CN103927765B - 用于定位图像中条码区域的方法和装置 - Google Patents
用于定位图像中条码区域的方法和装置 Download PDFInfo
- Publication number
- CN103927765B CN103927765B CN201410060915.1A CN201410060915A CN103927765B CN 103927765 B CN103927765 B CN 103927765B CN 201410060915 A CN201410060915 A CN 201410060915A CN 103927765 B CN103927765 B CN 103927765B
- Authority
- CN
- China
- Prior art keywords
- bar code
- unit
- cluster
- standard deviation
- distribution law
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 238000007621 cluster analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000449 premovement Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于定位图像中条码区域的方法和装置,其中,该包括:将图像划分为多个单元,每个单元内包括多个像素;对每个单元内的像素属性值进行标准差计算,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线;对分布律曲线进行聚类分析,确定分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域;对于每一个条码的中心区域,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断条码的边界。本发明的有益效果在于,在获得图像之后通过基于图像内的各单元的标准差对图像的条码区域进行判断,能够在不依赖条码的探测图形的情况下确定条码区域的中心和边界,提高了确定条码区域的效率,并且减少存储空间消耗。
Description
技术领域
本发明涉及图像处理领域,特别地,涉及一种用于定位图像中条码区域的方法和装置。
背景技术
尽管目前处理器的速度越来越快,但是高速处理器成本非常昂贵,并且功耗非常高。而相反。高分辨率的CMOS却成为商用CMOS的主流,低分辨率的CMOS产品逐渐停产,极难采购。
因此使用高分辨率的CMOS以及低速处理器成为条码解码设备的最理想选择。但是这是相互矛盾的。
分辨率越高,需要的存储空间越多,需要的处理能力越强。而在使用时,尽管解码设备往往有瞄准LED,但是解码引擎却不能总是假定条码一定会出现在图像中心位置。因此,快速,高效,低漏警率的检测条码所在大致区域的方法就显得很有必要。一旦确定条码的大致范围,就可以将图像的这部分区域单独处理,等效于将图像进行裁剪,降低了存储空间,同时降低了运算量,可以在一个较小的局部范围内进行较为复杂的运算,而不会显著提高解码时间。
另外,二维条码的发展迅速,每年都有新的公有或者私有制的二维条码产生,而每一种二维条码的探测图形都不同,因此如果使用二维条码的探测图形作为定位标志,则必须首先在全图像范围内,找各种条码的探测图形,这是一个工作量非常大的工作,对于少数几种条码是可行的,对于支持十几种甚至几十种条码的引擎是不现实的,因此在没有判定条码种类的情况下就确定条码范围也是一个客观需求。
发明内容
本发明所要解决的问题是在没有判定条码种类的情况下确定条码区域的范围,提供一种用于定位图像中条码区域的方法和装置。
为了解决上述问题,本发明提供一种用于定位图像中条码区域的方法,包括:
将所述图像划分为多个单元,每个单元内包括多个像素;
对每个所述单元内的像素的属性值进行标准差计算,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线;
对所述分布律曲线进行聚类分析,确定所述分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域;
对于每一个条码的中心区域,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断所述条码的边界。
作为优选地,对每个所述单元内的像素的属性值进行标准差计算之后,所述方法进一步包括:
根据所述多个单元的标准差计算所述图像的信噪比;
在所述信噪比小于信噪比阈值的情况下,判定所述图像内不存在条码。
作为优选地,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线的步骤包括:
