CN111259680A - 二维码图像二值化处理方法及装置 - Google Patents

Abstract

本公开提供了一种二维码图像二值化处理方法及装置，方法包括：使用至少两种二值化算法，分别对所获取的待处理图像进行二值化处理，得到对应的二值化图像以及二值化图像中每个像素点的置信度；基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重；基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理。本公开的融合处理过程综合考虑了多种二值化算法的二值化处理效果，对于融合处理后的二值化图像中每个像素点的像素值，采用二值化处理效果最好的二值化算法的二值化结果，这样通过多种二值化算法来克服同时涉及的不利于二值化处理的多种情形，使得融合处理后的二值化图像保留尽可能多的信息，减少信息缺失。

Description

二维码图像二值化处理方法及装置

技术领域

本公开涉及图像处理技术领域，具体地，涉及一种二维码图像二值化处理方法及装置。

背景技术

图像的二值化处理是将图像转变成呈现黑白效果的二值化图像，二值化图像中像素点的像素值为0或255。图像的二值化处理使得图像中的数据量减少以凸显出目标的轮廓。

图像的二值化处理应用于各个领域的图像识别和图像处理过程中，例如目前广泛应用的二维码识别领域。在二维码识别过程中，相机采集到一帧二维码图像后，首先将该二维码图像转换成灰度图像，然后对该灰度图像进行二值化处理以得到二维码图像对应的二值化图像，最后对该二值化图像进行识别。在此过程中，二值化处理的效果好坏会对二维码识别产生直接影响，二值化处理的效果体现在二值化图像上，比如二值化图像中存在污损、缺失等二值化效果不好的情况时，可能会导致识别失败。

发明内容

鉴于上述，本公开提供了一种二维码图像二值化处理方法及装置。利用该二维码图像二值化处理方法及装置，使用至少两种二值化算法进行二值化处理并得到对应的二值化图像，再基于由各个像素点的置信度确定的权重来对所得到的二值化图像进行融合处理。融合处理过程综合考虑了多种二值化算法的二值化处理效果，对于融合处理后的二值化图像中每个像素点的像素值，采用二值化处理效果最好(由权重最大来体现)的二值化算法的二值化结果，这样通过多种二值化算法来克服同时涉及的不利于二值化处理的多种情形，使得融合处理后的二值化图像保留尽可能多的信息，减少信息缺失。

根据本公开的一个方面，提供了一种对二维码图像进行二值化处理的方法，包括：获取一帧待处理图像；使用至少两种二值化算法，分别对所述待处理图像进行二值化处理，得到对应的二值化图像以及所述二值化图像中每个像素点的置信度；基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重；以及基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理，其中，针对所得到的二值化图像中的处于相同位置的各个像素点，权重最大的像素点的像素值被作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。

可选地，在上述方面的一个示例中，还包括：确定每种二值化算法的算法权重；以及基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重包括：针对所述二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重。

可选地，在上述方面的一个示例中，针对所述二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重包括：针对所述二值化图像中的每个像素点，使用指定函数来确定该像素点的权重，所述指定函数是以置信度为自变量，以权重为因变量以及以算法权重为系数的单调递增函数。

可选地，在上述方面的一个示例中，确定每种二值化算法的算法权重包括：确定每个二值化图像的离散程度，所述离散程度用于表征该二值化图像中黑白区域分布；以及基于所述离散程度，确定每个二值化图像所采用的二值化算法的算法权重。

可选地，在上述方面的一个示例中，确定每个二值化图像的离散程度包括：将该二值化图像划分为多个区域，并且统计在各个区域的边界上的分界位置的总数量，以作为该二值化图像的离散程度；或者针对该二值化图像中的各个像素值，基于该像素值和该二值化图像中所有像素点的像素值，计算该像素值的熵值；并将该二值化图像中各个像素值的熵值之和确定为该二值化图像的离散程度。

可选地，在上述方面的一个示例中，所述二值化图像中各个像素点的置信度根据以下方式得到的：针对所述二值化图像中的各个像素点，计算该像素点在所述待处理图像中的对应像素点的灰度值与应用于该二值化图像的二值化算法所采用的二值化阈值之间的差值；以及基于所述差值的绝对值确定该像素点的置信度。

可选地，在上述方面的一个示例中，所述二值化图像中各个像素点的置信度根据以下方式得到的：将所述二值化图像划分为多个区域；确定所述二值化图像中的各个像素点所属的区域，作为该像素点的邻域；针对所述二值化图像中的各个像素点，基于该像素点在所述待处理图像中的对应像素点的灰度值和所述邻域中的各像素点在所述待处理图像中的对应像素点的灰度值，计算该像素点所属的邻域对应的熵值，以作为该像素点的置信度。

可选地，在上述方面的一个示例中，在基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重之前，所述方法还包括：针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各个像素点的像素值相同时，将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值；以及基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重包括：针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各像素点的像素值不同时，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。

可选地，在上述方面的一个示例中，所述待处理图像为二维码图像；所述方法还包括：对经过融合处理后的二值化图像进行识别，以得到所述二维码图像中的信息。

根据本公开的另一方面，还提供一种对二维码图像进行二值化处理的装置，包括：图像获取单元，被配置为获取一帧待处理图像；二值化处理单元，被配置为使用至少两种二值化算法，分别对所述待处理图像进行二值化处理，得到对应的二值化图像以及所述二值化图像中每个像素点的置信度；像素点权重确定单元，被配置为基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重；以及图像融合单元，被配置为基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理，其中，针对所得到的二值化图像中的处于相同位置的各个像素点，权重最大的像素点的像素值被作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。

