CN112258425A - 一种二维码图像清晰化去模糊处理方法 - Google Patents

一种二维码图像清晰化去模糊处理方法 Download PDF

Info

Publication number
CN112258425A
CN112258425A CN202011328246.3A CN202011328246A CN112258425A CN 112258425 A CN112258425 A CN 112258425A CN 202011328246 A CN202011328246 A CN 202011328246A CN 112258425 A CN112258425 A CN 112258425A
Authority
CN
China
Prior art keywords
model
generator
training
image
dimensional code
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.)
Pending
Application number
CN202011328246.3A
Other languages
English (en)
Inventor
赵武
王志鹏
郝德浩
孙力泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Wanwei Information Technology Co Ltd
Original Assignee
China Telecom Wanwei Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Wanwei Information Technology Co Ltd filed Critical China Telecom Wanwei Information Technology Co Ltd
Priority to CN202011328246.3A priority Critical patent/CN112258425A/zh
Publication of CN112258425A publication Critical patent/CN112258425A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • G06T5/70—Denoising; Smoothing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，特别是一种二维码图像清晰化去模糊处理方法。特别是一种基于DeblurGAN模型结合增强对扫描件二维码识别的方法，所述方法步骤包括：a）DeblurGAN模型搭建；b）QRnet结合数字图像处理生成仿真训练集；c）模型训练；d）实验数据测试，根据业务数据识别率挑选适合的权重模型。本发明旨在扫描件中二维码出现模糊难以识别的情况下，能够通过模型生成清晰可读的图像，进而方便后续的识别工作。

