CN108647550A - 一种基于机器学习的二维码模糊聚类识别方法及系统 - Google Patents
一种基于机器学习的二维码模糊聚类识别方法及系统 Download PDFInfo
- Publication number
- CN108647550A CN108647550A CN201810321940.9A CN201810321940A CN108647550A CN 108647550 A CN108647550 A CN 108647550A CN 201810321940 A CN201810321940 A CN 201810321940A CN 108647550 A CN108647550 A CN 108647550A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- dimensional code
- code image
- processing
- obtains
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004044 response Effects 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 97
- 230000009466 transformation Effects 0.000 claims abstract description 58
- 238000005286 illumination Methods 0.000 claims abstract description 49
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 230000008030 elimination Effects 0.000 claims abstract description 25
- 238000003379 elimination reaction Methods 0.000 claims abstract description 25
- 238000011946 reduction process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000010981 turquoise Substances 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000009471 action Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
- G06K7/1482—Methods for optical code recognition the method including quality enhancement steps using fuzzy logic or natural solvers, such as neural networks, genetic algorithms and simulated annealing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习的二维码模糊聚类识别方法及系统,其中,所示二维码模糊聚类识别方法包括:获取模糊二维码图像信息,对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;对灰度化后的模糊二维码图像进行光照不均匀消除处理,获取消除光照不均匀后的模糊二维码图像;对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理,获取傅里叶变换处理后的模糊二维码图像;对傅里叶变换处理后的模糊二维码图像进行降噪处理,获取降噪后的模糊二维码图像;采用训练好的模糊核分类模型对降噪后的模糊二维码图像进行分类识别,获取识别结果。采用本发明实施例中,能快速识别模糊二维码图像,并且提高识别效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于机器学习的二维码模糊聚类识别方法及系统。
背景技术
二维码是一种在二维平面上通过特定几何模型以指定编码的方式排列来实现信息存储的符合;二维码具有纠错和定位功能,扫描仪器能在不同的角度、光照和距离下对二维码进行识别;常见的二维码有QR码,PDF417和Data Matrix等。
随着当今社会的进步与发展,二维码已经完全嵌入到了人们的生活中,二维码已广泛应用在了各种场合,包括了支付系统,网页跳转,防伪溯源,物品信息,下载链接等;随着二维码使用的普及化,带来了便利的同时也提出了新的技术挑战。
目前,市面上的扫描设备、软件都不存在对模糊二维码修复功能;对于模糊的二维码图像帧将直接丢弃,选择去采集下一帧图像;这其中的原因是二维码的模糊类型未知,只能使用盲去卷积的方法去模糊,无法快速的去模糊。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于机器学习的二维码模糊聚类识别方法及系统,能快速识别模糊二维码图像,并且提高识别效率。
为了解决上述技术问题,本发明实施例提供了一种基于机器学习的二维码模糊聚类识别方法,所述二维码模糊聚类识别方法,包括:
获取模糊二维码图像信息,对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
对灰度化后的模糊二维码图像进行光照不均匀消除处理,获取消除光照不均匀后的模糊二维码图像;
