CN104915951B - 一种点刻式dpm二维码区域定位方法 - Google Patents
一种点刻式dpm二维码区域定位方法 Download PDFInfo
- Publication number
- CN104915951B CN104915951B CN201510234185.7A CN201510234185A CN104915951B CN 104915951 B CN104915951 B CN 104915951B CN 201510234185 A CN201510234185 A CN 201510234185A CN 104915951 B CN104915951 B CN 104915951B
- Authority
- CN
- China
- Prior art keywords
- dpm
- clustering
- pixel
- super
- pixel point
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种点刻式DPM二维码区域定位方法,包括:对采集到包含有点刻式DPM二维码的图像进行灰度化处理,获取灰度化图像;本发明利用近邻传播聚类思想实现自动聚类得到超像素区域,并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类(Adaptive edge simple linear iterative clustering,AE‑SLIC)算法;将超像素作为谱聚类中图的顶点进行二次聚类,DPM区域内超像素因相似度高而被聚集为一类,从而完成点刻式DPM区域的精确定位。经实验测试和分析,本发明得到的超像素分割结果在完整性、运算复杂度等方面优于常见的超像素分割算法。与基于像素点运算的传统定位算法相比,本发明具有良好的实时性、定位准确率和鲁棒性。
Description
技术领域
本发明涉及定位领域,特别涉及一种背景复杂、光照不均、对比度低的点刻式DPM二维码区域定位方法。
背景技术
直接零件标志(Direct Part Mark,DPM)[1]最初应用在机械电子行业的零部件上,即通过激光点刻蚀刻等手段,将零部件从生产、质量检测、出厂等丰富信息记录在一幅图像当中。而后扩展到汽车制造、制药医疗、军队枪械管理等领域,并有向其他行业推广的趋势。DPM二维码是目前物联网技术中最流行的一类重要的信息源。
由于DPM二维码多应用于金属、铸铁、木材、玻璃等材质中,因此需要使用通过激光点刻、蚀刻、机打撞机等手段点刻而成,以保证DPM二维码的永久性和不易磨损性。而在背景复杂的条件下,点刻式码的特征与点阵式码相比较为隐蔽,容易与工件上的其他信息混淆,有效信息部分也易出现凹凸不平的情况,从而导致定位困难。
目前,国内外对点刻式码的定位识别研究较少。以往,二维码定位算法多利用二维码的几何形态,采用边缘提取、几何检测等方法定位和分割二维码,其优点是对于背景简单、标记清晰的二维码的定位速度较快。但在背景复杂、对比度低的DPM二维码上使用时,误检率极高。而国外少数几家大公司利用顶尖的硬件技术弥补软件检测算法的缺陷,同时在定位过程中加入辅助线或定位点预定位条码区域等,而后提取条码数据,以便提高其识别准确性。但此种方法约束较多,对实时在线检测点刻码的适用性不高。
而且以上提及算法多数停留在使用由低层次图像的基本单元——像素组成的二维矩阵来表示二维码结构,即通过基于图像像素的特征来描述图像内容。对于像素点聚集特征明显的DPM二维码图像来说,以像素为单位计算效率较低。而超像素方法作为中层视觉特征在反映区域特性、计算快速等方向具有优势。目前,鲜有研究者从超像素分割的角度定位点刻式DPM二维码区域。
[参考文献]
[1]Information Technology—Automatic Identification and Data CaptureTechniques—Guidelines for Direct Part Marking(DPM)[S],ISO/IEC TR 24720—2008(E),2008。
[2]韩守东,赵勇,陶文兵,桑农著,基于高斯超像素的快速Graph Cuts图像分割方法[J],自动化学报,2011,37(1):11—20。
[3]Achanta R,Shaji A,Smith K,Lucchi A,Fua P,Susstrunk S。SLICsuperpixels compared to state—of—the—art superpixel methods[J]。IEEETransactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274—2282。
[4]周林,平西建,徐森,张涛著,基于谱聚类的聚类集成算法[J],自动化学报,2012,38(8):1335—1342。