可选地，在上述方面的一个示例中，还包括：算法权重确定单元，被配置为确定每种二值化算法的算法权重；以及所述像素点权重确定单元被配置为：针对所述二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重。

可选地，在上述方面的一个示例中，所述像素点权重确定单元被配置为：针对所述二值化图像中的每个像素点，使用指定函数来确定该像素点的权重，所述指定函数是以置信度为自变量，以权重为因变量以及以算法权重为系数的单调递增函数。

可选地，在上述方面的一个示例中，所述算法权重确定单元包括：离散程度确定模块，被配置为确定每个二值化图像的离散程度，所述离散程度用于表征该二值化图像中黑白区域分布；以及算法权重确定模块，被配置为基于所述离散程度，确定每个二值化图像所采用的二值化算法的算法权重。

可选地，在上述方面的一个示例中，所述离散程度确定模块被配置为：将该二值化图像划分为多个区域，并且统计在各个区域的边界上的分界位置的总数量，以作为该二值化图像的离散程度；或者针对该二值化图像中的各个像素值，基于该像素值和该二值化图像中所有像素点的像素值，计算该像素值的熵值；并将该二值化图像中各个像素值的熵值之和确定为该二值化图像的离散程度。

可选地，在上述方面的一个示例中，所述二值化图像中各个像素点的置信度根据以下方式得到的：针对所述二值化图像中的各个像素点，计算该像素点在所述待处理图像中的对应像素点的灰度值与应用于该二值化图像的二值化算法所采用的二值化阈值之间的差值；以及基于所述差值的绝对值确定该像素点的置信度。

可选地，在上述方面的一个示例中，所述二值化图像中各个像素点的置信度根据以下方式得到的：将所述二值化图像划分为多个区域；确定所述二值化图像中的各个像素点所属的区域，作为该像素点的邻域；针对所述二值化图像中的各个像素点，基于该像素点在所述待处理图像中的对应像素点的灰度值和所述邻域中的各像素点在所述待处理图像中的对应像素点的灰度值，计算该像素点所属的邻域对应的熵值，以作为该像素点的置信度。

可选地，在上述方面的一个示例中，所述装置还包括：像素值确定单元，被配置为针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各个像素点的像素值相同时，将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值；以及所述像素点权重确定单元被配置为：针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各像素点的像素值不同时，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。

可选地，在上述方面的一个示例中，所述待处理图像为二维码图像；所述装置还包括：二维码识别单元，被配置为对经过融合处理后的二值化图像进行识别，以得到所述二维码图像中的信息。

根据本公开的另一方面，还提供一种计算设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的对二维码图像进行二值化处理的方法。

根据本公开的另一方面，还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的对二维码图像进行二值化处理的方法。

附图说明

通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开的实施例，但并不构成对本公开的实施例的限制。在附图中：

图1示出了现有技术中采用随机选择二值化算法的方式来选择二值化算法的流程图；

图2示出了现有技术中采用按照算法顺序依次选择的方式来选择二值化算法的流程图；

图3示出了本公开的实施例的对二维码图像进行二值化处理的方法的流程图；

图4示出了本公开的实施例的二值化图像被划分的一个示例的示意图；

图5示出了本公开的另一实施例的对二维码图像进行二值化处理的方法的流程图；

图6示出了本公开的实施例的二值化图像中的分界位置的一个示例的示意图；

图7示出了本公开的实施例的对二维码图像进行二值化处理的装置的方框图；

图8示出了本公开的另一实施例的对二维码图像进行二值化处理的装置的方框图；

图9示出了本公开的实施例的算法权重确定单元的一个示例的方框图；和

图10示出了本公开的实施例的对二维码图像进行二值化处理的方法的计算设备的方框图。

具体实施方式

以下将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。

如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。

图像的二值化处理是将图像中像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。在所得到的二值化图像中仅包含黑色和白色，通过黑色和白色的像素点来描绘出图像中目标的轮廓。而因为图像的二值化处理使得图像的数据量减小使得图像简单，便于后续对图像进一步处理。因此，二值化图像在图像处理领域占有非常重要的地位。

在图像识别，轮廓检测等图像处理过程中均需要应用图像的二值化处理。例如，目前在线下支付方式中广泛应用的二维码支付。商家提供一个二维码，用户使用具有相机功能的手机、平板等终端设备对二维码进行扫描以识别该二维码，并获取二维码所携带的信息，并根据这些信息完成支付。

具体地，二维码携带的信息可以包括商家的信息，收款账号信息以及付款金额等。当用户使用终端设备对二维码进行扫描时，终端设备对二维码进行拍摄以获取一帧二维码图像，然后终端设备将所获取的二维码图像转换成灰度图像。在得到灰度图像之后，终端设备从内置的多种二值化算法中选择一种二值化算法对灰度图像进行二值化处理，以得到二维码图像对应的二值化图像，再对二值化图像进行识别以获取二维码信息。

目前，从多种二值化算法中选择一种二值化算法的方式可以是随机选择，还可以按照算法顺序依次选择。

图1示出了现有技术中采用随机选择二值化算法的方式来选择二值化算法的流程图。

如图1所示，终端设备采集二维码图像并将二维码图像转换成灰度图像后，可以从内置的多种二值化算法中随机一种二值化算法来对灰度图像进行二值化处理，得到相应的二值化图像。若针对该二值化图像识别失败，则重新进行图像采集以获取另一帧二维码图像，并针对该另一帧二维码图像重复上述的处理过程，直至对二维码识别成功。其中，针对该另一帧二维码图像所选择的二值化算法与针对上一帧二维码图像所选择的二值化算法可以是同一算法，还可以是不同算法。