对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理,获取傅里叶变换处理后的模糊二维码图像;
对傅里叶变换处理后的模糊二维码图像进行降噪处理,获取降噪后的模糊二维码图像;
采用训练好的模糊核分类模型对降噪后的模糊二维码图像进行分类识别,获取识别结果。
优选地,所述对所述模糊二维码图像信息进行灰度化处理,包括:
采用灰度化公式对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
所述灰度化公式如下:
f=0.299×R+0.587×G+0.114×B;
其中,f表示灰度化后的模糊二维码图像,R、G、B分别代表彩色图像的红、绿蓝通道。
优选地,所述对灰度化后的模糊二维码图像进行光照不均匀消除处理,包括:
采用顶帽变换对灰度化后的模糊二维码图像进行处理,获取顶帽变换后的模糊二维码图像;
采用灰度化后的模糊二维码图像减去顶帽变换后的模糊二维码图像,获取消除光照不均匀后的模糊二维码图像;
具体的光照不均匀消除公式如下:
其中,f表示灰度化后的模糊二维码图像,b表示形态学的结构元,That(f)表示消除光照不均匀后的模糊二维码图像,表示图像形态学的腐蚀,表示b对f进行腐蚀,表示图像形态学的膨胀,表示开运算,即b对f进行腐蚀后紧接着用b对腐蚀结果进行膨胀;采用开运算的结果是提取图像的背景。
优选地,所述对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理的公式如下:
其中,F是消除光照不均匀后的模糊二维码图像T的傅里叶变换;M为T的高度,N为T的宽度,x=0,1,…,M-1,y=0,1,…,N-1,u=0,1,…,M-1,v=0,1,…,N-1,j为纯虚数,π为圆周率。
优选地,所述对傅里叶变换处理后的模糊二维码图像进行降噪处理,包括:
对傅里叶变换处理后的模糊二维码图像进行中值滤波处理,获取中值滤波结果;
采用局域阈值法对所述中值滤波结果进行二值化处理,获取降噪后的模糊二维码图像。
优选地,所述模糊核分类模型的训练过程包括:
将m幅在傅里叶变换后待训练的模糊二维码图像展开为n维向量,获取训练样本D,训练样本D为m×n的矩阵;
对训练样本D进行归一化处理,获取归一化处理后的训练样本Ds;
将归一化处理后的训练样本Ds进行降维处理,获取降维后的训练样本P;
将降维后的训练样本P通过自编码神经网络模型进行训练处理,获取训练好的模糊核分类模型。
优选地,所述将归一化处理后的训练样本Ds进行降维处理,包括:
输入维度k,其中k<n;
采用PCA降维算法对归一化处理后的训练样本Ds的向量将至k维,获取降维后的训练样本P;
其中,PCA降维算法的公式如下:
SVD(DS)=U×Σ×VT;
其中,SVD表示奇异值分解算法;U表示计算得到的协方差的特征向量,为一个m×n的矩阵;Σ表示奇异矩阵,为一个m×n的矩阵;V表示标准正交基,为一个m×n的矩阵,VT表示为V的转秩;
P=Ds*U1:k;
其中,P表示降维后的训练样本,P∈Rm×k,Ds表示归一化处理后的训练样本,U1:k表示U从1到k列。
优选地,所述自编码神经网络模型由输入层、第一池化层、第二池化层和输出层组成。
优选地,所述自编码神经网络模型进行训练的训练公式:
y=f(W3f(W2f(W1P)));
其中,y表示输出层输出结果,W1、W2、W3分别为输入层、第一池化层、第二池化层的权重,
另外,本发明实施例还提供了一种基于机器学习的二维码模糊聚类识别系统,所述二维码模糊聚类识别系统,包括:
灰度化模块:用于获取模糊二维码图像信息,对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
光照不均匀消除模块:用于对灰度化后的模糊二维码图像进行光照不均匀消除处理,获取消除光照不均匀后的模糊二维码图像;
傅里叶变换模块:用于对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理,获取傅里叶变换处理后的模糊二维码图像;
降噪模块:用于对傅里叶变换处理后的模糊二维码图像进行降噪处理,获取降噪后的模糊二维码图像;
分类识别模块:用于采用训练好的模糊核分类模型对降噪后的模糊二维码图像进行分类识别,获取识别结果。
在本发明实施过程中,采用本发明实施例,能解决市场上的扫描设备、软件不能解决的对模糊二维码的修复的功能,现有的设备只能将模糊二维码丢弃重新采集,或者采用盲去卷积的方法去模糊,无法快速识别;采用本发明实施例能快速识别模糊二维码图像,并且提高识别效率。
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,显而易见的,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的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的二维码模糊聚类识别方法的方法流程示意图;
图2是本发明实施例中的模糊二维码图像傅里叶变换后的频域;
图3是本发明实施例中的二维码模糊聚类识别系统的系统结构组成示意图。
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它实施例,都属于本发明保护的范围。
图1是本发明实施例中的二维码模糊聚类识别方法的方法流程示意图,如图1所示,所述二维码模糊聚类识别方法,包括:
S11:获取模糊二维码图像信息,对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