对所述多个单元的标准差进行归一化计算,并对归一化的标准差进行分布律统计得到分布律曲线。
作为优选地,对所述分布律曲线进行聚类分析的步骤包括:
对所述分布律曲线进行卷积运算得到多个局部峰值和多个局部谷值,并且将大于所述预定峰阈值的局部峰值所在的区域形成一个第一聚类,其中,每个第一聚类所包括的单元其所对应的标准差在不同的预定范围内;
在每两个第一聚类之间的局部谷值大于预定谷阈值的情况下,合并该两个第一聚类得到第二聚类。
作为优选地,所述卷积运算的步长为20。
作为优选地,在所述多个局部峰值全部小于所述预定峰阈值的情况下,判定所述图像内不存在条码。
作为优选地,确定所述分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域的步骤包括:
对于每个第二聚类,从所述图像的中心位置开始,以一固定面积遍历所述图像,当所遍历到的区域内的属于该第二聚类的标准差的单元的密度大于下一个遍历区域的属于该第二聚类的标准差的单元的密度时,停止遍历,并定义当前所述阈定面积所在的区域为该项的局部密度峰值点;
在该项的局部密度峰值点大于第一密度阈值的情况下,确定该项的局部密度峰值点所在的位置为条码的中心区域。
作为优选地,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断所述条码的边界包括:
对于每个第二聚类,以所述固定面积为范围的所述条码的中心区域向四周扩展,在扩展以后的扩展区域内该第二聚类的密度值小于第二密度阈值时,停止扩展,并以停止时的前一个扩展区域为所述条码的边界。
作为优选地,所述属性值包括以下至少之一:
灰度值、RGB中任一值、色差值。
根据本发明的另一个方面,提供了一种用于定位图像中条码区域的装置,包括:
划分模块,用于将所述图像划分为多个单元,每个单元内包括多个像素;
计算模块,用于对每个所述单元内的像素的属性值进行标准差计算,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线;
分析模块,用于对所述分布律曲线进行聚类分析,确定所述分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域;
对比模块,用于对于每一个条码的中心区域,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断所述条码的边界。
本发明的有益效果在于,在获得图像之后通过基于图像内的各单元的标准差对图像的条码区域进行判断,能够在不依赖条码的探测图形的情况下确定条码区域的中心和边界,提高了确定条码区域的效率,并且减少了存储空间消耗。
本发明的有益效果还在于,计算简单,运算速度快,效率高,不需要条码的任何先验知识,支持对一幅图像上多个条码进行定位,定位精度高,区域划分准确。
本发明的有益效果还在于,具有极低的漏警率,即如果本发明的算法判定图像中没有条码,则其判定的可信度极高,从而为后继算法提供非常高效率的参考。
附图说明
图1为根据本发明实施例的用于定位图像中条码区域的方法;
图2为根据本发明的一个实施例的基于灰度属性定位图像中条码区域的方法;
图3为根据本发明的一个实施例对图像进行划分的示意图;
图4为根据本发明的一个实施例确定局部密度最大值的示例图。
具体实施方式
以下结合附图对本发明的进行详细描述。
根据本发明的实施例,提供了一种用于定位图像中条码区域的方法。
如图1所示,根据本发实施例的方法包括:
步骤S101,将图像划分为多个单元,每个单元内包括多个像素;
步骤S103,对每个单元内的像素的属性值进行标准差计算,此前可以根据属性值先计算每个单元内所有像素的平均值,然后计算标准差,并且,在此之后,还可以根据多个单元的标准差计算图像的信噪比;在信噪比小于信噪比阈值的情况下,判定图像内不存在条码,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线,进一步地,包括对多个单元的标准差进行归一化计算,优选地,将多个单元的标准差取值范围归一化为0~255,并对归一化的标准差进行分布律统计得到分布律曲线,每个单元可包括N×N个像素(N可以为任何大于1的整数),不足部分可以剔除;
步骤S105,对分布律曲线进行聚类分析,包括对分布律曲线进行卷积运算(作为优选,卷积运算的步长为20)得到多个局部峰值和多个局部谷值,并且将大于预定峰阈值的局部峰值所在的区域形成一个第一聚类,其中,每个第一聚类所包括的单元其所对应的标准差在不同的预定范围内,在多个局部峰值全部小于预定峰阈值的情况下,判定图像内不存在条码;在每两个第一聚类之间的局部谷值大于预定谷阈值的情况下,合并该两个第一聚类得到第二聚类,然后确定分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域;