图2示出了现有技术中采用按照算法顺序依次选择的方式来选择二值化算法的流程图。

如图2所示，终端设备内置有N种二值化算法，算法顺序为：二值化算法1，……，二值化算法N，其中，算法顺序可以是指定的。终端设备采集二维码图像并将二维码图像转换成灰度图像后，按照算法顺序首先选择二值化算法1对灰度图像进行二值化处理，得到相应的二值化图像1。若针对该二值化图像1识别成功，则结束。若识别失败，则继续选择下一种二值化算法，在选择算法顺序中的最后一个二值化算法N之前，只要存在一种二值化算法的识别成功，则结束。否则直至二值化算法N，使用二值化算法N对上述灰度图像进行二值化处理，得到相应的二值化图像N。若针对该二值化图像N识别失败，则重新进行图像采集以获取另一帧二维码图像，并针对该另一帧二维码图像重复上述的处理过程，直至对二维码识别成功。若识别成功，则结束。

对于上述任一种方式，每次仅采用单一的一种二值化算法来进行二值化处理。然而，每一帧二维码图像在被采集时都会存在差异，这种差异是指不利于二值化处理的情形，比如光照强度不同，二维码模糊程度不同，甚至终端设备的差异等。并且，不同的二值化算法针对同一情形的二值化处理效果会存在差异。比如，当采集的二维码图像中出现光照强度较强的情形时，有的二值化算法应用时的二值化处理效果较差进而导致识别失败，而有的二值化算法应用时的二值化处理效果则不会受到较大影响，仍然能够识别成功。这里所述的二值化处理效果是指二值化算法所得到的二值化图像中保留的二维码信息的多少，处理效果好表示二值化图像中保留的二维码信息多，处理效果不好表示二值化图像中保留的二维码信息较少。

然而，终端设备在实际采集二维码图像时可能处于一个复杂的场景中，因此可能会同时涉及多种不利于二值化处理的情形。在这种情况下，单一的二值化算法只能应对其中的一种或者少数几种不利于二值化处理的情形，而其他不能应对的情形则会影响二值化算法的处理效果，使得二值化图像中的信息缺失，进而导致识别失败。

为了解决上述问题，本公开提供了一种二维码图像二值化处理方法及装置，在获取到一帧待处理图像后使用至少两种二值化算法分别对待处理图像进行二值化处理，得到对应的二值化图像以及二值化图像中每个像素点的置信度，基于所得到的二值化图像中的各个像素点的置信度确定该像素点的权重，基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理。在融合处理过程中，是基于多张二值化图像中各个像素点的权重来确定融合处理后的二值化图像中像素点的像素值，而每一张二值化图像是由一种二值化算法得到的，也就是说，融合处理过程综合考虑了多种二值化算法的二值化处理效果，对于融合处理后的二值化图像中每个像素点的像素值，采用二值化处理效果最好(由权重最大来体现)的二值化算法的二值化结果，这样通过多种二值化算法来克服同时涉及的不利于二值化处理的多种情形，使得融合处理后的二值化图像保留尽可能多的信息，减少信息缺失。

下面将结合附图来详细描述根据本公开实施例的二维码图像二值化处理方法及装置。

图3示出了本公开的实施例的对二维码图像进行二值化处理的方法的流程图。

如图3所示，在块310，获取一帧待处理图像。

帧是指影像动画中最小单位的单幅影像画面，一帧即为一副静止的画面。在本公开中，一帧即为一副待处理图像。例如，摄像机对二维码进行扫描，摄像机可以获取连续的多帧二维码图像，该多帧二维码图像均为待处理图像，其中的任一帧即为一帧待处理图像。

在本公开中，待处理图像为需要进行二值化处理的图像。例如，待处理图像可以是二维码图像。待处理图像为二维码图像时，该待处理图像中包括有完整二维码。待处理图像可以是灰度图像。下面以待处理图像为灰度图像为例进行介绍。

在块320，使用至少两种二值化算法，分别对待处理图像进行二值化处理，得到对应的二值化图像以及二值化图像中每个像素点的置信度。

在本公开中，所使用的至少两种二值化算法可以是指定的。二值化算法可以是全局均值算法(又称为灰度平均值算法)，大津算法(又称为最大类间方差算法，简称OTSU)，局部邻域均值算法，结合局部邻域均值和全局均值的综合算法，双峰法，迭代法，百分比阈值算法(又称为P-Tile算法)，bernsen算法，Niblack算法，P分位算法，一维最大熵算法，动态阈值算法等算法中的至少一种。

在本公开中，针对同一待处理图像，每一种二值化算法可以对应地生成一张二值化图像。不同的二值化算法进行二值化处理的过程会有差异，比如所采用的二值化阈值会不同，这样导致不同的二值化算法生成的二值化图像存在差异。

例如，全局均值算法中是将所有像素点的灰度值的平均值作为二值化阈值，而大津算法中将图像中的像素点分为背景像素点和前景像素点，再基于背景像素点在图像中的占比，背景像素点的平均灰度值，前景像素点在图像中的占比以及前景像素点的平均灰度值，计算得到二值化阈值。这样，即使针对同一张图像，全局均值算法得到的二值化阈值与大津算法得到的二值化阈值是不同的，两种算法最终得到的二值化图像也会是不同的。