在本发明具体实施过程中,具体是通过拍摄设备采集模糊二维码图像信息,其中拍摄设备包括不限于扫描枪、手机,摄像机等拍摄设备,拍摄的模糊二维码图像信息为三通道的RGB图像;为了节省储存空间,加快计算速度,需要将获取的三通道的RGB图像进行灰度化,转化为灰度化图像,在这个过程中,采用灰度化公式对模糊二维码图像信息进行灰度化转换处理,其中灰度化公式如下:
f=0.299×R+0.587×G+0.114×B;
其中,f表示灰度化后的模糊二维码图像,R、G、B分别代表彩色图像的红、绿蓝通道。
S12:对灰度化后的模糊二维码图像进行光照不均匀消除处理,获取消除光照不均匀后的模糊二维码图像;
在本发明具体实施过程中,在对二维码图像拍摄过程中,可能存在拍照的时候周围的光照不是很充分,使得拍摄获取的模糊二维码图像信息的光照存在不均匀的现象,在这样的因素影响下,极大可能影响后续的识别等;因此去光照不均是必须进行的中间步骤处理,在本发明具体实施例中,采用顶帽变换来消除光照不均的现象。
即采用顶帽变换对灰度化后的模糊二维码图像进行处理,获取顶帽变换后的模糊二维码图像;采用灰度化后的模糊二维码图像减去顶帽变换后的模糊二维码图像,获取消除光照不均匀后的模糊二维码图像。
具体的光照不均匀消除公式如下:
其中,f表示灰度化后的模糊二维码图像,b表示形态学的结构元,That(f)表示消除光照不均匀后的模糊二维码图像,表示图像形态学的腐蚀,表示b对f进行腐蚀,表示图像形态学的膨胀,表示开运算,即b对f进行腐蚀后紧接着用b对腐蚀结果进行膨胀;采用开运算的结果是提取图像的背景。
S13:对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理,获取傅里叶变换处理后的模糊二维码图像;
在本发明具体实施过程中,通过傅里叶变换的方式对模糊的二维码图像进行变换,获取不同模糊图像类型的频域,不同类型的模糊包括不限于运动模糊、散焦模糊和高斯模糊。
其中,傅里叶变换处理的公式如下:
其中,F是消除光照不均匀后的模糊二维码图像T的傅里叶变换;M为T的高度,N为T的宽度,x=0,1,…,M-1,y=0,1,…,N-1,u=0,1,…,M-1,v=0,1,…,N-1,j为纯虚数,π为圆周率。
具体的对运动模糊、散焦模糊和高斯模糊的图像进行傅里叶变换后获取的频域结果如图2所示。
S14:对傅里叶变换处理后的模糊二维码图像进行降噪处理,获取降噪后的模糊二维码图像;
在本发明具体实施过程中,对傅里叶变换处理后的模糊二维码图像先后进行中值滤波处理和二值化处理,消除傅里叶变换之后的频域的噪声。
具体处理过程如下:对对傅里叶变换处理后的模糊二维码图像进行中值滤波处理,获取中值滤波结果;采用局域阈值法对所述中值滤波结果进行二值化处理,获取降噪后的模糊二维码图像。
中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值;中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点;是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。
二值化,在本发明实施例中采用局部阈值法进行相应的二值化处理,采用局部阈值法二值化可以在图像细节上能得到更好的处理,更好的去除图像的噪声。
S15:采用训练好的模糊核分类模型对降噪后的模糊二维码图像进行分类识别,获取识别结果。
在本发明具体实施过程中,对模糊核分类模型的训练过程包括:
将m幅在傅里叶变换后待训练的模糊二维码图像展开为n维向量,获取训练样本D,训练样本D为m×n的矩阵,即D∈Rm×n,其中每一列代表一个特征,每一行代表一副傅里叶图像的展开。
对训练样本D进行归一化处理,获取归一化处理后的训练样本DS;对训练样本D作归一化,归一化的过程如下:
其中,Ds表示归一化后的训练样本,M=[m1,m2,…,mm-1,mm]表示训练样本各特征的均值,S=[s1,s2,…,sm-1,sm]表示训练样本各特征的标准差,表示为对角元素的对角矩阵。
将归一化处理后的训练样本Ds进行降维处理,获取降维后的训练样本P;即输入维度k(k<n),用PCA降维算法把图像向量降至k维;PCA降维公式如下:
SVD(Ds)=U×Σ×VT;
其中,SVD表示奇异值分解算法;U表示计算得到的协方差的特征向量,为一个m×n的矩阵;Σ表示奇异矩阵,为一个m×n的矩阵;V表示标准正交基,为一个m×n的矩阵,VT表示为V的转秩;
P=Ds*U1:k;
其中,P表示降维后的训练样本,P∈Rm×k,Ds表示归一化处理后的训练样本,U1:k表示U从1到k列。
将降维后的训练样本P通过自编码神经网络模型进行训练处理,获取训练好的模糊核分类模型;即将PCA降维后的训练集P作为自编码神经网络模型输入层的输入,进行训练,获取训练好的模糊核分类模型。
其中,自编码神经网络模型由输入层、第一池化层、第二池化层和输出层组成。
自编码神经网络模型进行训练的训练公式:
y=f(W3f(W2f(W1P)));
其中,y表示输出层输出结果,W1、W2、W3分别为输入层、第一池化层、第二池化层的权重,
通过反向传播算法优化模型参数;目前最为常见的模糊类型包括运动模糊,散焦模糊和高斯三种;本方法主要是针对这三种模糊类型提出的,所以自编码神经网络模型输出层输出的y是一个3×1的矩阵,所以有三种输出结果[1 0 0]T、[0 1 0]T和[0 0 1]T,分别对应模糊类型为运动模糊、散焦模糊和高斯模糊。
训练完成之后,自编码神经网络模型第一池化层和第二池化层的参数基本确定,即可获取训练好的模糊核分类模型,通过训练好的模糊核分类模型对那些经过一系列处理的模糊二维码图像进行模糊核进行分类识别,获取识别结果。