步骤S107,对于每一个条码的中心区域,对比该中心区域与邻近区域的单元的标准差判断条码的边界。
作为优选,确定分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域包括:
对于每个第二聚类,从图像的中心位置开始,以一固定面积遍历图像,当所遍历到的区域内的属于该第二聚类的标准差的单元的密度大于下一个遍历区域(判定下一个遍历区域的步骤可以包括:在当前遍历区域中判断向四个方向移动一行或者一列单元以后,哪个方向移动以后的遍历区域内的属于该第二聚类的标准差的单元的密度最大,则定义该方向为下一个遍历方向,从而向该方向移动得到下一个遍历区域)的属于该项的标准差的单元的密度时,停止遍历,并定义当前阈定面积所在的区域为该项的局部密度峰值点;
在该项的局部密度峰值点大于第一密度阈值的情况下,确定该项的局部密度峰值点所在的位置为条码的中心区域。
作为优选,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断条码的边界包括:
对于每个第二聚类,以固定面积为范围的条码的中心区域向四周扩展,在扩展以后的扩展区域内该第二聚类的密度值小于第二密度阈值时,停止扩展,并以停止时的前一个扩展区域为条码的边界。作为优选,属性值包括以下至少之一:灰度值、RGB中任一值、色差值。
根据本发明的实施例,提供了一种用于定位图像中条码区域的方法,该方法基于图像的灰度属性,如图2所示,为根据本发明实施例的用于定位图像中条码区域的方法的流程图,根据本发明实施例的包括:
步骤S201,将图像划分为多个单元,每个单元包括8×8个像素,假设图像宽度为Width,图像高度为Height,在图像分为多个单元之后,各个单元组成一个长宽为W×H的矩阵,其中则获得个单元,则所有单元的个数N=W×H,每个单元记作Bi;i=1,2,3...N,其中[]表示向下取整运算,即在Width和Height不是8的整数倍时,直接剔除不足8×8的部分(即,去除余数部分,对结果进行取整),在本发明的实施例中,进行取整不会影响计算精度。如图3所示,为根据本发明的一个实施例进行图像划分的示意图,图3示意性地将图像划分为9个单元,并剔除了余数。
步骤S203,统计每一单元的均值及标准差,包括:
a.对于每一单元Bi;i=1,2,3...N,计算所有单元的平均灰度,由于图像中每一单元均被视为一个总体,因此自然获得对应每个总体的64个样本,计算公式为:
其中,f(x,y)表示坐标为(x,y)的像素点的灰度值;
Bi表示第i个单元;
(x,y)∈Bi表示坐标点(x,y)属于单元Bi的范围。
b.再根据平均灰度Ei计算各个单元的标准差,使用总体标准差公式计算标准差,计算公式为:
其中:
Di表示第i个单元的标准差。计算结果如果为分数,则四舍五入取整数。
步骤S205,计算图像的信噪比SNR,主要包括:
所有单元中,标准差最小的单元为噪声单元,取Dmin=Min(Di);i=1,2,3...N标准差最大的单元为信号单元,取Dmax=Max(Di);i=1,2,3...N信噪比为信号单元与噪声单元标准差之比取对数则,
步骤S207,判断SNR是否大于预定值,SNR表示图像噪声等级,同时也表征了信号与噪声的相对强度,该值越大表示图像噪声相对越弱,图像质量越好;当SNR很低时,表示图像质量非常差,信号与噪声难以区分,此时说明图像中不可能有条码。因此,可根据需求先设定一个预定值,在SNR小于预定值(优选地,预定值可以设为5db、15db、20db)的情况下,则判定图像质量为无法解码,即,判定图像中无任何条码,本算法结束,操作返回。否则判定图像中可能包含条码,进行下一步。
步骤S209,在信噪比SNR大于预定值的情况下,判定图像中存在条码,然后,统计所有单元的标准差分布f(x),将图像的各个单元的的标准差看成一个随机变量,统计其分布,主要包括:
a.将Di归一化,由于标准差与图像多方面的质量有关,因此其取值范围非常广,为了更好地表征条码特征,必须对其进行归一化,利用标准差的最大值与最小值将所有单元的标准差归一化,其取值范围归一化为0~255,具体包括:
则Di的取值范围全部变为[0,255],可以用于统计分布律。
(在未示出的实施例中,也可以运用以下公式进行计算:其中:Round{}表示四舍五入运算)
b.统计分布律:
其中:
f(x)表示归一化的标准差的分布律;
X表示统计量,x表示样本取值;
通过以上步骤可以得到一条分布律曲线,该曲线具有如下特征:其自变量范围为0~255,且全部为整数;其因变量范围为0~1,且全部为有理数;因变量的最大值与最小值必然不相等,即曲线至少有一个峰值点和一个谷点。该曲线表明各个归一化后标准差可能取值的出现概率。概率越高,说明这种取值范围的单元数量越多。当高取值的标准差出现的概率较高时,表明出现了许多变化丰富的单元,这些单元可能出现在条码内部的单元,因此,当这些单元在空间上集中出现时,就表示条码在此范围内。