在本公开中，所得到的二值化图像中的每个像素点均对应有一个置信度，每个像素点的置信度是指该像素点经过二值化处理后灰度值为0或255的准确度，该准确度可以是一个概率。

例如，二值化图像中的像素点为黑点(即灰度值为0)，该像素点对应的置信度为90％，则表示该像素点经过二值化处理设置为黑点的概率为90％，也即该像素点设置为黑点的准确度为90％。

在本公开的一个示例中，二值化图像中各个像素点的置信度可以根据以下方式得到：针对二值化图像中的各个像素点，计算该像素点在待处理图像中的对应像素点的灰度值与应用于该二值化图像的二值化算法所采用的二值化阈值之间的差值；以及基于差值的绝对值来确定该像素点的置信度。

在该示例中，所针对的像素点是二值化图像中的像素点，对应像素点是待处理图像中的像素点，该像素点在所属二值化图像中的位置与对应像素点在待处理图像中的位置相同。比如，所针对的像素点在二值化图像中的位置为第二行第三列，则该像素点的对应像素点位于待处理图像中的第二行第三列。

在该示例中，二值化阈值用作判断像素点的灰度值设置为0或255的参考标准，一般来说在二值化过程中，将灰度值小于二值化阈值的像素点设置为0，将灰度值大于二值化阈值的像素点设置为255，对于灰度值等于二值化阈值的像素点，则可以设置为0，也可以设置为255。不同的二值化算法所采用的二值化阈值会有差异。

在一个示例中，可以将差值的绝对值确定为该像素点的置信度。例如，针对二值化图像中第一行第一列的像素点，待处理图像中该位置的像素点的灰度值为120，该二值化图像对应的二值化算法为全局均值算法，该全局均值算法所采用的二值化阈值为80，则可以确定该像素点的置信度为40。

在另一个示例中，在得到差值的绝对值后，可以将绝对值进行归一化处理，并将归一化处理后的结果确定为该像素点的置信度。上述举例中，在得到差值的绝对值为40之后，可以将40除以255以进行归一化处理，所得到的结果40/255即为该像素点的置信度。

在本公开的另一个示例中，二值化图像中各个像素点的置信度可以根据以下方式得到：将二值化图像划分为多个区域；确定二值化图像中的各个像素点所属的区域，作为该像素点的邻域；针对二值化图像中的各个像素点，基于该像素点在待处理图像中的对应像素点的灰度值和邻域中的各像素点在待处理图像中的对应像素点的灰度值，计算该像素点所属的邻域对应的熵值，以作为该像素点的置信度。

在该示例中，二值化图像的划分规则可以是指定的，被划分所得到的区域可以是方形区域。在一个示例中，可以利用a条竖线以及b条横线将二值化图像划分为多个方形区域，其中，a和b均可以是指定的。图4示出了本公开的实施例的二值化图像被划分的一个示例的示意图，如图4所示，a为4，b为4，二值化图像被划分为25个方形区域。对于每个方形区域内的像素点来说，该方形区域即为该像素点的邻域。

在该示例中，计算所得到的熵值可以是二维熵。下面以二维熵为例进行说明。像素点的灰度值为0，即该像素点为黑色的像素点；该像素点所属的邻域内包括有K个像素点，其中K₁个黑点，K₂个白点，则在该邻域内灰度平均值为：j₁＝K₂×255/K。

通过下述公式得到像素点的灰度值与该像素点所属的邻域内的灰度分布的综合特征：

其中，P_ij表示像素点的灰度值与该像素点所属的邻域内的灰度分布的综合特征，M×N为邻域中像素点的总数量。f(i，j)表示灰度值为i且邻域的灰度平均值为j的像素点个数。在各个邻域的灰度平均值均不相同的情况下，f(i，j)即表示灰度值为i的像素点在所属邻域中的个数，例如，f(0，j₁)表示上述方形区域中黑色的像素点的个数。

相应地，针对黑色像素点的灰度值与该邻域中像素点的灰度分布的综合特征为：

针对白色像素点的灰度值与该邻域中像素点的灰度分布的综合特征为：

基于上述得到的综合特征P_ij，通过下述公式得到针对邻域的二维熵H：

即，邻域中针对黑色像素点的二维熵为：

针对白色像素点的二维熵为：

则针对邻域的二维熵H为：

在块330，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。

对于每个像素点来说，权重和置信度成正比关系，置信度越大则权重越大，置信度越小则权重越小。例如，权重与置信度为单调递增的一次函数关系：y＝ax+b，其中，y为权重，x为置信度，a为正系数，b为任意值。

对于各个像素点来说，像素点的置信度越大，则该像素点的权重越大。在一个示例中，在权重基于置信度来确定的情况下，二值化图像中的各个像素点对应的关于置信度和权重的正比关系是一致的。比如，一个像素点的关于置信度和权重的正比关系满足上述一次函数，则其他像素点的关于置信度和权重的正比关系也均满足上述一次函数。

在本公开的一个示例中，对于每个像素点来说，置信度与权重相等，例如，当一个像素点的置信度为90％，则可以确定该像素点的权重为90％。

在本公开的一个示例中，在基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重之前，还可以包括：针对所得到的二值化图像中的处于相同位置的各个像素点，在各个像素点的像素值相同时，将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值。

