CN106845312A - 一种二维码图像质量的预判断方法 - Google Patents

Abstract

本发明提出了一种二维码图像质量的预判断方法，包括如下步骤：S1，建立二维码检测模块数据库；S2，对对象二维码图像进行预处理，获取对应的二值化图像；S3，在二维码检测模块数据库中查找与步骤S2中的二值化图像对应的二维码检测模块；S4；通过机器学习分类器SVM算法进行分类决定S3中获取的二维码检测模块能否识别S2中的二值化图像，如果能，则对象二维码图像可别使用，如果不能，则对象二维码图像被淘汰。本发明能够有效快速的提前判断该输入二维码是否能够被正确解码，进一步保证了二维码的质量，从而进一步的为人们的工作生活带来便利。

Description

一种二维码图像质量的预判断方法

技术领域

本发明涉及二维码领域，具体涉及一种二维码图像质量的预判断方法。

背景技术

二维码是用某种特定的几何图形按一定规律在平面也就是二维方向上分布的黑白相间的图形记录数据符号信息的；在代码编制上巧妙地利用构成计算机内部逻辑基础的“0”、“1”比特流的概念，使用若干个与二进制相对应的几何形体来表示文字数值信息，通过图象输入设备或光电扫描设备自动识读以实现信息自动处理：它具有条码技术的一些共性：每种码制有其特定的字符集；每个字符占有一定的宽度；具有一定的校验功能等。同时还具有对不同行的信息自动识别功能、及处理图形旋转变化点。

二维码由于其低成本生产而被广泛使用。二维码可以通过在纸上打印或电子传送而容易地共享。可以使用移动电话照相机或二维码扫描器来捕获二维码。然后，通过定位器图案的位置来分割二维码区域。具有实线边界的取景器图案由标准边缘检测器检测，接着进行霍夫变换；二维码图像的质量被增强，并且二维码被恢复为黑色和白色格式的原始版本。从而得到二维码中的位值，然后读出并执行误差校正步骤以产生解码数据。

二维码应用范围广，因此其应用环境相对复杂。在实际的日常移动端的生活中，这些二维码是使用各种类型的手机相机收集的。由于手抖或者便宜的内置移动电话相机和不均匀的照明条件，一些捕获的二维码图像不可解码。因此在生成的二维码投入使用之前，如何保证二维码的质量是有待解决的问题。

发明内容

为了解决上述问题，本发明提供了一种二维码图像质量的预判断方法。本发明提供的一种二维码图像质量的预判断方法，在二维码投入使用之前，先对其的质量进行预判断，判断该二维码能否被正常解析，如果能，才允许其正常投入使用，如果不能，则淘汰。通过本发明可进一步保证了二维码的质量，从而进一步的为人们的工作生活带来便利。

本发明采用的技术方案如下：

一种二维码图像质量的预判断方法，包括如下步骤：

S1，建立二维码检测模块数据库；

S2，对对象二维码图像进行预处理，获取对应的二值化图像；

S3，在二维码检测模块数据库中查找与步骤S2中的二值化图像对应的二维码检测模块；

S4；通过SVM算法进行分类决定S3中获取的二维码检测模块能否识别S2中的二值化图像，如果能，则对象二维码图像可别使用，如果不能，则对象二维码图像被淘汰。

上述的一种二维码图像质量的预判断方法，其中，所述步骤S3具体包括通过定位算法获得二维码检测模块，将从中提取可检测的取景器中二维码检测模块图案的数目作为特征。以能够找到的检测模块的数目作为特征，进行判断该图形是否可以被识别。

上述的一种二维码图像质量的预判断方法，其中，采用默认的寻找器图案检测算法。

上述的一种二维码图像质量的预判断方法，其中，所述步骤S4具体包括

S41，当对象二维码图像同时能够通过SVM预测出N个检测模块时，至步骤S42，否则，直接判断该对象二维码图像淘汰；

S42，通过对象二维码图像的二值化图像获取与其对应的灰度直方图；

S43，通过S42中所述的灰度直方图获取二维码图像编码过程中的参数，所述参数分别为：可分度阈值、黑白平衡度、黑白像素均值置产、峰值与谷值的比率；其中：

(1)可分度阈值T：

arg max f(x)：表示当f(x)取最大值时，x的取值，在这里x表示的是0～255范围的像素值。σ表示oust算法中选定阈值T后图像的方差σ² ₀＝ω_B(i)[μ_B(i)-μ_T]²+ω_w(i)[μ_w(i)-μ_T]²。所述可分度阈值用以判断该图像是否可以有效的进行二值化；