步骤S211,对分布律f(x)取值进行聚类分析,分析哪些单元可能属于条码内部,哪些单元属于背景,该聚类分析过程具有以下特点(以下也包括步骤S213的一些特征):
1.聚类的个数在分析结束前未知;
2.每一个聚类的中心必然为分布律曲线的局部峰值(即局部极大值);
3.每一个聚类包含一个范围,该范围为分布律曲线自变量(即标准差,也可称为统计量)的取值范围,标准差在此范围内的图像单元全部属于这一聚类(即文中所述的第一聚类);
4.任何两个聚类的自变量范围没有重叠的部分;
5.分布律的局部峰值未必是聚类中心,必须满足其他条件;
6.聚类分步进行,第一步的聚类结果进行合并操作后形成最终聚类(即文中所述的第二聚类);
7.最终的聚类分析结果未必覆盖整个分布律曲线,所有未被覆盖的部分被划分为背景类。
聚类分析步骤包括:
对分布律f(x)进行卷积计算,即,对分布律f(x)进行步长为20的窗口的滑动平均计算(也可以取其它值,此处为根据本发明对计算量和计算精度进行综合判断之后的折中取值),从而获得理想低通滤函数,具体地,使用步长为20的窗口对f(x)进行求和,求和后的函数为:
步骤S213,判断是否找到符合要求的聚类,统计g(x)的局部峰值以及局部谷值。当局部峰值大于门限值Th1(对于上文提及的预定峰阈值)时,认定出现一个符合要求的聚类Ki。如果此时没有找到任何符合要求的聚类,则说明图像中没有特别明显的条码特征,则可以判定图像中没有条码。
当判断符合要求的聚类结束时,假设出现P个符合要求的聚类Ki;i=1,2,3...P。
对所有符合要求的Ki进行合并,如果相邻的两个聚类之间的局部谷值大于门限值Th2(对应于上文提及的预定谷阈值)时,将两个相邻的聚类合并。
假设合并后,共有M个聚类Ki;i=1,2,3...M。
此时需要确定每一个合并后的聚类对应的归一化标准差精确取值范围。其确定范围为:
Dmin(i)≤D≤Dmax(i)
其中:
Dmax(i)表示第i个聚类中出现的最大局部峰值所对应的自变量值D;
即g(x)中对应的的-3db衰减点的自变量值。
此时由于M个聚类无法覆盖整个自变量域[0,255];则所有没有被覆盖的区域全部归为背景类Kb。
此时,可以确定所有聚类的取值范围:
Bn∈Ki;ifDmin(i)≤Dn≤Dmax(i);i-1,2,3...M
其中:
Bn表示第n个单元;
Dn为Bn的归一化后的标准差;
Ki表示第i类单元;
Dmin(i)表示属于Ki的单元的最小归一化标准差;
Dmax(i)表示属于Ki的单元的最大归一化标准差;
建立背景类Kb;当Bn不属于任何一个聚类Ki时,Bn∈Kb。
此时所有图像的单元均分类完成,此时具备了寻找条码区域的基本条件。但是如果聚类后除了背景类没有任何其他聚类,则说明图像没有任何条码,本算法结束。否则,进行下一步。
步骤S215,对属于合并后的同一聚类的单元进行空间密度分析,对空间分布进行聚类分析可以获得所有条码的区域。将图像上所有的单元标记为对应的聚类,由于聚类包含一个自变量范围,因此,每一个图像单元都有唯一一个聚类与之对应,而一个聚类可能对应多个类型标准差的图像单元。
建立一个W×H的矩阵U,矩阵内每一个元素对应原图像上一个单元,矩阵内元素的相对位置与原图像上单元的相对位置相同,矩阵内每一个元素的值就是图像中对应单元的聚类的分类值(也可称为聚类属性或聚类值,即取相同值的元素属于同一个聚类)。则此矩阵代表了图像单元的标准差分类的信息。
步骤S217,根据分析结果得出局部密度最大值出现的位置,由于矩阵U中相同元素值的空间密度峰值点就是条码出现的出现区域,因此需要对局部密度最大值进行确定,在上一步产生的矩阵U上,遍历搜索各个聚类的中心,对于每一个聚类,该搜索算法有如下特点:
1.使用特定长宽的方框(对应上文中提及的阈定面积)在新图像上移动;
2.进行预移动,确定移动的方向能使方框内属于该聚类的点个数会增加时,再确定进行移动,从而保证进行的每次移动,都能使方框内的属于该聚类的点的个数都增加;
3.当方框向任何一个方向移动,方框内的属于该聚类的点的个数都不会增加时,认为找到该聚类的局部密度峰值点,此时停止本次移动;
4.本算法便利所有属于该聚类的点,找到所有局部密度峰值点;
5.找到每一个聚类的每一个局部密度峰值点,如果其密度大于某一门限值(第一密度阈值),则该点就被认定为条码的中心;
6.如果上一步没有找到任何一个条码中心,则说明图像中不可能包含条码,本算法结束,否则进行下一步。
根据本发明的一个实施例,搜索峰值点的具体方法如下:
图4为根据本发明的一个实施例对局部密度最大值进行确定的示例图,对于每一个合并后的聚类Ki;i=1,2,3...M,执行如下步骤:
a.标记矩阵U中所有属于Ki类的单元属性为<未统计>;