在该示例中，各个像素点的像素值相同，即表示该各个像素点呈现相同的颜色。例如，在所得到的二值化图像中，对于第一行第一列的像素点来说，各个二值化图像中该位置的像素点的像素值均为0，则表示该位置的像素点为黑色，则可以确定经过融合处理后的二值化图像中该位置的像素点也是黑色。

通过本公开提供的上述示例，在确定权重之前对于像素值相同的处于相同位置的各个像素点，可以直接将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值，而无需在确定像素点的权重再基于权重进行融合处理，减少了操作步骤，提高了二值化处理的效率。

在一个示例中，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重可以包括：针对所得到的二值化图像中的处于相同位置的各个像素点，在各个像素点的像素值不同时，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。

在该示例中，各个像素点的像素值不同，则表示各个像素点的颜色不同。比如，各个像素点中包括白色的像素点和黑色的像素点。此时可以先确定权重再基于权重来进行融合处理。

在块340，基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理。

在本公开中，针对所得到的二值化图像中的处于相同位置的各个像素点，权重最大的像素点的像素值被作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。

在本公开中，二值化处理是针对同一待处理图像的，因此所得到的各个二值化图像中的像素点数量以及排布与待处理图像是相同的，相应地，经过融合处理后的二值化图像的像素点数量以及排布与待处理图像也是相同的。基于此，针对所得到的每个二值化图像中的每个像素点，在所得到的其他二值化图像中均存在与之对应的像素点。

例如，待处理图像包括(1800×1200)个像素点，即待处理图像中的像素点按照1800行和1200列的方式进行排布。那么，所得到的各个二值化图像以及经过融合处理后的二值化图像中的像素点均按照1800行和1200列的方式排布。每一个二值化图像中第一行第一列的像素点是对应的。

在本公开中，对应位置处是指与权重最大的像素点在所属二值化图像中的位置相同的位置处。例如，针对位置为第一行第一列的像素点，二值化图像1中该位置的像素点的权重最大，则在经过融合处理后的二值化图像中对应位置处的像素点即为第一行第一列的像素点。

在本公开中，融合处理是针对所得到的二值化图像中处于相同位置的各个像素点来说的。例如，针对第一行第一列的像素点进行融合处理，则只针对各个二值化图像中第一行第一列的像素点，所得到的像素点也是经过融合处理后的二值化图像中第一行第一列的像素点。

在一个示例中，可以将所得到的二值化图像中处于相同位置的各个像素点作为一组像素点，这样，每一组中的像素点数量即为所得到的二值化图像的数量，然后从每一组像素点中确定出权重最大的像素点，并将权重最大的像素点的像素值作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。

在本公开的一个示例中，待处理图像为二维码图像，即本公开的方案可以应用于二维码识别的场景中。在二维码识别的场景中，使用本公开提供的方法可以得到二维码图像对应的经过融合处理后的二值化图像，然后，可以对经过融合处理后的二值化图像进行识别，以得到二维码图像中的信息。

图5示出了本公开的另一实施例的对二维码图像进行二值化处理的方法的流程图。图5中所示的实施例是上述图3示出的实施例的修改实施例。

在图5示出的实施例中，每个像素点的权重除了考虑置信度以外，还会考虑二值化算法的算法权重的影响。不同的二值化算法进行二值化处理的处理效果会存在差异，也就是准确度会存在差异。将算法权重作为每个像素点的权重的一部分，充分考虑了每种二值化算法的准确度，使得算法权重较大的二值化算法可以更大概率的被采用，进而提高融合处理后的二值化图像的二值化处理效果。

在图5示出的实施例中，块510，块520以及块550的操作分别与上述图3中的块310，块320以及块340相同，在此不再描述。下面仅对不同之处进行详细描述。

在块530，确定每种二值化算法的算法权重。

在本公开中，算法权重用于表征对应二值化算法的准确度，算法权重越大则对应二值化算法越准确。

在融合处理时综合了多种二值化算法，对于算法权重较大的二值化算法，可以更大概率的被采用，而对于算法权重较小的二值化算法，则被采用的概率较小。这样，对于融合处理后的二值化图像中的每个像素点均采用准确程度较高的二值化算法所得到的对应像素点的像素值，提高了融合处理后的二值化图像的二值化处理效果。

在本公开的一个示例中，每种二值化算法的算法权重可以是指定的。具体地，可以根据经验确定每种二值化算法的算法权重。

在本公开的另一个示例中，可以确定每个二值化图像的离散程度，并基于所确定的离散程度，确定每个二值化图像所采用的二值化算法的算法权重。

在该示例中，离散程度用于表征二值化图像中黑白区域的分布。一般来说，二值化图像仅包括黑色区域和白色区域，二值化图像中黑色区域和白色区域的混乱程度越高，则该二值化图像中离散程度越高。当二值化图像中出现较大面积的黑色区域和白色区域，则此时该二值化图像的离散程度会较低。

在本公开的一个示例中，可以将二值化图像划分为多个区域，并统计在各个区域的边界上的分界位置的总数量，以作为该二值化图像的离散程度。

在该示例中，二值化图像的划分方法可以是指定的，例如可以利用至少一条竖线和至少一条横线进行划分。划分所得到的多个区域可以是方形区域、圆形区域、菱形区域以及其他非规则图形区域等。