发明内容
本发明提供了一种点刻式DPM二维码区域定位方法,本发明可以提高定位点刻式DPM二维码的精度,降低了点刻式DPM二维码识别产品的生产成本。
为了解决上述技术问题,本发明提出的一种点刻式DPM二维码区域定位方法,包括以下步骤:
步骤一、将采集到含有点刻式DPM二维码的图像转化为5维特征向量;
步骤二、用AE—SLIC算法对图像进行超像素分割,该算法具体内容包括:
2—1)初始化:令a(0)=r(0)=0,λ=0.9,t=1,标记各预分区域为α,α∈[1,n'],其中,a(0)为初始归属函数,r(0)为初始吸引函数,λ为阻尼系数,t为迭代次数,n'=N/S',S'为预先划定的区域,N为图像总像素点;
2—2)相似度计算:在第α个区域内依次计算两点之间的相似度,
设s(k,k)=∑s(i,k)/S';其中,m为平衡参数,i=1~N,k=1~N,s(i,k)表示第i个像素点与第k个像素点的相似度,dxy(i,k)表示第i个像素点与第k个像素点的距离,dlab(i,k)表示第i个像素点与第k个像素点的颜色差异,lk、ak、bk分别表示第k个像素点的三个颜色分量,li、ai、bi分别表示第i个像素点的三个颜色分量,xk、yk表示第k个像素点的坐标,xi、yi表示第i个像素点的坐标;
2—3)吸引度和归属度计算:利用数据之间的信息传递,依次计算吸引度r(t)(i,k)和归属度a(t)(i,k),开始迭代;其中,r(i,k)=s(i,k)-maxk'≠k{a(i,k')+s(i,k')},
迭代公式为:r(t)(i,k)=λr(t-1)(i,k)+(1-λ){s(i,k)-maxk'≠k[a(t-1)(i,k')+s(i,k')]}
i′=1~N,k′=1~N;
2—4)确定聚类中心:若r(t)(i,k)和a(t)(i,k)不再发生改变或者到达最大迭代次数,则停止迭代,将r(t)(i,k)与a(t)(i,k)之和最大的点,作为聚类中心其中,表示第α区划分区域的第i个聚类中心点,Kα为第α区的聚类中心数;
2—5)α=α+1,重复步骤2-3)~步骤2-5),直到遍历整幅图像;
2—6)最终确定自适应的超像素数
2—7)调整边缘:对分割好的超像素进行边缘置信度计算,并根据梯度方向一致性原则对边缘进行延伸或回缩,直到置信度符合阈值条件为止;
步骤三、超像素分割后得到的K'个超像素作为谱聚类的顶点,完成二次聚类,具体内容包括:
3—1)数据映射:将AE—SLIC算法分割得到的超像素集映射为带权无向图G,并构建表示对象集的相似度矩阵Wik=exp(-||i-k||2/2σ2),其中,i=1~K',k=1~K',σ为邻域尺度参数,且当i=k时,Wik=1;
3—2)构建对角矩阵D,其中,其他元素为0;
3—3)建立拉普拉斯矩阵Lsym=D-1/2LD-1/2,计算出前m个最大特征值所相对应的特征向量e1,e2,…,em,然后构造矩阵X=[e1,e2,…,em]∈Rn×m组成特征空间;
3—4)归一化X的行向量,并将归一化后的矩阵记为Y,
3—5)使用K均值算法对特征向量进行聚类;若矩阵Y的第i行被划分为第j类,那么相应的超像素区域也被划分到第j类;
步骤四、对经过聚类分割的DPM码图像去除噪声点;
步骤五、将经过步骤一到步骤四处理的聚类区域标记为定位结果,输出定位图像。
与现有技术相比,本发明的有益效果是:
本发明根据点刻式DPM码基本单元的区域特征,选用超像素及谱聚类方法定位图像中的DPM码区域,改进了经典算法存在的边缘划分不准确、超像素数目无法自适应等问题,并在超像素分割的基础上使用谱聚类算法对DPM码区域实现精确定位。本发明得到的分割结果与DPM码基本单元特征和边缘信息相切,自适应分割算法的使用为实时定位DPM码区域提供必要条件,并能在一定程度上减弱噪声影响,为准确识别条码内容奠定基础。该方法与传统方法相比在计算时间和定位精度上均呈现出明显的优势,达到了快速准确的定位点刻式DPM二维码区域的目的,且降低了点刻式DPM二维码识别产品的生产成本。
附图说明
图1是一组(a—h)点刻式DPM二维码示例图;
图2是针对图1中的3个(a—c)AE—SLIC算法及局部放大图;
图3是针对图2中的1个(a)噪声点分布图;
图4是传统算法对一组点刻式DPM二维码图像定位结果;
图5是本明方法对一组点刻式DPM二维码图像定位结果;
图6是本发明点刻式DPM二维码区域定位方法框图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述,所描述的具体实施例仅仅对本发明进行解释说明,并不用以限制本发明。