b.以矩阵U中距离第(0,0)元最近的属性为<未统计>的属于Ki类的单元为起点(即令i=1),建立一个8×8的初始窗口,在图4中示意性地示出了该初始窗口位于窗口位置1处,窗口表示为黑色方框,位于窗口位置1中包含了若干个属于Ki类的单元;
c.统计窗口中属于Ki类的单元的个数Ni,并标记窗口内属于Ki类的单元属性为<已统计>;
d.将窗口分别向上下左右四个方向移动一个单元,分别统计向四个方向移动后窗口中属于Ki类的单元的个数,计四个方向中个数最多的是Nmax(i);其方向为DIEmax(i),图4中示意性地示出了该初始窗口在向下向右移动后位于窗口位置2处,假设向下向右移动一个单元后的窗口位置2内属于Ki类的单元的个数为Nmax(i);
e.如果Nmax(i)>Ni;则窗口向DIRmax(i)方向移动1个单元。然后令Ni=Nmax(i);然后回到步骤c,否则执行步骤f;
f.判定Ni是否大于门限值Th3。如果大于门限值Th3,则判定为找到一个条码中心的区域,该区域为一个8×8的单元,例如图4中示出的窗口位于窗口位置3处的情况,假定其包含的属于Ki类的单元的个数最多,则窗口位置3所在的位置就是条码的中心位置。如果此时矩阵U中所有属于Ki类的单元属性均为<已统计>,则对于属于Ki类单元的分类结束。否则放弃这一最大值,然后继续移动窗口,寻找下一个最大值。如果窗口移动到图像末尾,则令i=i+1;然后回到步骤b。
步骤S219,评估每一条码的中心位置周围的单元的属性,确定区域边界,获得每一单元的准确区域大小以及位置。对于每一个条码中心,将步骤S217搜索时使用的特定长宽的方框向四个方向扩展,扩展后重新计算密度,如果密度值小于某一门限值(对应于上文中提及的第二密度阈值)或者方框碰到新图像边界,则停止扩展,此时方框内的范围就是条码的大致范围,在此区域内进行解码算法可以提高解码速度。
根据本发明的一个实施例,在已判定出条码的中心位置的情况下,仍使用空间分析方法获得区域边界,其步骤如下:
a.条码的初始区域为8×8的一个矩形区域,即步骤S217获得的条码中心的区域;
b.将分割出的每一个条码中心区域向上下左右四个方向扩展一个单元。新的单元大小为Wn×Hn;
c.统计属于Ki类单元的个数Nnew(i);
d.如果新的单元内的密度大于某一门限值Th4,即则接受此次扩展,重新回到步骤b。否则,移动前的单元范围(Wn-1)×(Hn-1)就是条码所在区域的范围。其中心仍为步骤S217所获得的中心位置。
至此图像中包含的所有的条码的区域都已经获得,此时并未判断任何条码的探测图形。本发明的技术方案中的算法具有不依赖于条码先验知识的特点,此外,本发明的计算算法的优点还在于:运算速度快,并且可以在不获得条码探测图形特征的情况下定位条码所在区域。本发明的方法同时具备极低漏警率的特点,即如果本算法判定图像中没有条码,则其判定的可信度极高,从而为后继算法提供非常高效率的参考。
根据本发明的实施例,还提供了一种用于定位图像中条码区域的装置,包括:
划分模块,用于将图像划分为多个单元,每个单元内包括多个像素;
计算模块,用于对每个单元内的像素的属性值进行标准差计算,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线;
分析模块,用于对分布律曲线进行聚类分析,确定分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域;
对比模块,用于对于每一个条码的中心区域,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断条码的边界。
本装置的其他特征分别与上述的根据本发明实施例的方法相对应,因此不再赘述。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种用于定位图像中条码区域的方法,其特征在于,包括:
将所述图像划分为多个单元,每个单元内包括多个像素;
对每个所述单元内的像素的属性值进行标准差计算,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线;
对所述分布律曲线进行聚类分析,确定所述分布律曲线的局部峰值大于预定峰阈值且局部密度峰值点的密度大于预定门限值的区域为条码的中心区域;
对于每一个条码的中心区域,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断所述条码的边界。
2.根据权利要求1所述的方法,其特征在于,对每个所述单元内的像素的属性值进行标准差计算之后,所述方法进一步包括:
根据所述多个单元的标准差计算所述图像的信噪比;
在所述信噪比小于信噪比阈值的情况下,判定所述图像内不存在条码。
3.根据权利要求1所述的方法,其特征在于,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线的步骤包括:
对所述多个单元的标准差进行归一化计算,并对归一化的标准差进行分布律统计得到分布律曲线。
4.根据权利要求1所述的方法,其特征在于,对所述分布律曲线进行聚类分析的步骤包括:
对所述分布律曲线进行卷积运算得到多个局部峰值和多个局部谷值,并且将大于所述预定峰阈值的局部峰值所在的区域形成一个第一聚类,其中,每个第一聚类所包括的单元其所对应的标准差在不同的预定范围内;
在每两个第一聚类之间的局部谷值大于预定谷阈值的情况下,合并该两个第一聚类得到第二聚类。
5.根据权利要求4所述的方法,其特征在于,所述卷积运算的步长为20。
6.根据权利要求4所述的方法,其特征在于,在所述多个局部峰值全部小于所述预定峰阈值的情况下,判定所述图像内不存在条码。
7.根据权利要求4所述的方法,其特征在于,确定所述分布律曲线的局部峰值大于预定峰阈值的区域为条码的中心区域的步骤包括:
对于每个第二聚类,从所述图像的中心位置开始,以一固定面积遍历所 述图像,当所遍历到的区域内的属于该第二聚类的标准差的单元的密度大于下一个遍历区域的属于该第二聚类的标准差的单元的密度时,停止遍历,并定义当前固定面积所在的区域为所述第二聚类的局部密度峰值点;
在所述第二聚类的局部密度峰值点大于第一密度阈值的情况下,确定所述第二聚类的局部密度峰值点所在的位置为条码的中心区域。
8.根据权利要求7所述的方法,其特征在于,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断所述条码的边界包括:
对于每个第二聚类,以所述固定面积为范围的所述条码的中心区域向四周扩展,在扩展以后的扩展区域内该第二聚类的密度值小于第二密度阈值时,停止扩展,并以停止时的前一个扩展区域为所述条码的边界。
9.根据权利要求1至8中任意一项所述的方法,其特征在于,所述属性值包括以下至少之一:
灰度值、RGB中任一值、色差值。
10.一种用于定位图像中条码区域的装置,其特征在于,包括:
划分模块,用于将所述图像划分为多个单元,每个单元内包括多个像素;
计算模块,用于对每个所述单元内的像素的属性值进行标准差计算,对计算所得的对应多个单元的多个标准差进行分布律统计得到分布律曲线;
分析模块,用于对所述分布律曲线进行聚类分析,确定所述分布律曲线的局部峰值大于预定峰阈值且局部密度峰值点的密度大于预定门限值的区域为条码的中心区域;
对比模块,用于对于每一个条码的中心区域,对比该中心区域与基于该中心区域的扩展区域的单元的标准差判断所述条码的边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060915.1A CN103927765B (zh) | 2014-02-21 | 2014-02-21 | 用于定位图像中条码区域的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060915.1A CN103927765B (zh) | 2014-02-21 | 2014-02-21 | 用于定位图像中条码区域的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927765A CN103927765A (zh) | 2014-07-16 |
CN103927765B true CN103927765B (zh) | 2016-10-12 |
Family
ID=51145976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060915.1A Expired - Fee Related CN103927765B (zh) | 2014-02-21 | 2014-02-21 | 用于定位图像中条码区域的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927765B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488448B (zh) * | 2015-12-11 | 2018-10-09 | 杭州晟元数据安全技术股份有限公司 | 一种条码和二维码的区分方法 |
CN105956509A (zh) * | 2016-04-26 | 2016-09-21 | 昂纳自动化技术(深圳)有限公司 | 基于聚类算法的一维条码检测的方法及装置 |
TWI607410B (zh) * | 2016-07-06 | 2017-12-01 | 虹光精密工業股份有限公司 | 具有分區影像處理功能的影像處理設備及影像處理方法 |