图3是本发明实施例中的二维码模糊聚类识别系统的系统结构组成示意图,如图3所示,本发明还提供一种基于机器学习的二维码模糊聚类识别系统,所述二维码模糊聚类识别系统,包括:
灰度化模块11:用于获取模糊二维码图像信息,对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
光照不均匀消除模块12:用于对灰度化后的模糊二维码图像进行光照不均匀消除处理,获取消除光照不均匀后的模糊二维码图像;
傅里叶变换模块13:用于对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理,获取傅里叶变换处理后的模糊二维码图像;
降噪模块14:用于对傅里叶变换处理后的模糊二维码图像进行降噪处理,获取降噪后的模糊二维码图像;
分类识别模块15:用于采用训练好的模糊核分类模型对降噪后的模糊二维码图像进行分类识别,获取识别结果。
优选地,所述灰度化模块11,包括:
采用灰度化公式对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
所述灰度化公式如下:
f=0.299×R+0.587×G+0.114×B;
其中,f表示灰度化后的模糊二维码图像,R、G、B分别代表彩色图像的红、绿蓝通道。
优选地,所述光照不均匀消除模块12包括:
顶帽变换单元:用于采用顶帽变换对灰度化后的模糊二维码图像进行处理,获取顶帽变换后的模糊二维码图像;
计算单元:用于采用灰度化后的模糊二维码图像减去顶帽变换后的模糊二维码图像,获取消除光照不均匀后的模糊二维码图像;
具体的光照不均匀消除公式如下:
其中,f表示灰度化后的模糊二维码图像,b表示形态学的结构元,That(f)表示消除光照不均匀后的模糊二维码图像,表示图像形态学的腐蚀,表示b对f进行腐蚀,表示图像形态学的膨胀,表示开运算,即b对f进行腐蚀后紧接着用b对腐蚀结果进行膨胀;采用开运算的结果是提取图像的背景。
优选地,傅里叶变换模块13内部处理的公式如下:
其中,F是消除光照不均匀后的模糊二维码图像T的傅里叶变换;M为T的高度,N为T的宽度,x=0,1,…,M-1,y=0,1,…,N-1,u=0,1,…,M-1,v=0,1,…,N-1,j为纯虚数,π为圆周率。
优选地,所述降噪模块14包括:
中值滤波单元:用于对傅里叶变换处理后的模糊二维码图像进行中值滤波处理,获取中值滤波结果;
二值化单元:用于采用局域阈值法对所述中值滤波结果进行二值化处理,获取降噪后的模糊二维码图像。
优选地,所述分类识别模块15还包括训练单元用于训练,其中训练单元包括:
训练样本矩阵获取子单元:用于将m幅在傅里叶变换后待训练的模糊二维码图像展开为n维向量,获取训练样本D,训练样本D为m×n的矩阵;
归一化子单元:用于对训练样本D进行归一化处理,获取归一化处理后的训练样本Ds;
降维子单元:用于将归一化处理后的训练样本Ds进行降维处理,获取降维后的训练样本P;
训练子单元:用于将降维后的训练样本P通过自编码神经网络模型进行训练处理,获取训练好的模糊核分类模型。
优选地,所述归一化子单元内部的处理过程包括:
输入维度k,其中k<n;
采用PCA降维算法对归一化处理后的训练样本Ds的向量将至k维,获取降维后的训练样本P;
其中,PCA降维算法的公式如下:
SVD(Ds)=U×Σ×VT;
其中,SVD表示奇异值分解算法;U表示计算得到的协方差的特征向量,为一个m×n的矩阵;Σ表示奇异矩阵,为一个m×n的矩阵;V表示标准正交基,为一个m×n的矩阵,VT表示为V的转秩;
P=DS*U1:k;
其中,P表示降维后的训练样本,P∈Rm×k,DS表示归一化处理后的训练样本,U1:k表示U从1到k列。
优选地,所述自编码神经网络模型由输入层、第一池化层、第二池化层和输出层组成。
优选地,所述自编码神经网络模型进行训练的训练公式:
y=f(W3f(W2f(W1P)));
其中,y表示输出层输出结果,W1、W2、W3分别为输入层、第一池化层、第二池化层的权重,
具体地,本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述,这里不再赘述。
在本发明实施过程中,采用本发明实施例,能解决市场上的扫描设备、软件不能解决的对模糊二维码的修复的功能,现有的设备只能将模糊二维码丢弃重新采集,或者采用盲去卷积的方法去模糊,无法快速识别;采用本发明实施例能快速识别模糊二维码图像,并且提高识别效率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于机器学习的二维码模糊聚类识别方法及系统进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于机器学习的二维码模糊聚类识别方法,其特征在于,所述二维码模糊聚类识别方法,包括:
获取模糊二维码图像信息,对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
对灰度化后的模糊二维码图像进行光照不均匀消除处理,获取消除光照不均匀后的模糊二维码图像;
对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理,获取傅里叶变换处理后的模糊二维码图像;
对傅里叶变换处理后的模糊二维码图像进行降噪处理,获取降噪后的模糊二维码图像;
采用训练好的模糊核分类模型对降噪后的模糊二维码图像进行分类识别,获取识别结果。