(2)黑白平衡度B：

其中表示二值化图像的黑色像素的总个数，表示二值化图像的黑色像素的总个数，所述黑白平衡度B用以判断图像的暗亮程度；

(3)黑白像素均值之差C：

W和B分别是基于阈值T计算的白色和黑色像素的平均强度值。所述与是基于Ostu方法得到的阈值进行计算的。

(4)峰值的比率Rb与谷值的比率Rw：

所述Rb与Rw用以表示图像的模糊程度，如果两个值越小证明峰值与谷值越接近，就表示模糊程度越高。其中h(i)是第i个强度级中的像素计数。

S44，基于可分度阈值、黑白平衡度、黑白像素均值置产、峰值与谷值的比率，通过神经网络回归预测器得到该对象二维码图像可以被正确解码的概率。

上述的一种二维码图像质量的预判断方法，其中，所述步骤S2包括：

S21，获取输入图像；

S22，将S21获取到的彩色图像转换成灰度图像。

本发明解决了移动端得到二维码后进行解码，但最终经过一系列耗时操作后发现并无法解码而消耗大量时间和运算，以及可能产生解码错误的问题。通过上述的技术手段能够有效快速的提前判断该输入二维码是否能够被正确解码。在二维码解码之前，将二维码基于本发明先行判断能否被解码。最后采用的机器学习算法即SVM算法得到的是一个0～1之间的概率值，这个分数可以由该方法的使用者自己根据不同的条件来决定最后的这个值到底是不是所能接受的误差，这个与使用本发明的设备的摄像头等设备有关。比如使用者认为的设备大于0.6的时候就可以判断为该二维码可以被解码，而小于0.6时即为不良质量二维码图像，则其将被拒绝。质量良好的二维码图像将被转发到增强处理并由解码器读取。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种二维码图像质量的预判断方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示，一种二维码图像质量的预判断方法，包括如下步骤：

S1，建立二维码检测模块数据库；

S2，对对象二维码图像进行预处理，获取对应的二值化图像；具体如下：

S21，获取输入图像；

S22，将S21获取到的图像转换成灰度图像。

S3，在二维码检测模块数据库中查找与步骤S2中的二值化图像对应的二维码检测模块；通过定位算法获得二维码检测模块，将从中提取可检测的取景器图案的数目F作为特征。以能够找到的检测模块的数目作为特征，进行判断该图形是否可以被识别。采用默认的寻找器图案检测算法，能够提高效率和寻找图案的特殊性。

S4；通过SVM算法进行分类决定S3中获取的二维码检测模块能否识别S2中的二值化图像，如果能，则对象二维码图像可别使用，如果不能，则对象二维码图像被淘汰。其中，所述SVM算法为已经训练好得到的SVM算法，即通过输入大量的可以解码以及不可解码的训练样本进行训练得到的框架。

步骤S4具体包括：

S41，当对象二维码图像同时能够通过SVM预测出N个检测模块时，至步骤S42，否则，直接判断该对象二维码图像淘汰；取N为3时，当对象二维码经由上述步骤通过SVM预测出3个检测模块时，之步骤S42，否则，直接判断对象二维码不可解码。即：

S42，通过对象二维码图像的二值化图像获取与其对应的灰度直方图；

S43，通过S42中的灰度直方图，可以发现由于编码过程中的数据掩蔽方案和数据的随机性，对象二维码图像的QR码具有黑色和白色像素的两个均匀分布的峰值，当模糊半径增加时，灰度直方图中的主要黑色和白色峰减少，最后，黑白像素峰减少，灰色像素占优势。因此我们如果需要判断一个图片的模糊程度可以通过该灰度直方图的双峰特性。通过S42中所述的灰度直方图获取二维码图像编码过程中的参数，

所述参数分别为：可分度阈值、黑白平衡度、黑白像素均值置产、峰值与谷值的比率；其中：

(1)可分度阈值T：

arg max f(x):表示当f(x)取最大值时，x的取值，在这里x表示的是0～255范围的像素值；σ表示oust算法中选定阈值T后图像的方差σ² ₀＝ω_B(i)[μ_B(i)-μ_T]²+ω_w(i)[μ_w(i)-μ_T]²。所述可分度阈值用以判断该图像是否可以有效的进行二值化。

(2)黑白平衡度B：

其中表示二值化图像的黑色像素的总个数，表示二值化图像的白色像素的总个数，所述黑白平衡度B用以判断图像的暗亮程度；

这是一个基于Otsu的方法获得条形码图像的全局二值化阈值。用来判断该图像是否可以有效的进行二值化。，其中T表示通过Otsu方法得到的阈值，所以在二值化图像中T的左半部分表示为黑色，右半部分表示为白色，两者的累加可以分别得到黑色和白色像素的总个数，通过两者相除得到的参数可以表示图像是否会过暗或过亮。在通常情况下认为B的值[0.25，0.75]的范围时会是一个较好的图片。当值过大则表示图片过暗，小则表示过亮，但是不能排除有奇异点的存在，因此该指标也是跟其余指标一样，加入到机器学习算法中作为参数进行训练，最终算法返回的会统一告诉使用者是否能被解码。