在该示例中，分界位置是指相邻的黑色区域和白色区域之间的分界线与区域的边界相交的位置。图6示出了本公开的实施例的二值化图像中的分界位置的一个示例的示意图。如图6所示，区域的边界用一条直线来表示，该直线经过6个像素点，该6个像素点中包括3个黑色的像素点和3个白色的像素点，其中，3个黑色的像素点为黑色区域中的像素点，3个白色的像素点为白色区域中的像素点，则图6所示的为黑色区域与白色区域相邻的一部分区域。图中用“○”圈起来的部分即为黑色区域和白色区域相邻的分界位置。

以图4所示的最后一条横线为例，如图4所示，该横线上的每个分界位置均用“○”圈出来，每一个“○”表示一个分界位置，则该横线上的分界位置的数量为10个。

以图4为例，各个区域的边界即为4条横线以及4条竖线，统计各个区域的边界上的分界位置的总数量即统计4条横线以及4条竖线上分界位置的总数量，由图4可知，从左至右的4条竖线的分界位置数量分别为：16，4，16以及16，从上至下的4条横线的分界位置数量分别为：10，16，12以及10。那么统计的总数量为100，则该二值化图像的离散程度为100。

在本公开的另一个示例中，针对该二值化图像中的各个像素值，基于该像素值和该二值化图像中所有像素点的像素值，计算该像素值的熵值；并将该二值化图像中各个像素值的熵值之和确定为该二值化图像的离散程度。

具体地，将二值化图像划分为多个区域之后，根据以下公式可以计算每个像素值的熵值：

H_i＝-P_ijlog P_ij

其中，H_i表示像素值为i的熵值，

在计算出各个像素值的熵值后，根据以下公式计算二值化图像中各个像素值的熵值之和：

其中，H表示熵值之和。在计算得到熵值之和H后，将H确定为二值化图像的离散程度。

在该示例中，因为熵值可以反映出图像中像素点的灰度信息与邻域内灰度值分布的综合特征，通过熵值来确定二值化图像的离散程度，所确定出的离散程度更能反映出二值化图像中黑白区域的分布情况。

需要说明的是，本公开中不限定块530和块520的执行顺序，既可以先执行块520的操作再执行块530的操作，也可以先执行块530的操作再执行块520的操作。

在块540，针对二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重。

在本公开中，针对二值化图像中的每个像素点，对应的算法权重是指该二值化图像所应用的二值化算法对应的算法权重。例如，二值化图像1应用的二值化算法是大津算法，大津算法对应的算法权重是0.8，则针对二值化图像中的每个像素点，对应的算法权重为0.8。

在本公开的一个示例中，针对二值化图像中的每个像素点，使用指定函数来确定该像素点的权重。

在该示例中，指定函数可以是以置信度为自变量，以权重为因变量以及以算法权重为系数的单调递增函数。一种二值化算法对应有一个指定函数，不同的二值化算法对应的算法权重可能会不同，因此每一种二值化算法对应的指定函数中的系数可能存在不同。比如，指定函数为一次递增函数，一种二值化算法的算法权重为0.7，则该二值化算法对应的指定函数可以是：y＝0.7x；另一种二值化算法的算法权重为0.5，则该另一种二值化算法对应的指定函数可以是：y＝0.5x。

针对一种二值化算法得到的二值化图像，该二值化图像中所有像素点的算法权重相同，即系数保持不变，该二值化图像中各个像素点的置信度越大，则对应的权重越大。

针对不同的二值化算法所得到的多个二值化图像，置信度和算法权重越大，则权重越大。当多个像素点的置信度相等时，则该多个像素点各自对应的算法权重越大，相应的权重会越大。

例如，针对待处理图像中的同一像素点，第一种二值化算法对该像素点进行二值化处理后该像素点对应的第一置信度，与第二种二值化算法对该像素点进行二值化处理后该像素点对应的第二置信度相同。若第一种二值化算法的算法权重大于该第二种二值化算法的算法权重，则第一种二值化算法对应的该像素点的权重大于第二种二值化算法对应的该像素点的权重。

图7示出了本公开的实施例的对二维码图像进行二值化处理的装置(在下文中简称为二值化处理装置700)的方框图。如图7所示，二值化处理装置700包括图像获取单元710，二值化处理单元720，像素点权重确定单元730以及图像融合单元740。

图像获取单元710被配置为获取一帧待处理图像。图像获取单元710所执行的操作可以参考上面参照图3描述的块310的操作。

二值化处理单元720被配置为使用至少两种二值化算法，分别对待处理图像进行二值化处理，得到对应的二值化图像以及二值化图像中每个像素点的置信度。二值化处理单元720所执行的操作可以参考上面参照图3描述的块320的操作。

在本公开的一个示例中，二值化图像中各个像素点的置信度根据以下方式得到的：针对二值化图像中的各个像素点，计算该像素点在待处理图像中的对应像素点的灰度值与应用于该二值化图像的二值化算法所采用的二值化阈值之间的差值；以及基于差值的绝对值确定该像素点的置信度。

在本公开的一个示例中，二值化图像中各个像素点的置信度根据以下方式得到的：将二值化图像划分为多个区域；确定二值化图像中的各个像素点所属的区域，作为该像素点的邻域；针对二值化图像中的各个像素点，基于该像素点在待处理图像中的对应像素点的灰度值和邻域中的各像素点在待处理图像中的对应像素点的灰度值，计算该像素点所属的邻域对应的熵值，以作为该像素点的置信度。

像素点权重确定单元730被配置为基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。像素点权重确定单元730所执行的操作可以参考上面参照图3描述的块330的操作。

图像融合单元740被配置为基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理，其中，针对所得到的二值化图像中的处于相同位置的各个像素点，权重最大的像素点的像素值被作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。图像融合单元740所执行的操作可以参考上面参照图3描述的块340的操作。