2.根据权利要求1所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述对所述模糊二维码图像信息进行灰度化处理,包括:
采用灰度化公式对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
所述灰度化公式如下:
f=0.299×R+0.587×G+0.114×B;
其中,f表示灰度化后的模糊二维码图像,R、G、B分别代表彩色图像的红、绿蓝通道。
3.根据权利要求1所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述对灰度化后的模糊二维码图像进行光照不均匀消除处理,包括:
采用顶帽变换对灰度化后的模糊二维码图像进行处理,获取顶帽变换后的模糊二维码图像;
采用灰度化后的模糊二维码图像减去顶帽变换后的模糊二维码图像,获取消除光照不均匀后的模糊二维码图像;
具体的光照不均匀消除公式如下:
其中,f表示灰度化后的模糊二维码图像,b表示形态学的结构元,That(f)表示消除光照不均匀后的模糊二维码图像,表示图像形态学的腐蚀,表示b对f进行腐蚀,表示图像形态学的膨胀,表示开运算,即b对f进行腐蚀后紧接着用b对腐蚀结果进行膨胀;采用开运算的结果是提取图像的背景。
4.根据权利要1所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理的公式如下:
其中,F是消除光照不均匀后的模糊二维码图像T的傅里叶变换;M为T的高度,N为T的宽度,x=0,1,…,M-1,y=0,1,…,N-1,u=0,1,…,M-1,v=0,1,…,N-1,j为纯虚数,π为圆周率。
5.根据权利要1所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述对傅里叶变换处理后的模糊二维码图像进行降噪处理,包括:
对傅里叶变换处理后的模糊二维码图像进行中值滤波处理,获取中值滤波结果;
采用局域阈值法对所述中值滤波结果进行二值化处理,获取降噪后的模糊二维码图像。
6.根据权利要1所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述模糊核分类模型的训练过程包括:
将m幅在傅里叶变换后待训练的模糊二维码图像展开为n维向量,获取训练样本D,训练样本D为m×n的矩阵;
对训练样本D进行归一化处理,获取归一化处理后的训练样本Ds;
将归一化处理后的训练样本Ds进行降维处理,获取降维后的训练样本P;
将降维后的训练样本P通过自编码神经网络模型进行训练处理,获取训练好的模糊核分类模型。
7.根据权利要6所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述将归一化处理后的训练样本Ds进行降维处理,包括:
输入维度k,其中k<n;
采用PCA降维算法对归一化处理后的训练样本Ds的向量将至k维,获取降维后的训练样本P;
其中,PCA降维算法的公式如下:
SVD(Ds)=U×∑×VT;
其中,SVD表示奇异值分解算法;U表示计算得到的协方差的特征向量,为一个m×n的矩阵;∑表示奇异矩阵,为一个m×n的矩阵;V表示标准正交基,为一个m×n的矩阵,VT表示为V的转秩;
P=Ds*U1:k;
其中,P表示降维后的训练样本,P∈Rm×k,Ds表示归一化处理后的训练样本,U1:k表示U从1到k列。
8.根据权利要6所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述自编码神经网络模型由输入层、第一池化层、第二池化层和输出层组成。
9.根据权利要6或8所述的基于机器学习的二维码模糊聚类识别方法,其特征在于,所述自编码神经网络模型进行训练的训练公式:
y=f(W3f(W2f(W1P)));
其中,y表示输出层输出结果,W1、W2、W3分别为输入层、第一池化层、第二池化层的权重,
10.一种基于机器学习的二维码模糊聚类识别系统,其特征在于,所述二维码模糊聚类识别系统,包括:
灰度化模块:用于获取模糊二维码图像信息,对所述模糊二维码图像信息进行灰度化处理,获取灰度化后的模糊二维码图像;
光照不均匀消除模块:用于对灰度化后的模糊二维码图像进行光照不均匀消除处理,获取消除光照不均匀后的模糊二维码图像;
傅里叶变换模块:用于对消除光照不均匀后的模糊二维码图像进行傅里叶变换处理,获取傅里叶变换处理后的模糊二维码图像;
降噪模块:用于对傅里叶变换处理后的模糊二维码图像进行降噪处理,获取降噪后的模糊二维码图像;
分类识别模块:用于采用训练好的模糊核分类模型对降噪后的模糊二维码图像进行分类识别,获取识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810321940.9A CN108647550B (zh) | 2018-04-11 | 2018-04-11 | 一种基于机器学习的二维码模糊聚类识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810321940.9A CN108647550B (zh) | 2018-04-11 | 2018-04-11 | 一种基于机器学习的二维码模糊聚类识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647550A true CN108647550A (zh) | 2018-10-12 |
CN108647550B CN108647550B (zh) | 2021-07-16 |
Family