为解决点刻式DPM二维码基本单元分割困难,区域定位有失精确等问题,本发明实施例提供了使用超像素分割[2](超像素的定义最早是由Ren于2003年提出,是指将图像中的具有相似纹理、颜色、灰度等特征的相邻像素点组成的局部连通的图像区域。这些区域大多仍保留进一步图像分割的有效信息,且不会破坏图像中待识别物体的边缘信息。它将图像中具有相似特征的像素点聚集成区域,在运算中能够削弱图像的冗余信息,为减小后续处理任务的复杂度奠定基础)和谱聚类相结合的算法对含有DPM区域的图像进行初步分割和精确定位。首先,针对SLIC超像素分割算法[3](SLIC(Simple Linear IterativeClustering,简单线性迭代聚类)算法是由R.Achanta等提出的一种思想简单、实现方便的算法,它以像素点之间的颜色和距离的相似度为衡量,充分考虑图像的局部特性聚集像素点,从而生成紧密度良好、尺寸相当、形状规则的分割方法。因此,此算法提出后,即作为预处理过程应用于复杂度较高的算法中,效果良好)存在的未明确界定超像素区域边缘信息和分割数目无法自适应等问题,提出将边缘信息作为条件加入核心函数和对分割数目进行自适应指导的AE—SLIC算法,对待分割图像进行超像素区域分割,保证DPM码中的基本单元分割的准确、快速和完整。其次,将分割后的超像素区域作为谱聚类[4](谱聚类算法是建立在谱图理论基础上,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点)中图的顶点,利用谱聚类算法对DPM区域内的基本单元进行聚类,完成DPM区域的精确定位。
如图6所示,本发明一种点刻式DPM二维码区域定位方法包括以下步骤:
101:将采集到含有点刻式DPM二维码的图像转化为5维特征向量;
对输入的含点刻式DPM二维码的彩色或灰度图像不做条码方向及图像尺度的限制,将图像转化为5维特征向量Ci=(li,ai,bi,xi,yi)(i=1~N),其中li,ai,bi为CIELAB颜色空间中的特征向量,xi,yi是像素点的空间特征向量;图1示出了8个(a—h)点刻式DPM二维码图例。
102:用AE—SLIC(自适应边缘简单线性迭代聚类)算法对图像进行超像素分割,得到紧密度良好、尺寸相当、形状规则的超像素区域
由于生产工艺的复杂性,传统算法对点刻式码的定位易带来定位偏差和不准确的问题。由于DPM条码所处工况环境和载体介质的不同,DPM码图像多出现对比度低、图像模糊、光照不均、噪声干扰等情况。但其基本单元的颜色和形状特征相似或相近,能够将每个基本单元看作独立的区域,适于超像素的使用。因此本发明将首先使用AE—SLIC算法对含有DPM二维码的图像进行超像素分割,为区域定位奠定基础。该算法具体内容包括:
定义1:吸引函数r(i,k)反映k点吸引i点作为其聚类中心的可能性:
r(i,k)=s(i,k)-maxk'≠k{a(i,k')+s(i,k')} (1)
其中,s(i,k)=-d(i,k)为i点与k点之间的相似度,s(i,k')=-d(i,k')为i点与非k点之间的相似度,a(i,k')为i点与非k点的归属函数。
定义2:用i、k两个像素点的归属函数反映i点选择k点作其中心的可能性,记为a(i,k):
其中,r(k,k)为k点自身吸引函数,r(i',k)为非i点与k点的吸引函数。
为避免数据震荡,本发明加入阻尼系数λ∈[0,1)(根据实验,λ=0.9),吸引函数和归属函数的迭代关系定义如下:
其中,t为迭代次数。
1)初始化
令a(0)=r(0)=0,λ=0.9,t=1,标记各预分区域为α,α∈[1,n'],其中,a(0)为初始归属函数,r(0)为初始吸引函数,λ为阻尼系数,t为迭代次数,n'=N/S',S'为预先划定的区域为预先划定的区域,N为图像总像素点;
2)相似度计算
在第α个区域内依次计算两点之间的相似度,
设s(k,k)=Σs(i,k)/S′;其中:
m为平衡参数,i=1~N,k=1~N,s(i,k)表示第i个像素点与第k个像素点的相似度,
dxy(i,k)表示第i个像素点与第k个像素点的距离,
dlab(i,k)表示第i个像素点与第k个像素点的颜色差异,
lk、ak、bk分别表示第k个像素点的三个颜色分量,
li、ai、bi分别表示第i个像素点的三个颜色分量,
xk、yk表示第k个像素点的坐标,
xi、yi表示第i个像素点的坐标;
3)吸引度和归属度计算
利用数据之间的信息传递,依次计算吸引度r(t)(i,k)和归属度a(t)(i,k),开始迭代;其中:r(i,k)=s(i,k)-maxk'≠k{a(i,k')+s(i,k')},
迭代公式为:
r(t)(i,k)=λr(t-1)(i,k)+(1-λ){s(i,k)-maxk'≠k[a(t-1)(i,k')+s(i,k')]}
i′=1~N,k′=1~N;
4)确定聚类中心,若r(t)(i,k)和a(t)(i,k)不再发生改变或者到达最大迭代次数,则停止迭代,将r(t)(i,k)与a(t)(i,k)之和最大的点,作为聚类中心其中,表示第α区划分区域的第i个聚类中心点,Kα为第α区的聚类中心数;
5)遍历图像,α=α+1,重复步骤2-3)~步骤2-5),直到遍历整幅图像;