在本公开的一个示例中，二值化处理装置700还可以包括像素值确定单元。像素值确定单元被配置为针对所得到的二值化图像中的处于相同位置的各个像素点，在各个像素点的像素值相同时，将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值。

像素点权重确定单元730被配置为针对所得到的二值化图像中的处于相同位置的各个像素点，在各像素点的像素值不同时，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。

在本公开的一个示例中，二值化处理装置700还可以包括像素值判断单元，像素值判断单元被配置为在得到对应的二值化图像后判断处于相同位置的各个像素点的像素值是否相同，若相同，则触发像素值确定单元执行将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值的操作；若不相同，则触发像素点权重确定单元730执行基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重的操作。

在本公开的一个示例中，待处理图像为二维码图像；二值化处理装置700还可以包括二维码识别单元，二维码识别单元被配置为对经过融合处理后的二值化图像进行识别，以得到二维码图像中的信息。

图8示出了本公开的另一实施例的对二维码图像进行二值化处理的装置(在下文中简称为二值化处理装置800)的方框图。如图8所示，二值化处理装置800包括图像获取单元810，二值化处理单元820，算法权重确定单元830，像素点权重确定单元840以及图像融合单元850。

图像获取单元810，二值化处理单元820以及图像融合单元850的结构和操作与上面参照图7描述的图像获取单元710，二值化处理单元720以及图像融合单元740的结构和操作相同，在此不再描述。

算法权重确定单元830被配置为确定每种二值化算法的算法权重。算法权重确定单元830所执行的操作可以参考上面参照图5描述的块530的操作。

像素点权重确定单元840被配置为针对二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重。在本公开的一个示例中，像素点权重确定单元840被配置为：针对所述二值化图像中的每个像素点，使用指定函数来确定该像素点的权重，所述指定函数是以置信度为自变量，以权重为因变量以及以算法权重为系数的单调递增函数。像素点权重确定单元840所执行的操作可以参考上面参照图5描述的块540的操作。

图9示出了本公开的实施例的算法权重确定单元的一个示例的方框图。如图9所示，算法权重确定单元830可以包括离散程度确定模块831和算法权重确定模块835。

离散程度确定模块831被配置为确定每个二值化图像的离散程度，所述离散程度用于表征该二值化图像中黑白区域分布。在本公开的一个示例中，离散程度确定模块被配置为：将该二值化图像划分为多个区域，并且统计在各个区域的边界上的分界位置的总数量，以作为该二值化图像的离散程度；或者，针对该二值化图像中的各个像素值，基于该像素值和该二值化图像中所有像素点的像素值，计算该像素值的熵值；并将该二值化图像中各个像素值的熵值之和确定为该二值化图像的离散程度。

算法权重确定模块835被配置为基于所述离散程度，确定每个二值化图像所采用的二值化算法的算法权重。

以上参照图1到图9，对根据本公开的对二维码图像进行二值化处理的方法及装置的实施例进行了描述。

本公开的对二维码图像进行二值化处理的装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本公开中，对二维码图像进行二值化处理的装置例如可以利用计算设备实现。

图10示出了本公开的实施例的对二维码图像进行二值化处理的方法的计算设备1000的方框图。

如图10所示，计算设备1000可以包括至少一个处理器1010、存储器(例如，非易失性存储器)1020、内存1030和通信接口1040，并且至少一个处理器1010、存储器1020、内存1030和通信接口1040经由总线1050连接在一起。至少一个处理器1010执行在存储器中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。

在一个实施例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器1010：获取一帧待处理图像；使用至少两种二值化算法，分别对待处理图像进行二值化处理，得到对应的二值化图像以及二值化图像中每个像素点的置信度；基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重；基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理，其中，针对所得到的二值化图像中的处于相同位置的各个像素点，权重最大的像素点的像素值被作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。

应该理解，在存储器中存储的计算机可执行指令当执行时使得至少一个处理器1010进行本公开的各个实施例中以上结合图1-9描述的各种操作和功能。

根据一个实施例，提供了一种例如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图1-9描述的各种操作和功能。

具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。

在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。

可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。

以上结合附图详细描述了本公开的实施例的可选实施方式，但是，本公开的实施例并不限于上述实施方式中的具体细节，在本公开的实施例的技术构思范围内，可以对本公开的实施例的技术方案进行多种简单变型，这些简单变型均属于本公开的实施例的保护范围。

本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (20)

1.一种对二维码图像进行二值化处理的方法，包括：

获取一帧待处理图像；

使用至少两种二值化算法，分别对所述待处理图像进行二值化处理，得到对应的二值化图像以及所述二值化图像中每个像素点的置信度；

基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重；以及

基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理，其中，针对所得到的二值化图像中的处于相同位置的各个像素点，权重最大的像素点的像素值被作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。

2.如权利要求1所述的方法，还包括：

确定每种二值化算法的算法权重；以及

基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重包括：

针对所述二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重。

3.如权利要求2所述的方法，其中，针对所述二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重包括：

针对所述二值化图像中的每个像素点，使用指定函数来确定该像素点的权重，所述指定函数是以置信度为自变量，以权重为因变量以及以算法权重为系数的单调递增函数。

4.如权利要求2所述的方法，其中，确定每种二值化算法的算法权重包括：

确定每个二值化图像的离散程度，所述离散程度用于表征该二值化图像中黑白区域分布；以及

基于所述离散程度，确定每个二值化图像所采用的二值化算法的算法权重。

5.如权利要求4所述的方法，其中，确定每个二值化图像的离散程度包括：

将该二值化图像划分为多个区域，并且统计在各个区域的边界上的分界位置的总数量，以作为该二值化图像的离散程度；或者

针对该二值化图像中的各个像素值，基于该像素值和该二值化图像中所有像素点的像素值，计算该像素值的熵值；并将该二值化图像中各个像素值的熵值之和确定为该二值化图像的离散程度。