Description

一种二维码图像清晰化去模糊处理方法
技术领域
本发明涉及图像识别技术领域，特别是一种二维码图像清晰化去模糊处理方法。
背景技术
随着现代社会的发展，二维码技术作为物联网的核心感知技术和互联网的重要信息入口，已逐步渗透到国民经济和社会活动的各个领域，成为我国实体经济的重要组成部分和全球新兴信息产业竞争的重要战略重点，除此之外，二维码也被运用到各种票据中，例如发票、车票、收据等。在票据管理上，传统票务管理依靠人工、人力成本较高，效率低，而且票据比较多，在任务繁忙的时候，传统方法需要人力熬夜加班，甚至都无法完成指标，因此，为了节省成本，提升效率，通过计算机系统录入票据信息就显得尤为重要。
目前，在生产领域针对二维码识别方面已有大量开源库，例如Zbar、Zxing等，识别过程也相对简单，仅需要通过扫描成图片形式，经过检测算法将其截取出来，再用这些开源算法识别即可。但在扫描过程中，可能会造成图片像素丢失，这些问题往往导致二维码识别成功率不能满足现代社会对高效信息的需求，因此，如何通过处理将扫描件二维码图像尽可能复原成可供识别的状态成为当前迫切需要解决的问题。
目前，针对扫描件二维码图像像素丢失的情况，可以用传统图像算法来清晰化图片并去除噪声点，如图1所示。
尽管传统图像算法在处理增强大多数图片时都表现不错，但任然难以处理严重模糊的图片。
发明内容
本发明为了克服传统图像算法在处理扫描件二维码图像的不足，借鉴了一种DeblurGAN的模型，旨在消除扫描件二维码图像的噪声点，便于后续解码，进而提升二维码识别成功率。
本发明解决其技术问题所采用的技术方案为：一种二维码图像清晰化去模糊处理方法，其特征在于包括如下步骤：
（1）模型网络结构
生成器架构包含2个跨步的卷积块、9个残差块ResBlocks和2个转置卷积块组成，其中，跨步卷积块步长为2，每个残差块ResBlock由卷积层、InstanceNorm层和Relu激活层组成，并在每个ResBlock中的第一个卷积层之后添加Dropout层；使用ResOut全局跳跃连接，让生成器学习原始模糊图像
Figure 52117DEST_PATH_IMAGE001
的残差矫正
Figure 752351DEST_PATH_IMAGE002
，因此标签清晰图像为
Figure 733208DEST_PATH_IMAGE003
；判别器的架构它是由6个卷积块以及2个全连接层组成，卷积块中添加InstanceNorm层和LeakyReLU激活层；
（2）损失函数
将损失函数表示为内容损失和对抗损失的组合，公式如下：
Figure 557285DEST_PATH_IMAGE004
其中，
Figure 392517DEST_PATH_IMAGE005
为对抗性损失函数，
Figure 201336DEST_PATH_IMAGE006
为内容损失函数，
Figure 653177DEST_PATH_IMAGE007
为超参数，用于平衡两种损失函数的比重；
对抗性损失函数我们使用WGAN-GP 作为批评函数，判别器不再输出生成图片是否为真实图片的概率，损失函数计算如下：
Figure 454911DEST_PATH_IMAGE008
其中，
Figure 410228DEST_PATH_IMAGE009
为模型判别器，
Figure 639215DEST_PATH_IMAGE010
为模型生成器，
Figure 588805DEST_PATH_IMAGE011
为模型的输入，也就是需要清晰化的模糊图像；
由于，处理的二维码图片是单通道的灰度图，内容损失函数采用均方误差损失函数，公式如下：
Figure 459809DEST_PATH_IMAGE012
其中，
Figure 551524DEST_PATH_IMAGE013
、
Figure 748150DEST_PATH_IMAGE014
分别为图像的宽和高，x、y分别为图像中各像素点的位置，
Figure 190895DEST_PATH_IMAGE015
为清晰图片，也就是模型的训练标签，
Figure 871449DEST_PATH_IMAGE016
为模型生成器，
Figure 817671DEST_PATH_IMAGE017
为模型的输入；
（3）训练集
该模型的生成器输出为256×256的图像矩阵，训练集中的每条数据对应标注一个256×256的标签图片。
还包括步骤：（4）模型训练
使用QRnet二维码生成器经过图像处理仿真生成训练集，训练的目标在于给出模糊图像
Figure 60564DEST_PATH_IMAGE018
作为输入的情况下恢复清晰图像
Figure 334813DEST_PATH_IMAGE019
，为此训练生成器
Figure 807340DEST_PATH_IMAGE020
，使得对于每个
Figure 857335DEST_PATH_IMAGE021
，它估计相应的
Figure 349759DEST_PATH_IMAGE022
图像，此外，在训练阶段引入批评功能