CN107016388B (zh) * | 2017-03-02 | 2019-11-15 | 浙江华睿科技有限公司 | 一种一维码区域的定位方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8162223B2 (en) * | 2010-03-08 | 2012-04-24 | Seiko Epson Corporation | Method and apparatus for creating pixel tokens from machine-readable symbols to improve decoding accuracy in low resolution images |
CN102346850B (zh) * | 2011-10-13 | 2013-08-14 | 西北工业大学 | 复杂金属背景下DataMatrix条码区域定位方法 |
CN102663337B (zh) * | 2012-03-16 | 2014-07-23 | 江南大学 | 简单工况背景下的Data Matrix二维条码快速识别方法 |
CN102799850B (zh) * | 2012-06-30 | 2016-03-30 | 北京百度网讯科技有限公司 | 一种条形码识别方法和装置 |
CN103593695B (zh) * | 2013-11-15 | 2016-08-10 | 天津大学 | 一种dpm二维码区域定位的方法 |
-
2014
- 2014-02-21 CN CN201410060915.1A patent/CN103927765B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103927765A (zh) | 2014-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Choma et al. | Graph neural networks for icecube signal classification | |
CN103927765B (zh) | 用于定位图像中条码区域的方法和装置 | |
US20200012849A1 (en) | Pedestrian Retrieval Method and Apparatus | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN108985365A (zh) | 基于深度子空间切换集成学习的多源异构数据融合方法 | |
CN104376335A (zh) | 一种基于信息熵的半监督高光谱遥感影像分类方法 | |
CN102073867B (zh) | 一种遥感图像分类方法及装置 | |
CN110263731B (zh) | 一种单步人脸检测系统 | |
CN110443159A (zh) | 数字识别方法、装置、电子设备及存储介质 | |
CN107563324B (zh) | 一种复合核结构的超限学习机高光谱图像分类方法及装置 | |
CN104268510A (zh) | 基于稀疏约束的非负矩阵分解的sar图像目标识别方法 | |
CN107392887A (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
CN105069471B (zh) | 基于模糊标签的高光谱数据子空间投影和分类方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN103700109A (zh) | 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法 | |
Chang et al. | MLSDNet: Multi-class Lightweight SAR Detection Network Based on Adaptive scale distribution attention | |
CN117975133A (zh) | 高光谱图像分类方法、系统、计算机程序产品 | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN106093925A (zh) | 一种多雷达联合检测方法 | |
Zhang et al. | An Improved Computational Approach for Salient Region Detection. | |
CN102903104A (zh) | 一种基于减法聚类的快速图像分割方法 | |
Rosin et al. | Probabilistic convexity measure | |
WO2017193554A1 (zh) | 区域聚合的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161012 |