6)确定超像素个数,最终确定自适应的超像素数
7)调整边缘,对分割好的超像素进行边缘置信度计算,并根据梯度方向一致性原则对边缘进行延伸或回缩,直到置信度符合阈值条件为止;
SLIC算法在聚类中心均匀分布的前提下通过K均值算法得到超像素区域,未顾及边缘信息,易造成图像对象被割断或分割区域过大等问题。为此,在聚类完成后加入基于边缘置信度测度的调整,提高分割的准确性。在此,考虑使用边缘像素的邻域标准差作为边缘置信度的衡量。设超像素的边缘像素p(x,y)在图像I中相应的邻域标准差记为:
其中,Um是p(x,y)的不包含最大最小灰度值的m×m邻域中像素点的集合,为Um中像素点灰度值的均值。
设其中,Tδ是图像I中最大邻域标准差,是对的归一化处理。邻域相对标准差说明局部区域内的灰度变化趋势,其值越大,则灰度变化越显著,边缘的可靠性越高;其值越小,则灰度变化越平缓,边缘为虚假可能性越大。因此,构造函数f定义置信度,使其敏感于边缘的真伪。
由于f(ξ′x,y)越小,对应的边缘像素点的可靠性越低,相应地受到的约束越明显。当ξ′x,y<0.5时,置信度f(ξ′x,y)受到约束,边缘可靠性低;当ξ′x,y≥0.5时,置信度f(ξ′x,y)被放大,边缘的可靠性越高。
G(x,y)=||l(x+1,y)-l(x-1,y)||2+||l(x,y+1)-l(x,y-1)||2 (6)
其中,l(x,y)为特征向量Ci的前三个分量。
对于置信度较低的边缘像素,需要通过边缘回缩或延伸的方式对边缘像素进行修正,直到边缘置信度最大为止。首先使用式(6)计算其邻域δ内各点的梯度,并搜索到该邻域内梯度最大的点,计算此点梯度方向为
θ=arctan(G(x,y)/G(x-1,y-1)) (7)
其中,G(x,y)为此点的梯度。而后将δ内满足置信度阈值条件且其梯度方向为θ的点定义为新的边缘点,从而实现边缘的回缩或延伸,图2示出了3个(a—c)AE—SLIC算法及局部放大图。
103:超像素分割后得到的超像素作为谱聚类的顶点,完成二次聚类;
超像素分割后得到的K'个超像素作为谱聚类的顶点V,将顶点间的相似度量作为相应顶点连接边E的权值,这样就得到一个基于相似度的无向加权图G(V,E),于是聚类问题就可以转化为图的划分问题。
1)数据映射
将AE—SLIC算法分割得到的超像素集映射为带权无向图G,并构建表示对象集的相似度矩阵Wik=exp(-||i-k||2/2σ2)(i=1~K',k=1~K',σ为邻域尺度参数),且当i=k时,Wik=1;
2)对角矩阵建立
构建对角矩阵D,其中,其他元素为0;
3)特征空间建立
建立拉普拉斯矩阵Lsym=D-1/2LD-1/2,计算出前m个最大特征值所相对应的特征向量e1,e2,…,em,然后构造矩阵X=[e1,e2,…,em]∈Rn×m组成特征空间;
4)归一化
归一化X的行向量,并将归一化后的矩阵记为Y,
5)特征向量聚类
使用K均值算法对特征向量进行聚类。若矩阵Y的第i行被划分为第j类,那么相应的超像素区域也被划分到第j类。
经过谱聚类后,会将DPM二维码区域中的基本单元聚集于一类,由此得到精确定位的DPM二维码区域。
104:对经过聚类分割的DPM码图像去除噪声点;
DPM码在采集和使用的过程中,难免会夹杂进噪声。噪声类型可分为两种:孤立噪声点和与DPM码基本单元类似的噪声斑块。对于孤立噪声点,由于与DPM码像素点差异明显,在AE—SLIC算法中即可通过相似度比较、归属函数和吸引函数的计算可滤除此类噪声干扰。
需要重点处理的是与DPM码基本单元在形状和颜色上相类似的噪声斑块。如图3所示,噪声斑块的分布可能存在于DPM码区域外部或内部。为此,对于处在不同位置的噪声斑块,本发明将采用不同的去噪策略:
与DPM码区域位置相距较远的噪声斑块,因二次聚类中使用欧氏距离为相似度度量,较易去除。而在内部的噪声斑块,则可以通过里德所罗门(Reed—Solomon,RS)纠错算法进行纠正。临近条码区域的噪声斑块对DPM码的准确定位影响较大。此类噪声斑块靠近条码区域,且与基本单元相似,二次聚类过程中容易被当作条码区域内部超像素区域处理。因此,本发明通过对聚类后的DPM码区域最外围超像素进行递进式连线,判断此连线是否为直线。若非直线,则说明存在外凸点,用投票法去除;若为直线,则不存在此类噪声斑块。噪声干扰的有效滤除,使得算法具有一定的抗噪性,从而增强该定位算法的鲁棒性。
105:将经过上述101到104步骤处理的聚类区域标记为定位结果,输出定位图像,结束流程。
下面结合具体的实例对本发明的可行性进行验证。
由于DPM码识别技术均掌握在国外少数几个大公司的手中,因而DPM码识别速度和识读率并没有明确的说明,水平仅仅停留在能够读取的状态下。国内的识读水平也是如此,复杂背景的图像研究水平更是有限,因此有较大的提升空间和继续深入研究的迫切需要。