Figure 485205DEST_PATH_IMAGE023
并以对抗方式训练两个网络，
此模型通过Keras深度学习框架实现，训练过程如下，每一代都先在
Figure 970544DEST_PATH_IMAGE023
上执行五步梯度下降，然后在
Figure 875046DEST_PATH_IMAGE020
上执行一步，使用Adam优化算法作为优化器，对于生成器和判别器，学习率均被初始化为
Figure 522059DEST_PATH_IMAGE024
，每一代我们使用100张数据进行训练，此外，模型应用了Dropout正则化和InstanceNorm层，把批量大小BatchSize设定为1。
本发明公开了一种基于DeblurGAN模型结合增强对扫描件二维码识别的方法，所述方法步骤包括：a）DeblurGAN模型搭建；b）QRnet结合数字图像处理生成仿真训练集；c）模型训练；d）实验数据测试，根据业务数据识别率挑选适合的权重模型。本发明旨在扫描件中二维码出现模糊难以识别的情况下，能够通过模型生成清晰可读的图像，进而方便后续的识别工作。具体特点如下：
（1）在传统方法处理扫描件二维码图片不足的情况下，搭建一种QRnet-GAN模型达到图像清晰化去噪声的目的，进而提升各种解码方式对扫描件二维码图像的识别率。
（2）在训练数据有限且难以标注标签的情况下，使用python中的 qrcode库结合opencv数字图像处理来生成仿实验数据的训练集。
附图说明
图1为传统图像算法处理扫描件二维码示意图；
图2为本发明的DeblurGAN网络模型结构示意图；
图3为本发明的DeblurGAN效果对比展示图；
图4为DeblurGAN处理后图像与处理前解码识别成功率对比图；
图5为每一代DeblurGAN处理后图像解码识别成功率折线图。
具体实施方式
GAN网络自2014年提出以来在学术界受到了广泛推崇。在计算机视觉领域中，大部分工程任务都可以使用GAN来提升性能。
GAN网络实际上是由两个网络组成，一个是生成网络，另一个是判别网络。其实，GAN网络的核心目的在于它的生成器，而判别器的存在是为了引入对抗训练，通过这种方式让生成器能够生成高质量的图片。
GAN网络中的优化目标函数如下：
Figure 143535DEST_PATH_IMAGE026
其中，
Figure 432565DEST_PATH_IMAGE028
是数据分布，
Figure 191574DEST_PATH_IMAGE030
是模型分布，由
Figure 291379DEST_PATH_IMAGE032
，
Figure 135838DEST_PATH_IMAGE034
，
Figure 962980DEST_PATH_IMAGE036
表示G的输入。该公式主要表明GAN网络的训练模式，通过最大化判别器来使生成器的输出与标签之间的距离最小化。
具体名词说明
ResBlocks：即残差块，残差网络中提出的一种模型结构
Conv：即卷积块，卷积网络中的一个重要单元，用于提取特征
InstanceNorm：即归一化层，在一个channel内做归一化
Relu：即修正线性单元，常用在神经网络激活层
LeakyRelu：即Relu变体，常用在神经网络激活层
ResOut：即全局跳跃连接，模型输入值和最后输出值叠加求和
Dropout：即随机失效，防止过拟合的常见方法
Adam：即一种优化算法，基于训练数据迭代地更新模型权重
BatchSize：即批量大小，每次训练传入模型的数据数量
Conv Transpose：即转置卷积，上采样的一张方法，本质上是卷积的逆操作
FC：即全连接层，全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。
为实现上述本发明目的，本发明采取的技术方案为基于图像数字处理和DeblurGAN结合提升对扫描件二维码图片识别率的方法，包括以下几个步骤：
DeblurGAN模型
本专利根据现实业务需求，基于GAN网络的性质以及其他相关文献，搭建一种名为DeblurGAN的模型，用于增强对扫描件二维码的识别。
模型网络结构
生成器架构如图2（a）所示，它包含2个跨步的卷积快，9个ResBlocks和2个转置卷积块组成。其中，跨步卷积块步长为2，每个ResBlock由卷积层，InstanceNorm层和Relu激活层组成，并在每个ResBlock中的第一个卷积层之后添加Dropout层。此外，使用ResOut全局跳跃连接，让生成器学习原始模糊图像
Figure DEST_PATH_IMAGE038
的残差矫正
Figure DEST_PATH_IMAGE040
，因此标签清晰图像为
Figure DEST_PATH_IMAGE042
。这种架构可以使得训练更快，同时具有更好的泛化性能。
判别器的架构如图2（b）所示，它是由6个卷积块以及2个全连接层组成，卷积块中添加InstanceNorm层和LeakyReLU激活层。
将损失函数表示为内容损失和对抗损失的组合，公式如下：
Figure 806521DEST_PATH_IMAGE004