ID=63746020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810321940.9A Active CN108647550B (zh) | 2018-04-11 | 2018-04-11 | 一种基于机器学习的二维码模糊聚类识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647550B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032907A (zh) * | 2019-04-15 | 2019-07-19 | 苏州国芯科技股份有限公司 | 一种二维码识别方法、系统及电子设备和存储介质 |
CN110533101A (zh) * | 2019-08-29 | 2019-12-03 | 西安宏规电子科技有限公司 | 一种基于深度神经网络子空间编码的图像分类方法 |
CN111160486A (zh) * | 2019-12-31 | 2020-05-15 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111310508A (zh) * | 2020-02-14 | 2020-06-19 | 北京化工大学 | 一种二维码识别方法 |
CN111597846A (zh) * | 2019-02-20 | 2020-08-28 | 中科院微电子研究所昆山分所 | 一种褶皱二维码恢复方法、装置、设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071320A1 (en) * | 2005-09-20 | 2007-03-29 | Fuji Xerox Co., Ltd. | Detection method of two-dimensional code, detection device for the same, and storage medium storing detection program for the same |
CN102231187A (zh) * | 2011-07-12 | 2011-11-02 | 四川大学 | 一种基于计算机视觉检测技术的qr码检测识别方法 |
CN103177244A (zh) * | 2013-03-15 | 2013-06-26 | 浙江大学 | 水下显微图像中快速检测目标生物的方法 |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
CN104517110A (zh) * | 2013-09-29 | 2015-04-15 | 北大方正集团有限公司 | 一种二维码图像的二值化方法及系统 |
CN105469044A (zh) * | 2015-11-20 | 2016-04-06 | 厦门雅迅网络股份有限公司 | 一种基于正交矩不变特征的交通标志识别方法 |
US20160342875A1 (en) * | 2014-09-15 | 2016-11-24 | Paypal, Inc. | Combining a qr code and an image |
CN106485182A (zh) * | 2016-06-27 | 2017-03-08 | 中国计量大学 | 一种基于仿射变换的模糊qr码复原方法 |
CN107545207A (zh) * | 2017-09-28 | 2018-01-05 | 云南电网有限责任公司电力科学研究院 | 基于图像处理的dm二维码识别方法及装置 |
-
2018
- 2018-04-11 CN CN201810321940.9A patent/CN108647550B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071320A1 (en) * | 2005-09-20 | 2007-03-29 | Fuji Xerox Co., Ltd. | Detection method of two-dimensional code, detection device for the same, and storage medium storing detection program for the same |
CN102231187A (zh) * | 2011-07-12 | 2011-11-02 | 四川大学 | 一种基于计算机视觉检测技术的qr码检测识别方法 |
CN103177244A (zh) * | 2013-03-15 | 2013-06-26 | 浙江大学 | 水下显微图像中快速检测目标生物的方法 |
CN104517110A (zh) * | 2013-09-29 | 2015-04-15 | 北大方正集团有限公司 | 一种二维码图像的二值化方法及系统 |
US20160342875A1 (en) * | 2014-09-15 | 2016-11-24 | Paypal, Inc. | Combining a qr code and an image |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
CN105469044A (zh) * | 2015-11-20 | 2016-04-06 | 厦门雅迅网络股份有限公司 | 一种基于正交矩不变特征的交通标志识别方法 |
CN106485182A (zh) * | 2016-06-27 | 2017-03-08 | 中国计量大学 | 一种基于仿射变换的模糊qr码复原方法 |
