以下过程:模糊图像y下采样到当前尺度,模糊核k由上一尺度的结果用双线性插值法上采样到当前尺度,若当前尺度为第一尺度,则初始化模糊核k;其中模糊图像y通过步骤s31进行迭代更新,模糊核k通过步骤s32进行迭代更新;重复执行所述过程直至达到预设的迭代次数最大值,输出此时当前尺度的模糊核k1即为当前尺度的估计模糊核;其中初始化的模糊核k有两个值,当前尺度的模糊图像中
s4.根据求解得到的估计模糊核对所述模糊图像进行非盲去模糊;即根据求解得到的估计模糊核,利用步骤s31中所述的求解估计清晰图像的模型对所述模糊图像进行非盲去模糊,得到清晰图像;
s5.使用tenengrad梯度法对去模糊后的清晰图像进行清晰度评价,判断所述清晰图像的清晰度评价值是否大于预设的可识别清晰度阈值或所述清晰图像的当前尺度是否为最高尺度n,若是,则输出所述清晰图像;若否,则在下一尺度上重复执行步骤s3;
使用tenengrad梯度法对去模糊后的清晰图像进行清晰度评价的具体公式为:
其中n为图像的尺度数,(x,y)为图像中的像素点,s=gx2+gy2,gx和gy分别为sobel水平算子和sobel垂直算子。
实施例2
一种基于自适应尺度控制的qr码图像快速盲去模糊方法,包括以下步骤:
在本实施例2中预设迭代次数最大值rmax=5,预设qr码图像的可识别清晰度阈值qmax=[-,18021,25518,54870,60706,103984]。
s1.获取原始qr码的模糊图像,判断所述模糊图像是否为灰度图像,若是则无需进行灰度转换,若否则将所述模糊图像转换为灰度图像并进行归一化处理,得到规范的qr码模糊图像,其尺寸大小为300×300;
s2.设置模糊核大小并对模糊图像和模糊核进行多尺度划分;
具体包括以下步骤:
s21.设置模糊核大小ks=30×30,并统计划分尺度数n:
其中c为划分的各尺度间隔比例,c取值为
s22.根据步骤s21的模糊核大小ks和尺度数n对所述模糊图像和模糊核进行尺度划分,其中划分的各尺度间隔比例为
s3.根据多尺度划分结果,从粗到细交替求解得到各尺度的估计模糊核;
具体包括以下步骤:
s31.求解估计清晰图像:以l0正则项描述qr码图像的梯度和强度,构造求解估计清晰图像的模型,具体为:
其中,x是估计清晰图像,y是模糊图像,k是模糊核,λ为权重参数,▽x为qr码图像的梯度,
s32.求解估计模糊核:构造求解估计模糊核的模型,具体为:
其中,x是估计清晰图像,y是模糊图像,k是模糊核,γ为权重参数;
s33.根据尺度划分后相对应的模糊图像和模糊核尺度大小列表,在当前尺度上执行以下过程:模糊图像y下采样到该尺度,模糊核k由上一尺度的结果用双线性插值法上采样到该尺度,若该尺度为第一尺度,则初始化模糊核k;其中模糊图像y通过步骤s31进行迭代更新,模糊核k通过步骤s32进行迭代更新;重复执行所述过程直至达到预设的迭代次数最大值rmax,输出此时该尺度的模糊核k1。
s4.根据求解得到的估计模糊核对所述模糊图像进行非盲去模糊;即根据求解得到的估计模糊核,利用步骤s31中所述的求解估计清晰图像的模型对所述模糊图像进行非盲去模糊,得到清晰图像;如图2所示为本实施例2中原始qr码的模糊图像及其不同尺度下对应的估计清晰图像;
s5.使用tenengrad梯度法对去模糊后的清晰图像进行清晰度评价,判断所述清晰图像的清晰度评价值q是否大于预设的可识别清晰度阈值qmax或所述清晰图像的当前尺度是否为最高尺度,若是,则输出清晰图像;若否,则在下一尺度上重复执行步骤s3;如图3所示为原始qr码的模糊图像及其不同尺度下对应估计清晰图像与清晰度评价值q;
使用tenengrad梯度法对去模糊后的清晰图像进行清晰度评价的具体公式为:
其中n为图像的尺度数,(x,y)为图像中的像素点,s=gx2+gy2,gx和gy分别为sobel水平算子和sobel垂直算子。
而在本实施例2中,实际过程计算至第三个尺度对应的清晰图像时即满足清晰度评价的要求,因此实际中间过程共产生了三个去模糊后的清晰图像,如图4所示为在本次实验中输入的qr码的模糊图像,如图5所示为实际中间过程生成的各尺度去模糊后的清晰图像及其对应的清晰度评价值q,如图6所示为最终输出的清晰图像。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。