其中，
Figure 342807DEST_PATH_IMAGE005
为对抗性损失函数，
Figure 674563DEST_PATH_IMAGE006
为内容损失函数，
Figure 311255DEST_PATH_IMAGE007
为超参数，用于平衡两种损失函数的比重；
对抗性损失函数我们使用WGAN-GP 作为批评函数，判别器不再输出生成图片是否为真实图片的概率，损失函数计算如下：
Figure 44855DEST_PATH_IMAGE008
其中，
Figure 752042DEST_PATH_IMAGE009
为模型判别器，
Figure 571094DEST_PATH_IMAGE010
为模型生成器，
Figure 5617DEST_PATH_IMAGE011
为模型的输入，也就是需要清晰化的模糊图像；
由于，处理的二维码图片是单通道的灰度图，内容损失函数采用均方误差损失函数，公式如下：
Figure 610036DEST_PATH_IMAGE012
其中，
Figure 465954DEST_PATH_IMAGE013
、
Figure 772301DEST_PATH_IMAGE014
分别为图像的宽和高，x、y分别为图像中各像素点的位置，
Figure 744936DEST_PATH_IMAGE015
为清晰图片，也就是模型的训练标签，
Figure 672703DEST_PATH_IMAGE016
为模型生成器，
Figure 236540DEST_PATH_IMAGE017
为模型的输入；
训练集
随着信息时代的高速发展，计算机信息处理能力和计算能力不断提高，神经网络的强大功能使其在生产领域发挥出前所未有的作用，但在业务数据及其匮乏、数据标签需要人为标注的前提下，有限的成本很难使其达到令人满意的效果。
一方面，本发明的业务数据量有限，没有办法使其构成一个庞大的训练集。另一方面，该模型的生成器输出为256×256的图像矩阵，这就意味着训练集中的每条数据，相对应都需要人为标注一个256×256的标签图片。如此庞大的数据处理使工程难以在有限的时间、人力成本下完成。
模型训练
本发明针对业务数据的分布，使用QRnet二维码生成器经过图像处理仿真生成训练集。训练的目标在于给出模糊图像
Figure 312074DEST_PATH_IMAGE018
作为输入的情况下恢复清晰图像
Figure 117697DEST_PATH_IMAGE019
，为此训练生成器
Figure 945976DEST_PATH_IMAGE020
，使得对于每个
Figure 431446DEST_PATH_IMAGE021
，它估计相应的
Figure 977965DEST_PATH_IMAGE022
图像，此外，在训练阶段引入批评功能
Figure 574294DEST_PATH_IMAGE023
并以对抗方式训练两个网络。
此模型通过Keras深度学习框架实现，训练过程如下，每一代都先在
Figure 725921DEST_PATH_IMAGE023
上执行五步梯度下降，然后在
Figure 625701DEST_PATH_IMAGE020
上执行一步，使用Adam优化算法作为优化器，对于生成器和判别器，学习率均被初始化为
Figure 206986DEST_PATH_IMAGE024
，每一代我们使用100张数据进行训练，此外，模型应用了Dropout正则化和InstanceNorm层，把批量大小BatchSize设定为1。
实验结果及分析
（1）实验数据
本次测试数据是真实场景下对扫描件中二维码区域截取而来，我们将48张实验数据选取其中的8张数据经过灰度化、去噪声之后，再放入生成器网络训练输出的结果如图3所示。
（2）实验结果
模型训练完成后，将测试集图片作为输入，经过生成器
Figure DEST_PATH_IMAGE043
输出后得到清晰化图片，再通过Zbar、Zxing开源库的解码测试，识别率有很大提升，由于实验数据有限，我们只统计了已有的48张数据的识别率，测试结果如表1、2所示。
表1为 Zbar解码识别成功率
Figure DEST_PATH_IMAGE044
表2为Zxing解码识别成功率
Figure DEST_PATH_IMAGE045
（3）实验分析
根据图4可以看出，经过DeblurGAN处理后的图像无论是用Zbar解码还是Zxing解码，在识别率上都有大幅度提升，其中，用Zbar解码更是达到了百分之百成功率。
根据图5可以看出，随着DeblurGAN训练代数的增加，识别成功率在第50代处达到饱和。
此外，在1500代之后，成功率开始下降，这是因为尽管训练数据是仿实验数据生成的图像，但毕竟一个是生成数据，一个是现实数据，其两者之间分布还是存有不同，一直训练会导致模型对训练数据过拟合的情况。此外，在1500代之后，成功率开始下降，这是因为尽管训练数据是仿实验数据生成的图像，但毕竟一个是生成数据，一个是现实数据，其两者之间分布还是存有不同，继续训练可能产生过拟合的情况。