(3)黑白像素均值之差C：

所述与是基于Ostu方法得到的阈值进行计算的；黑白像素均值之差C用以表示图像的可分度。可分度在灰度直方图上的直接体现是二维码在给定阈值时候黑白两个部分的像素强度级的差距，这个差距越大表示原二维码图像黑白清晰度越高，能被解码的可能性就越强。

(4)峰值的比率Rb与谷值的比率Rw：

所述Rb与Rw用以表示图像的模糊程度，如果两个值越小证明峰值与谷值越接近，就表示模糊程度越高。其中h(i)是第i个强度级中的像素计数。

S44，基于可分度阈值、黑白平衡度、黑白像素均值置产、峰值与谷值的比率，通过神经网络回归预测器得到该对象二维码图像可以被正确解码的概率。所述神经网络回归预测器为已经训练好的神经网络回归预测器，即通过大量的带标签的训练集进行训练得到的神经网络回归预测器。根据神经网络回归器输入大量的带标签(标签表示已知是否被正确解码)的训练样本二维码进行对机器学习算法的训练。当随着训练样本的增加，预测的准确性也会增加。在不同的手机中可以通过调整步长和惩罚值来改变神经网络的学习效率，一般采用步长为0.02，惩罚值为0.03即可，步长越大收敛则越快，这个跟算法本身有关。最终算法会返回一个0和1两个值，0表示该二维码不可以被正确识别，1表示该二维码不可被正确识别。该算法当前在输入训练样本个数为4000时的准确性能在97.15％～98.45％之间。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种二维码图像质量的预判断方法，其特征在于，包括如下步骤：

S1，建立二维码检测模块数据库；

S2，对对象二维码图像进行预处理，获取对应的二值化图像；

S3，在二维码检测模块数据库中查找与步骤S2中的二值化图像对应的二维码检测模块；

S4；通过SVM机器学习分类器算法进行分类决定S3中获取的二维码检测模块能否识别S2中的二值化图像，如果能，则对象二维码图像可别使用，如果不能，则对象二维码图像被淘汰。

2.根据权利要求1所述的一种二维码图像质量的预判断方法，其特征在于，所述步骤S3具体包括通过定位算法获得二维码检测模块，将从中提取可检测的取景器中二维码检测模块图案的数目作为特征。

3.根据权利要求2所述的一种二维码图像质量的预判断方法，其特征在于，采用默认的寻找器图案检测算法。

4.根据权利要求1-3任意一项所述的一种二维码图像质量的预判断方法，其特征在于，所述步骤S4具体包括

S41，当对象二维码图像同时能够通过SVM预测出N个检测模块时，至步骤S42，否则，直接判断该对象二维码图像淘汰；

S42，通过对象二维码图像的二值化图像获取与其对应的灰度直方图；

S43，通过S42中所述的灰度直方图获取二维码图像编码过程中的参数，所述参数分别为：可分度阈值、黑白平衡度、黑白像素均值置产、峰值与谷值的比率；其中：

(1)可分度阈值T：

$T=\arg \underset{0\≤x\≤255}{\max }{{\mathrm{\σ}}^2}_0\left(x\right)$

arg max f(x):表示当f(x)取最大值时，x的取值，在这里x表示的是0～255范围的像素值；σ表示oust算法中选定阈值T后图像的方差σ² ₀＝ω_B(i)[μ_B(i)-μ_T]²+ω_w(i)[μ_w(i)-μ_T]²。所述可分度阈值用以判断该图像是否可以有效的进行二值化；

(2)黑白平衡度B：

$B=\underset{k=0}{\overset{T}{\Σ}}h\left(k\right)/\underset{k=T}{\overset{0}{\Σ}}h\left(k\right)$

其中表示二值化图像的黑色像素的总个数，表示二值化图像的黑色像素的总个数，所述黑白平衡度B用以判断图像的暗亮程度；

(3)黑白像素均值之差C：

$C=\stackrel{\‾}{B}-\stackrel{\‾}{W}$

W和B分别是基于阈值T计算的白色和黑色像素的平均强度值；

(4)峰值的比率Rb与谷值的比率Rw：

$Rb=\underset{i\∈\[0,T\]}{max}h\[i\]/h\[T\]$

$Rw=\underset{i\∈\[T,255\]}{max}h\[i\]/h\[T\]$

所述Rb与Rw用以表示图像的模糊程度，如果两个值越小证明峰值与谷值越接近，就表示模糊程度越高；其中h(i)是第i个强度级中的像素计数；

S44，基于可分度阈值、黑白平衡度、黑白像素均值置产、峰值与谷值的比率，通过神经网络回归预测器得到该对象二维码图像可以被正确解码的概率。

5.根据权利要求4所述的一种二维码图像质量的预判断方法，其特征在于，所述步骤S2包括：

S21，获取输入图像；

S22，将S21获取到的彩色图像转换成灰度图像。