6.如权利要求1所述的方法，其中，所述二值化图像中各个像素点的置信度根据以下方式得到的：

针对所述二值化图像中的各个像素点，计算该像素点在所述待处理图像中的对应像素点的灰度值与应用于该二值化图像的二值化算法所采用的二值化阈值之间的差值；以及

基于所述差值的绝对值确定该像素点的置信度。

7.如权利要求1所述的方法，其中，所述二值化图像中各个像素点的置信度根据以下方式得到的：

将所述二值化图像划分为多个区域；

确定所述二值化图像中的各个像素点所属的区域，作为该像素点的邻域；以及

针对所述二值化图像中的各个像素点，基于该像素点在所述待处理图像中的对应像素点的灰度值和所述邻域中的各像素点在所述待处理图像中的对应像素点的灰度值，计算该像素点所属的邻域对应的熵值，以作为该像素点的置信度。

8.如权利要求1所述的方法，其中，在基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重之前，所述方法还包括：

针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各个像素点的像素值相同时，将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值；以及

基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重包括：

针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各像素点的像素值不同时，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。

9.如权利要求1-8中任一所述的方法，其中，所述待处理图像为二维码图像；所述方法还包括：

对经过融合处理后的二值化图像进行识别，以得到所述二维码图像中的信息。

10.一种对二维码图像进行二值化处理的装置，包括：

图像获取单元，被配置为获取一帧待处理图像；

二值化处理单元，被配置为使用至少两种二值化算法，分别对所述待处理图像进行二值化处理，得到对应的二值化图像以及所述二值化图像中每个像素点的置信度；

像素点权重确定单元，被配置为基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重；以及

图像融合单元，被配置为基于所得到的各个像素点的权重对所得到的二值化图像进行融合处理，其中，针对所得到的二值化图像中的处于相同位置的各个像素点，权重最大的像素点的像素值被作为经过融合处理后的二值化图像的对应位置处的像素点的像素值。

11.如权利要求10所述的装置，还包括：

算法权重确定单元，被配置为确定每种二值化算法的算法权重；以及

所述像素点权重确定单元被配置为：

针对所述二值化图像中的每个像素点，基于置信度和对应的算法权重来确定该像素点的权重。

12.如权利要求11所述的装置，其中，所述像素点权重确定单元被配置为：

针对所述二值化图像中的每个像素点，使用指定函数来确定该像素点的权重，所述指定函数是以置信度为自变量，以权重为因变量以及以算法权重为系数的单调递增函数。

13.如权利要求11所述的装置，其中，所述算法权重确定单元包括：

离散程度确定模块，被配置为确定每个二值化图像的离散程度，所述离散程度用于表征该二值化图像中黑白区域分布；以及

算法权重确定模块，被配置为基于所述离散程度，确定每个二值化图像所采用的二值化算法的算法权重。

14.如权利要求13所述的装置，其中，所述离散程度确定模块被配置为：

将该二值化图像划分为多个区域，并且统计在各个区域的边界上的分界位置的总数量，以作为该二值化图像的离散程度；或者

针对该二值化图像中的各个像素值，基于该像素值和该二值化图像中所有像素点的像素值，计算该像素值的熵值；并将该二值化图像中各个像素值的熵值之和确定为该二值化图像的离散程度。

15.如权利要求10所述的装置，其中，所述二值化图像中各个像素点的置信度根据以下方式得到的：

针对所述二值化图像中的各个像素点，计算该像素点在所述待处理图像中的对应像素点的灰度值与应用于该二值化图像的二值化算法所采用的二值化阈值之间的差值；以及

基于所述差值的绝对值确定该像素点的置信度。

16.如权利要求10所述的装置，其中，所述二值化图像中各个像素点的置信度根据以下方式得到的：

将所述二值化图像划分为多个区域；

确定所述二值化图像中的各个像素点所属的区域，作为该像素点的邻域；以及

针对所述二值化图像中的各个像素点，基于该像素点在所述待处理图像中的对应像素点的灰度值和所述邻域中的各像素点在所述待处理图像中的对应像素点的灰度值，计算该像素点所属的邻域对应的熵值，以作为该像素点的置信度。

17.如权利要求10所述的装置，其中，所述装置还包括：

像素值确定单元，被配置为针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各个像素点的像素值相同时，将该像素值确定为经过融合处理后的二值化图像中的对应像素点的像素值；以及

所述像素点权重确定单元被配置为：

针对所得到的二值化图像中的处于相同位置的各个像素点，在所述各像素点的像素值不同时，基于所得到的二值化图像中的各个像素点的置信度，确定该像素点的权重。

18.如权利要求10-17中任一所述的装置，其中，所述待处理图像为二维码图像；所述装置还包括：

二维码识别单元，被配置为对经过融合处理后的二值化图像进行识别，以得到所述二维码图像中的信息。

19.一种计算设备，包括：

至少一个处理器，以及

与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1到9中任一所述的方法。

20.一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到9中任一所述的方法。

Images