Claims (2)

1.一种二维码图像清晰化去模糊处理方法，其特征在于包括如下步骤：
（1）模型网络结构
生成器架构包含2个跨步的卷积块、9个残差块ResBlocks和2个转置卷积块组成，其中，跨步卷积块步长为2，每个残差块ResBlock由卷积层、InstanceNorm层和Relu激活层组成，并在每个ResBlock中的第一个卷积层之后添加Dropout层；使用ResOut全局跳跃连接，让生成器学习原始模糊图像
Figure 415775DEST_PATH_IMAGE001
的残差矫正
Figure 789994DEST_PATH_IMAGE002
，因此标签清晰图像为
Figure 946300DEST_PATH_IMAGE003
；判别器的架构它是由6个卷积块以及2个全连接层组成，卷积块中添加InstanceNorm层和LeakyReLU激活层；
（2）损失函数
将损失函数表示为内容损失和对抗损失的组合，公式如下：
Figure 354411DEST_PATH_IMAGE004
其中，
Figure 879939DEST_PATH_IMAGE005
为对抗性损失函数，
Figure 568934DEST_PATH_IMAGE006
为内容损失函数，
Figure 648754DEST_PATH_IMAGE007
为超参数，用于平衡两种损失函数的比重；
对抗性损失函数我们使用WGAN-GP 作为批评函数，判别器不再输出生成图片是否为真实图片的概率，损失函数计算如下：
Figure 465751DEST_PATH_IMAGE008
其中，
Figure 642523DEST_PATH_IMAGE009
为模型判别器，
Figure 299157DEST_PATH_IMAGE010
为模型生成器，
Figure 397432DEST_PATH_IMAGE011
为模型的输入，也就是需要清晰化的模糊图像；
由于，处理的二维码图片是单通道的灰度图，内容损失函数采用均方误差损失函数，公式如下：
Figure 194618DEST_PATH_IMAGE012
其中，
Figure 234686DEST_PATH_IMAGE013
、
Figure 59291DEST_PATH_IMAGE014
分别为图像的宽和高，x、y分别为图像中各像素点的位置，
Figure 444529DEST_PATH_IMAGE015
为清晰图片，也就是模型的训练标签，
Figure 606258DEST_PATH_IMAGE016
为模型生成器，
Figure 259088DEST_PATH_IMAGE017
为模型的输入；
（3）训练集
该模型的生成器输出为256×256的图像矩阵，训练集中的每条数据对应标注一个256×256的标签图片。
2.根据权利要求1所述的一种二维码图像清晰化去模糊处理方法，其特征在于还包括步骤：
（4）模型训练
使用QRnet二维码生成器经过图像处理仿真生成训练集，训练的目标在于给出模糊图像
Figure 251665DEST_PATH_IMAGE018
作为输入的情况下恢复清晰图像
Figure 918007DEST_PATH_IMAGE019
，为此训练生成器
Figure 181629DEST_PATH_IMAGE020
，使得对于每个
Figure 924851DEST_PATH_IMAGE021
，它估计相应的
Figure 982937DEST_PATH_IMAGE022
图像，此外，在训练阶段引入批评功能
Figure 136575DEST_PATH_IMAGE023
并以对抗方式训练两个网络，
此模型通过Keras深度学习框架实现，训练过程如下，每一代都先在
Figure 156937DEST_PATH_IMAGE023
上执行五步梯度下降，然后在
Figure 377834DEST_PATH_IMAGE020
上执行一步，使用Adam优化算法作为优化器，对于生成器和判别器，学习率均被初始化为
Figure 246302DEST_PATH_IMAGE024
，每一代我们使用100张数据进行训练，此外，模型应用了Dropout正则化和InstanceNorm层，把批量大小BatchSize设定为1。
CN202011328246.3A 2020-11-24 2020-11-24 一种二维码图像清晰化去模糊处理方法 Pending CN112258425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011328246.3A CN112258425A (zh) 2020-11-24 2020-11-24 一种二维码图像清晰化去模糊处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011328246.3A CN112258425A (zh) 2020-11-24 2020-11-24 一种二维码图像清晰化去模糊处理方法

Publications (1)

Publication Number Publication Date
CN112258425A true CN112258425A (zh) 2021-01-22

Family

ID=74225439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011328246.3A Pending CN112258425A (zh) 2020-11-24 2020-11-24 一种二维码图像清晰化去模糊处理方法

Country Status (1)

Country Link
CN (1) CN112258425A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114528961A (zh) * 2022-02-21 2022-05-24 京北方信息技术股份有限公司 一种可识别二维码图像生成方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223259A (zh) * 2019-06-14 2019-09-10 华北电力大学（保定） 一种基于生成式对抗网络的道路交通模糊图像增强方法
CN110378844A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 基于循环多尺度生成对抗网络的图像盲去运动模糊方法
WO2020078236A1 (zh) * 2018-10-17 2020-04-23 京东方科技集团股份有限公司 二维码生成方法、装置、存储介质及电子设备
CN111145116A (zh) * 2019-12-23 2020-05-12 哈尔滨工程大学 一种基于生成对抗网络的海面雨天图像样本增广方法
CN111199522A (zh) * 2019-12-24 2020-05-26 重庆邮电大学 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法
CN111612703A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于生成对抗网络的图像盲去模糊方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020078236A1 (zh) * 2018-10-17 2020-04-23 京东方科技集团股份有限公司 二维码生成方法、装置、存储介质及电子设备
CN110223259A (zh) * 2019-06-14 2019-09-10 华北电力大学（保定） 一种基于生成式对抗网络的道路交通模糊图像增强方法
CN110378844A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 基于循环多尺度生成对抗网络的图像盲去运动模糊方法
CN111145116A (zh) * 2019-12-23 2020-05-12 哈尔滨工程大学 一种基于生成对抗网络的海面雨天图像样本增广方法
CN111199522A (zh) * 2019-12-24 2020-05-26 重庆邮电大学 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法
CN111612703A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于生成对抗网络的图像盲去模糊方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DONGWOOK LEE等: "Supplementary material for "CollaGAN: Collaborative GAN for Missing Image Data Imputation"", 《CVPR》 *
孙季丰等: "基于DeblurGAN和低秩分解的去运动模糊", 《华南理工大学学报(自然科学版)》 *
安祺等: "基于生成对抗网络去除车辆图像运动模糊模型", 《天津师范大学学报(自然科学版)》 *
林凡强等: "基于生成对抗网络的QR码去模糊算法", 《包装工程》 *
林椹尠等: "利用残差密集网络的运动模糊复原方法", 《智能系统学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114528961A (zh) * 2022-02-21 2022-05-24 京北方信息技术股份有限公司 一种可识别二维码图像生成方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Cai et al. Blind inpainting using the fully convolutional neural network
CN112818862B (zh) 基于多源线索与混合注意力的人脸篡改检测方法与系统
CN111311563A (zh) 一种基于多域特征融合的图像篡改检测方法
Zhang et al. A deep learning approach in the discrete cosine transform domain to median filtering forensics
CN112991278B (zh) RGB空域特征与LoG时域特征结合的Deepfake视频检测方法及系统
CN113723295A (zh) 一种基于图像域频域双流网络的人脸伪造检测方法
CN109949200B (zh) 基于滤波器子集选择和cnn的隐写分析框架构建方法
Chen et al. Automated design of neural network architectures with reinforcement learning for detection of global manipulations
Yu et al. Robust median filtering forensics by CNN-based multiple residuals learning
CN113378949A (zh) 一种基于胶囊网络和混合注意力的双重生成对抗学习方法
CN115063318A (zh) 自适应频率分解的低光照图像增强方法与相关设备
CN115240259A (zh) 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统
CN115937693A (zh) 一种基于遥感图像的道路识别方法及系统
CN116433909A (zh) 基于相似度加权多教师网络模型的半监督图像语义分割方法
Li et al. Single image super-resolution reconstruction based on fusion of internal and external features
An et al. RBDN: Residual bottleneck dense network for image super-resolution
CN114581789A (zh) 一种高光谱图像分类方法及系统
Zhang et al. Feature compensation network based on non-uniform quantization of channels for digital image global manipulation forensics
CN112258425A (zh) 一种二维码图像清晰化去模糊处理方法
Lai et al. Generative focused feedback residual networks for image steganalysis and hidden information reconstruction
Singh et al. StegGAN: hiding image within image using conditional generative adversarial networks
CN113688715A (zh) 面部表情识别方法及系统
Li et al. Adversarial feature hybrid framework for steganography with shifted window local loss
Xiu et al. Double discriminative face super-resolution network with facial landmark heatmaps
Lv et al. Non-local sparse attention based swin transformer V2 for image super-resolution

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210122

RJ01 Rejection of invention patent application after publication