本发明对总量为100个的恶劣条件下的点刻式DPM二维码图像样本分别使用边缘检测+Hough变换算法及本发明进行测试。测试实验结果表明本发明优势明显:在执行时间、可定位的样本数目、定位准确度等均优于其它算法(见表1),并能够在一定程度上减弱噪声影响,克服图像中的光照不均、对比度低、图像模糊、材质粗糙等恶劣条件,达到了快速准确的定位点刻式DPM二维码区域的目的。
表1 定位算法效率对比
图4和图5中是采集到的一组(自下而上与图1中的a—h对应)点刻式DPM二维码图像。这些图像存在对比度低、光照不均、条码区域模糊变形、噪声明显等问题。本发明对上述不利条件均有一定的抑制能力,抑制噪声和变形能力明显优于传统算法。实验结果表明,与边缘检测+Hough变换算法相比,本发明通过超像素的分割、噪声干扰的滤除,可将定位击中率提高到90%,为后续DPM条码的识别奠定基础。
综上,本发明利用近邻传播聚类思想实现自动聚类得到超像素区域,并引入边缘置信度调整超像素边缘,形成自适应边缘简单线性迭代聚类(Adaptive edge simplelinear iterative clustering,AE—SLIC)算法;将超像素作为谱聚类中图的顶点进行二次聚类,DPM区域内超像素因相似度高而被聚集为一类,从而完成点刻式DPM区域的精确定位。经实验测试和分析,本发明得到的超像素分割结果在完整性、运算复杂度等方面优于常见的超像素分割算法。与基于像素点运算的传统定位算法相比,本发明具有良好的实时性、定位准确率和鲁棒性。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (1)
1.一种点刻式DPM二维码区域定位方法,其特征在于,该方法包括以下步骤:
步骤一、将采集到含有点刻式DPM二维码的图像转化为5维特征向量;
步骤二、用自适应边缘简单线性迭代聚类AE-SLIC算法对图像进行超像素分割,具体内容包括:
2-1)初始化:令a(0)=r(0)=0,λ=0.9,t=1,标记各预分区域为α,α∈[1,n'],其中,a(0)为初始归属函数,r(0)为初始吸引函数,λ为阻尼系数,t为迭代次数,n'=N/S',S'为预先划定的区域,N为图像总像素点数;
2-2)相似度计算:在第α个区域内依次计算两点之间的相似度,
设s(k,k)=∑s(i,k)/S';其中,m为平衡参数,i=1~N,k=1~N,s(i,k)表示第i个像素点与第k个像素点的相似度,dxy(i,k)表示第i个像素点与第k个像素点的距离,dlab(i,k)表示第i个像素点与第k个像素点的颜色差异,lk、ak、bk分别表示第k个像素点的三个颜色分量,li、ai、bi分别表示第i个像素点的三个颜色分量,xk、yk表示第k个像素点的坐标,xi、yi表示第i个像素点的坐标;
2-3)吸引度和归属度计算:利用数据之间的信息传递,依次计算吸引度r(t)(i,k)和归属度a(t)(i,k),开始迭代;其中,r(i,k)=s(i,k)-maxk'≠k{a(i,k')+s(i,k')},
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>min</mi>
<mrow>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>k</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
迭代公式为:
r(t)(i,k)=λr(t-1)(i,k)+(1-λ){s(i,k)-maxk'≠k[a(t-1)(i,k')+s(i,k')]}
<mrow>
<msup>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&lambda;a</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>min</mi>
<mrow>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<msup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<msup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&lambda;a</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>{</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<msup>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msup>