CN107545207A (zh) * | 2017-09-28 | 2018-01-05 | 云南电网有限责任公司电力科学研究院 | 基于图像处理的dm二维码识别方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597846A (zh) * | 2019-02-20 | 2020-08-28 | 中科院微电子研究所昆山分所 | 一种褶皱二维码恢复方法、装置、设备及可读存储介质 |
CN110032907A (zh) * | 2019-04-15 | 2019-07-19 | 苏州国芯科技股份有限公司 | 一种二维码识别方法、系统及电子设备和存储介质 |
CN110533101A (zh) * | 2019-08-29 | 2019-12-03 | 西安宏规电子科技有限公司 | 一种基于深度神经网络子空间编码的图像分类方法 |
CN111160486A (zh) * | 2019-12-31 | 2020-05-15 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111160486B (zh) * | 2019-12-31 | 2023-05-02 | 三峡大学 | 基于支持向量机和小波分解的模糊图像分类方法 |
CN111310508A (zh) * | 2020-02-14 | 2020-06-19 | 北京化工大学 | 一种二维码识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647550B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647550A (zh) | 一种基于机器学习的二维码模糊聚类识别方法及系统 | |
Suganuma et al. | Attention-based adaptive selection of operations for image restoration in the presence of unknown combined distortions | |
WO2019233297A1 (zh) | 数据集的构建方法、移动终端、可读存储介质 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
Sidhwa et al. | Text extraction from bills and invoices | |
CN104484650B (zh) | 素描人脸识别的方法和装置 | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
CN112686258A (zh) | 体检报告信息结构化方法、装置、可读存储介质和终端 | |
CN109034230A (zh) | 一种基于深度学习的单幅图像相机溯源方法 | |
CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
CN112686248A (zh) | 证件增减类别检测方法、装置、可读存储介质和终端 | |
CN115761356A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
WO2010102289A1 (en) | Object-based optical character recognition pre-processing algorithm | |
CN109902529A (zh) | 一种基于波形匹配的一维条码识别方法及系统 | |
CN112101058B (zh) | 一种试卷条码自动识别方法及装置 | |
Li et al. | A new qr code recognition method using deblurring and modified local adaptive thresholding techniques | |
CN111353324A (zh) | 玻璃内部点阵二维码读取方法 | |
Alshathri et al. | Denoising Letter Images from Scanned Invoices Using Stacked Autoencoders. | |
Rezanezhad et al. | A hybrid CNN-Transformer model for Historical Document Image Binarization | |
CN114612907A (zh) | 一种车牌识别方法及装置 | |
Paulus et al. | A novel scheme for handwritten binarization method on sundanese palm leaf document images | |
Zhang et al. | Improving optical character recognition accuracy for indonesia identification card using generative adversarial network | |
Wahi et al. | Recognition of handwritten Tamil characters using wavelet |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |