CN113033744A - 一种艺术风格qr码的生成方法及系统 - Google Patents

Abstract

本发明是一种艺术风格QR码的生成方法及系统，属于QR码生成技术领域。本发明系统包括标准QR码编码器、起始优化图像生成模块、采样模拟层模块、神经网络优化器以及艺术风格QR码输出模块。本发明方法生成一个起始优化图像I，通过采样模拟层卷积获取模拟的QR码解码结果，由卷积结果与目标QR码可计算编码损失，由起始图像与艺术风格图像可计算风格损失，编码损失和风格损失加权求和得到总体损失，由神经网络优化器优化调整图像I中的像素值，使得总体损失最小化；最后输出具有艺术风格且高鲁棒性的艺术风格QR码I。本发明可端到端的直接生成艺术风格QR码，具备较高的扫描鲁棒性。

Description

一种艺术风格QR码的生成方法及系统

技术领域

本发明涉及QR码技术领域、风格迁移技术领域、尤其涉及一种艺术风格QR码图像的生成方法及系统。

背景技术

QR(Quick Response)码是世界上应用最广泛的多媒体信息载体之一。普通的QR码由单调的黑白编码模块组成，外观单调简陋，视觉不美观。因此，近几年来，开始出现多种针对QR码的视觉优化的技术。但这些现有技术生成的QR码图像往往采用机械的图像处理技术，优化编码模块外形、或嵌入背景图像，或通过QR码模块调整及模块中心亮度调整等一系列手段获取艺术二维码，但是目前生成的艺术二维码的多样性较差、视觉提升效果有限。

发明内容

本发明针对目的现有技术生成的艺术化QR码图像的视觉质量低、多样化和个性化差等问题，提供了一种艺术风格QR码的生成方法及系统，实现通过输入不同的艺术风格图像，直接生成不同艺术风格、且可读性强的QR码图像，同时也确保QR码扫描识别的鲁棒性。

本发明的一种艺术风格QR码的生成方法，实现步骤如下：

步骤1，对输入的编码消息通过标准QR码编码器得到编码模块矩阵Q_m；

步骤2，输入尺寸相同的风格图像I_s和起始优化图像I；所述起始优化图像I为三通道RGB白噪声图像或高斯模糊图像；

步骤3，通过采样模拟层ψ将图像I转化为模拟的QR码解码结果I^Q；

所述采样模拟层ψ包含1层卷积，输入通道数和输出通道数均为1，卷积核尺寸和步长均为m，m＝h/l，其中h为图像I的高，l为矩阵Q_m的每个边的模块数量；采样模拟层ψ的权重满足三维高斯分布；

所述图像I先转换得到灰度图像I^g再输入所述采样模拟层ψ得到卷积结果I^Q；

步骤4，对卷积结果I^Q与矩阵Q_m计算编码损失l_code；

步骤5，计算图像I与艺术风格图像I_s的风格损失l_style；

步骤6，选取一个神经网络优化器，设定图像I为优化目标，调整图像I中的像素值，使得总体损失l_total最小化；

其中l_total＝λ₁l_code+λ₂l_style，λ₁和λ₂为设置的权重；

步骤7，将步骤3-6重复N次，输出最终的艺术风格QR码I；N为正整数。

对应地，本发明提供的一种艺术风格QR码的生成系统，包括：

标准QR码编码器，用于对输入的编码消息编码获得编码模块矩阵Q_m；

起始优化图像生成模块，用于生成三通道RGB白噪声图像或高斯模糊图像作为起始的优化图像I；

采样模拟层模块，用于将优化图像I先转换得到灰度图像后输入采样模拟层得到模拟的QR码解码结果I^Q；所述采样模拟层包含1层卷积，输入通道数和输出通道数均为1，卷积核尺寸和步长均为m，m＝h/l，其中h为图像I的高，l为矩阵Q_m的边的模块数量，采样模拟层的权重满足三维高斯分布；

神经网络优化器，设定图像I为优化目标，优化修改图像I中的像素值，使得总体损失l_total最小化；其中，l_total设置为编码损失l_code和风格损失l_style的加权求和；编码损失l_code计算的是卷积结果I^Q与矩阵Q_m的编码损失；风格损失l_style计算的是图像I与风格图像I_s的风格损失；每次调整图像I中的像素值后，都经过采样模拟层得到模拟的QR码解码结果I^Q；

艺术风格QR码输出模块，用于对神经网络优化器中对图像I的优化次数进行统计，当达到设定的最大次数N时，通知神经网络优化器停止优化，输出当前得到的优化图像I。

相对于现有技术，本发明的优点和积极效果在于：本发明方法和系统实现通过输入不同的艺术风格图像，直接生成不同艺术风格、且可读性强的QR码图像，从而以支持用户的个性化选择；本发明方法和系统生成的QR码图像具有艺术吸引力；本发明方法和系统可端到端的直接生成艺术风格QR码，同时具备较高的扫描鲁棒性，无需其他步骤修复鲁棒性；本发明生成艺术风格QR码的方法和系统在灵活性、视觉质量、用户个性化选择、鲁棒性方面均能取得较好的效果。

附图说明

图1是本发明的艺术风格QR码的生成方法的一个实现流程示意图；

图2是采用本发明方法输入不同风格图像输出对应风格QR码的示例图。

具体实施方式

下面将结合附图和实施例对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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取的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例实现的一种QR码图像的生成方法，主要包括如下8个步骤。

步骤1：输入编码消息message，并根据message得到编码模块矩阵Q_m。

首先，输入编码消息message，编码消息通常为网址链接或字符串；通过标准QR码编码器的编码规则，根据message得到满足QR码ISO标准(ISO/IEC 18004:2000)的QR码黑白模块布局的编码模块矩阵Q_m，Q_m由0、1组成，0表示黑色模块，1表示白色模块。其中，QR码可为任意版本号V，纠错等级可为L、M、Q、H中任意一项。纠错等级L、M、Q、H分别代表7％、15％、25％、30％的码字可以被修正。

本发明实施例中，设Q_m尺寸为l×l，l为QR码每边的模块数量，l为正整数。

更进一步地，本发明将编码模块矩阵Q_m Q_m中的白色模块和黑色模块的颜色进行改变，变成其他颜色，例如，选取输入的风格图像中两种颜色——黄色和蓝色，将白色变成黄色，黑色变成深蓝色。这样操作的目的是为Q_m赋予色彩元素，提高视觉质量，使得模块颜色更符合风格图像的艺术风格，也能更快获得效果更好的艺术风格二维码。

步骤2：输入风格图像I_s以及起始优化图像I。

本发明目标是优化一个图像I，使其能获得目标艺术风格的QR码。设置优化图像I和风格图像I_s的尺寸大小相同。风格图像I_s可为任意三通道RGB(红、绿、蓝)图像，尺寸为c×h×w。如图2所示输入4种不同风格图像。起始优化图像I可为三通道RGB白噪声图像或高斯模糊图像等任意图像，尺寸为c×h×w。其中，c、h、w分别为图像通道数、高度、宽度，且c＝3，h＝w。起始优化图像的选择会影响输出结果的艺术效果，但不影响扫描识别的鲁棒性。

步骤3：通过采样模拟层ψ，将优化图像I转化为模拟的QR码解码结果I^Q。

本发明提出的采样模拟层(Sampling Simulation Layer，简称SS Layer)ψ通过卷积操作模拟移动设备对QR码的扫描识别，可将起始优化图像转化为QR码的采样结果。

采样模拟层ψ包含1层卷积，输入通道数为1，输出通道数为1。采样模拟层中的卷积核尺寸为m，步长为m。m＝h/l，即m等于输出艺术风格QR码中每个模块的边长。卷积核的权重满足一个数学期望为μ、方差为σ²的三维高斯分布，权重

其中，x和y表示卷积核中权重的位置，z为权值。

首先，将3通道图像I拆解为I^R、I^G、I^B，其分别对应于I的R、G、B通道。再通过公式I^g＝αI^R+βI^G+γI^B计算得到I的灰度化结果I^g，权重α＝0.299，β＝0.587，γ＝0.114。然后将I^g输入SS Layer，得到卷积结果I^Q＝ψ(I^g)，该卷积结果即为模拟的QR码解码结果。

步骤4：对I^Q与Q_m计算编码损失l_code。

通过公式

计算得到QR码的编码损失l_code。

表示二范数。

步骤5：对风格图像I_s计算风格损失l_style。

通过预训练的VGG-19网络提取I_s、I分别在relu1_2、relu2_2、relu3_3和relu4_3层输出的特征图。所述VGG-19网络在文献1(Simonyan K,Zisserman A.Very DeepConvolutional Networks for Large-Scale Image Recognition[J].Computer Science,2014.)中记载。然后计算优化图像I与风格图像I_s的风格损失函数l_style如下：

其中，φ表示损失网络，本发明实施例为VGG-19网络，j表示损失网络的第j层，

j∈{relu1_2,relu2_2,relu3_3,relu4_3}；

是用损失网络分别对图像I、I_s提取的第j层的特征图。

所述风格损失函数在文献2(J Johnson，A Alahi，Fei Fei Li，PerceptualLosses for Real-Time Style Transfer and Super-Resolution，2016)中记载。该文献也记载了

的元素计算自Gram矩阵

定义

其中，C_j、H_j、W_j表示第j层输出的特征图的通道数、高度和宽度；φ_j(x)_h,ω,c表示x在网络φ第j层输出的通道c的特征图；c、c’表示不同的通道。x表示输入的图像。

步骤6：将优化图像I设定为神经网络优化器的优化目标，利用神经网络前传和梯度下降技术优化和修改I中的像素值，使I尽量满足总体损失l_total最小化的目标。

其中，l_total＝λ₁l_code+λ₂l_style，λ₁和λ₂为任意常数，用来平衡两项损失。

神经网络优化器包括但不限于Adam、SGD(随机梯度下降)、L-BFGS等优化器。

步骤7：设置迭代轮次N，将步骤3-6重复N次，N为正整数，最终输出艺术风格QR码I。

每次重复步骤3-6时，将逐步优化图像I中的像素值，以使I中像素保留Q_m中的编码信息和I_s的艺术风格。最终在迭代优化N次后，输出艺术风格且高鲁棒性的艺术风格QR码I。

相应地，本发明提供的一种艺术风格QR码的生成系统，包括标准QR码编码器、起始优化图像生成模块、采样模拟层模块、神经网络优化器以及艺术风格QR码输出模块。

标准QR码编码器，用于对输入的编码消息编码获得编码模块矩阵Q_m。

起始优化图像生成模块，用于生成三通道RGB白噪声图像或高斯模糊图像作为起始的优化图像I。该模块对应上述步骤2，优化图像I和风格图像I_s的尺寸大小相同。

采样模拟层模块，用于将优化图像I先转换得到灰度图像后输入采样模拟层得到模拟的QR码解码结果I^Q。所述采样模拟层包含1层卷积，输入通道数和输出通道数均为1，卷积核尺寸和步长均为m，m＝h/l，其中h为图像I的高，l为矩阵Q_m的边的模块数量，采样模拟层的权重满足三维高斯分布。采样模拟层模块的功能实现对应上面步骤3。

神经网络优化器，设定图像I为优化目标，优化修改图像I中的像素值，使得总体损失l_total最小化；其中，l_total设置为编码损失l_code和风格损失l_style的加权求和；编码损失l_code计算的是卷积结果I^Q与矩阵Q_m的编码损失；风格损失l_style计算的是图像I与风格图像I_s的风格损失；每次调整图像I中的像素值后，都经过采样模拟层得到模拟的QR码解码结果I^Q。编码损失l_code的计算方式同上面步骤4，风格损失l_style的计算方式同上面步骤5。

艺术风格QR码输出模块，用于对神经网络优化器中对图像I的优化次数进行统计，当达到设定的最大次数N时，通知神经网络优化器停止优化，输出当前得到的优化图像I。

Claims (5)

1.一种艺术风格QR码的生成系统，其特征在于，包括如下模块：

标准QR码编码器，用于对输入的编码消息编码获得编码模块矩阵Q_m；

起始优化图像生成模块，用于生成三通道RGB白噪声图像或高斯模糊图像作为起始的优化图像I；

采样模拟层模块，用于将优化图像I先转换得到灰度图像后输入采样模拟层得到模拟的QR码解码结果I^Q；所述采样模拟层包含1层卷积，输入通道数和输出通道数均为1，卷积核尺寸和步长均为m，m＝h/l，其中h为图像I的高，l为矩阵Q_m的边的模块数量，采样模拟层的权重满足三维高斯分布；

神经网络优化器，设定图像I为优化目标，调整修改图像I中的像素值，使得总体损失l_total最小化；其中，l_total设置为编码损失l_code和风格损失l_style的加权求和；编码损失l_code计算的是卷积结果I^Q与矩阵Q_m的编码损失；风格损失l_style计算的是图像I与风格图像I_s的风格损失；每次修改图像I中的像素值后，都经过所述采样模拟层得到模拟的QR码解码结果I^Q；

艺术风格QR码输出模块，用于对神经网络优化器中对图像I的优化次数进行统计，当达到设定的最大次数N时，通知神经网络优化器停止优化，输出当前得到的优化图像I；N为正整数。

2.根据权利要求1所述的系统，其特征在于，所述的采样模拟层模块，首先将起始优化图像I拆解为对应R、G、B的三通道图像I^R、I^G、I^B，然后通过加权求和得到灰度图像I^g；

I^g＝αI^R+βI^G+γI^B；其中，权重α＝0.299，β＝0.587，γ＝0.114。

3.一种艺术风格QR码的生成方法，其特征在于，包括如下步骤：

步骤1，对输入的编码消息通过标准QR码编码器得到编码模块矩阵Q_m；

步骤2，输入尺寸相同的风格图像I_s和优化图像I；所述优化图像I起始为三通道RGB白噪声图像或高斯模糊图像；

步骤3，通过采样模拟层ψ将优化图像I转化为模拟的QR码解码结果I^Q；

所述采样模拟层ψ包含1层卷积，输入通道数和输出通道数均为1，卷积核尺寸和步长均为m，m＝h/l，其中h为图像I的高，l为矩阵Q_m的边的模块数量；采样模拟层ψ的权重满足三维高斯分布；

所述优化图像I先转换得到灰度图像I^g再输入所述采样模拟层ψ得到卷积结果I^Q；

步骤4，对卷积结果I^Q与矩阵Q_m计算编码损失l_code；

步骤5，计算优化图像I与风格图像I_s的风格损失l_style；

步骤6，选取一个神经网络优化器，设定图像I为优化目标，调整图像I中的像素值，使得总体损失l_total最小化；

其中l_total＝λ₁l_code+λ₂l_style，λ₁和λ₂为设置的权重；

步骤7，将步骤3-6重复N次，输出最终的艺术风格QR码I；N为正整数。

4.根据权利要求3所述的方法，其特征在于，所述的步骤1中，还根据输入的风格图像I_s的颜色对矩阵Q_m中白色模块和黑色模块的颜色进行改变。

5.根据权利要求3所述的方法，其特征在于，所述的步骤3中，首先将起始优化图像I拆解为对应R、G、B的三通道图像I^R、I^G、I^B，然后通过加权求和得到灰度图像I^g；

I^g＝αI^R+βI^G+γI^B；其中，权重α＝0.299，β＝0.587，γ＝0.114。

Images