<mi>i</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>k</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
i′=1~N,k′=1~N;
2-4)确定聚类中心:若r(t)(i,k)和a(t)(i,k)不再发生改变或者到达最大迭代次数,则停止迭代,将r(t)(i,k)与a(t)(i,k)之和最大的点,作为聚类中心其中,表示第α区划分区域的第i个聚类中心点,Kα为第α区的聚类中心数;
2-5)α=α+1,重复步骤2-3)~步骤2-5),直到遍历整幅图像;
2-6)确定超像素个数:最终确定自适应的超像素数
2-7)调整边缘:对分割好的超像素进行边缘置信度计算,并根据梯度方向一致性原则对边缘进行延伸或回缩,直到置信度符合阈值条件为止;
步骤三、超像素分割后得到的K'个超像素作为谱聚类的顶点,完成二次聚类,具体内容包括:
3-1)数据映射:将自适应边缘简单线性迭代聚类AE-SLIC算法分割得到的超像素集映射为带权无向图G,并构建表示对象集的相似度矩阵Wik=exp(-||i-k||2/2σ2),其中,i=1~K',k=1~K',σ为邻域尺度参数,且当i=k时,Wik=1;
3-2)构建对角矩阵D,其中,其他元素为0;
3-3)建立拉普拉斯矩阵Lsym=D-1/2LD-1/2,计算出前m个最大特征值所相对应的特征向量e1,e2,…,em,然后构造矩阵X=[e1,e2,…,em]∈Rn×m组成特征空间;
3-4)归一化X的行向量,并将归一化后的矩阵记为Y,
3-5)使用K均值算法对特征向量进行聚类;若矩阵Y的第i行被划分为第j类,那么相应的超像素区域也被划分到第j类;
步骤四、对经过聚类分割的DPM码图像去除噪声点;
步骤五、将经过步骤一到步骤四处理的聚类区域标记为定位结果,输出定位图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510234185.7A CN104915951B (zh) | 2015-05-08 | 2015-05-08 | 一种点刻式dpm二维码区域定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510234185.7A CN104915951B (zh) | 2015-05-08 | 2015-05-08 | 一种点刻式dpm二维码区域定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915951A CN104915951A (zh) | 2015-09-16 |
CN104915951B true CN104915951B (zh) | 2017-12-19 |
Family
ID=54084989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510234185.7A Expired - Fee Related CN104915951B (zh) | 2015-05-08 | 2015-05-08 | 一种点刻式dpm二维码区域定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915951B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485255B (zh) * | 2016-09-29 | 2019-12-24 | 元启工业技术(青岛)有限公司 | 一种dm码定位及识别的方法与系统 |
CN109784121B (zh) * | 2019-01-14 | 2022-09-23 | 新大陆数字技术股份有限公司 | Dot-peen DPM码的识别方法及装置 |
CN111503990B (zh) * | 2020-04-10 | 2021-06-01 | 海信集团有限公司 | 一种冰箱及食材识别方法 |
CN115018838B (zh) * | 2022-08-08 | 2022-11-29 | 和诚精密管业(南通)有限公司 | 用于被氧化钢管材料表面麻点瑕疵的识别方法 |
CN116957524B (zh) * | 2023-09-21 | 2024-01-05 | 青岛阿斯顿工程技术转移有限公司 | 一种技术转移过程中人才信息智能管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544697A (zh) * | 2013-09-30 | 2014-01-29 | 南京信息工程大学 | 一种基于超图谱分析的图像分割方法 |
CN103593695A (zh) * | 2013-11-15 | 2014-02-19 | 天津大学 | 一种dpm二维码区域定位的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101348904B1 (ko) * | 2012-01-20 | 2014-01-09 | 한국과학기술원 | 고차 상관 클러스터링을 이용한 이미지 분할 방법, 이를 처리하는 시스템 및 기록매체 |
-
2015
- 2015-05-08 CN CN201510234185.7A patent/CN104915951B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544697A (zh) * | 2013-09-30 | 2014-01-29 | 南京信息工程大学 | 一种基于超图谱分析的图像分割方法 |
CN103593695A (zh) * | 2013-11-15 | 2014-02-19 | 天津大学 | 一种dpm二维码区域定位的方法 |
Non-Patent Citations (4)
Title |
---|
Clustering by Passing Messages Between Data Points;Brendan J.Frey 等;《Science》;20070216;第315卷;972-976 * |
一种新的基于超像素的谱聚类图像分割算法;高尚兵 等;《南京大学学报(自然科学)》;20130330;第49卷(第2期);169-175 * |
基于谱聚类的聚类集成算法;周林 等;《自动化学报》;20120815;第38卷(第8期);1335-1342 * |
直接零件标志条码区域定位算法;王娟 等;《计算机辅助设计与图形学学报》;20140715;第26卷(第7期);1159-1166 * |
Also Published As
Publication number | Publication date |
---|---|
CN104915951A (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915951B (zh) | 一种点刻式dpm二维码区域定位方法 | |
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN107507208B (zh) | 一种基于轮廓上曲率估计的图像特征点提取方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN110088805B (zh) | 用于检测和分割多个前景对象的方法 | |
US9141871B2 (en) | Systems, methods, and software implementing affine-invariant feature detection implementing iterative searching of an affine space | |
CN109785366B (zh) | 一种针对遮挡的相关滤波目标跟踪方法 | |
CN109871884B (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN113012161B (zh) | 一种基于凸性区域生长的堆叠散乱目标点云分割方法 | |
CN107862708A (zh) | 一种sar与可见光图像配准方法 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN112629409A (zh) | 一种线结构光条纹中心提取方法 | |
CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
CN115578660B (zh) | 基于遥感图像的土地地块分割方法 | |
CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN105631860A (zh) | 基于局部排序方向直方图描述子的图像同名点提取方法 | |
CN112734816A (zh) | 基于CSS-Delaunay的异源图像配准方法 | |
CN109446963B (zh) | 基于hsv和lbp结合的地表状态识别方法 | |
CN115049828A (zh) | 基于自调整谱聚类和熵权法的水下声呐图像目标分割方法 | |
CN114092486A (zh) | 一种图像纹理背景自动分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171219 Termination date: 20200508 |
|
CF01 | Termination of patent right due to non-payment of annual fee |