CN116757231A - 用于条码图像的超分辨率训练图集的生成方法及装置 - Google Patents
用于条码图像的超分辨率训练图集的生成方法及装置 Download PDFInfo
- Publication number
- CN116757231A CN116757231A CN202311054850.5A CN202311054850A CN116757231A CN 116757231 A CN116757231 A CN 116757231A CN 202311054850 A CN202311054850 A CN 202311054850A CN 116757231 A CN116757231 A CN 116757231A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- bar code
- pixel
- low
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
- G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Toxicology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请涉及条码识别技术领域,公开一种用于条码图像的超分辨率训练图集的生成方法及装置,其中,所述超分辨率训练图集包括多个低分辨率‑高分辨率图像样本对,所述生成方法,包括:根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,其中,所述第二像素通过第一像素计算得到;分别采集所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像;将所述低分辨率图像和高分辨率图像构建为一个低分辨率‑高分辨率图像样本对。
Description
技术领域
本申请涉及条码识别技术领域,例如涉及一种用于条码图像的超分辨率训练图集的生成方法及装置。
背景技术
识别景深是衡量扫码设备(例如智能手机、手持终端)性能的一项重要指标。出于成本方面考虑,扫码设备一般采用较低分辨率的摄像头,且没有变焦功能。导致条码距离越远,扫码设备拍摄到的条码就越小,限制了识别景深。对此,采用图像超分辨率技术对扫码设备拍摄到的条码图像进行放大,可以在一定程度上提升识别景深。
目前,基于深度学习的图像超分辨率方法都需要训练图集进行模型训练,即低分辨率—高分辨率图像对。生成训练图集的常见方式是采集高分辨率图像,然后通过降采样的方法得到对应的低分辨率图像。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:
真实地分辨率退化过程通常十分复杂,难以用降采样模拟,降采样得到的低分辨率图像与摄像头实际采集的低分辨率图像之间存在偏差。即将训练得到的模型应用于降采样的低分辨率图像时,效果较为理想;而将模型应用于实际采集的低分辨率图像时,效果往往不如预期。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于条码图像的超分辨率训练图集的生成方法及装置、计算设备及存储介质,规避了降采样问题,使得训练得到的模型完全适配摄像头采集的低分辨率图像,提升了图像超分辨率效果以及扫码设备的识别景深。
在一些实施例中,本申请提供一种用于条码图像的超分辨率训练图集的生成方法,所述超分辨率训练图集包括多个低分辨率-高分辨率图像样本对,所述生成方法,包括:
根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,其中,所述第二像素通过第一像素计算得到;
分别采集所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像;
将所述低分辨率图像和高分辨率图像构建为一个低分辨率-高分辨率图像样本对。
可选地,所述根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,包括:
通过随机生成的条码数据,生成单元宽度为第一像素的条码图像;
根据所述条码数据,生成单元宽度为第二像素的条码图像;
其中,所述第二像素等于第一像素与图像超分辨率放大倍数N的乘积,所述N为大于1的整数。
可选地,所述生成单元宽度为第一像素的条码图像,包括:
根据解码算法的解码能力,划定低分辨率图像的像素范围;
在所述像素范围中选择所述第一像素,以使所述低分辨率图像处于解码算法的解码能力之外,且所述高分辨率图像处于解码算法的解码能力之内。
可选地,通过以下公式划定低分辨率图像的像素范围:
其中,x为每厘米的像素密度,a为水平视场角,w为图像采集时水平方向的像素,d为条码图像的扫码模块与条码图像的显示模块之间的距离,
N为图像超分辨率模型放大倍数,m为解码算法的解码能力对应的像素,r为第一像素。
在一些实施例中,本申请提供一种用于条码图像的超分辨率训练图集的生成装置,所述超分辨率训练图集包括多个低分辨率-高分辨率图像样本对,所述生成装置,包括主控模块、显示模块和扫码模块,其中:
所述主控模块,被配置为根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,其中,所述第二像素通过第一像素计算得到;
所述主控模块,还被配置为控制所述显示模块以显示所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像;
所述主控模块,还被配置为控制所述扫码模块以分别采集所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像;
所述主控模块,还被配置为将所述低分辨率图像和高分辨率图像构建为一个低分辨率-高分辨率图像样本对。
可选地,所述主控模块与所述显示模块和扫码模块通信连接,所述扫码模块的摄像头对准所述显示模块。
可选地,在单次采集一个低分辨率-高分辨率图像样本对的过程中,所述扫码模块与所述显示模块的相对位置保持不变;
在重复采集多个低分辨率-高分辨率图像样本对的过程中,所述扫码模块与所述显示模块的相对位置动态改变。
可选地,所述扫码模块,包括:
图像采集单元,配置有视场角;
解码模块,被配置为运行图像识别算法以执行解码操作;
通信单元,被配置为与所述主控模块通信连接。
在一些实施例中,所述计算设备,包括处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行如本申请所述的用于条码图像的超分辨率训练图集的生成方法。
在一些实施例中,所述计算设备,包括处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行如本申请所述的用于条码图像的超分辨率训练图集的生成方法。
本公开实施例提供的一种用于条码图像的超分辨率训练图集的生成方法及装置、计算设备及存储介质,可以实现以下技术效果:
通过主控模块的条码数据生成条码图像,控制显示模块显示条码图像,控制扫码模块采集图像,从而直接采集低分辨率-高分辨率图像样本对用于训练,克服了基于深度学习的图像超分辨率方法中图像降采样方法难以完全模拟真实退化的问题,使得训练得到的模型完全适配摄像头采集的低分辨率图像,改善了训练效果,提升了图像超分辨率效果和扫码景深。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于条码图像的超分辨率训练图集的生成装置的示意图;
图2是本公开实施例提供的另一个用于条码图像的超分辨率训练图集的生成装置的示意图;
图3是按本公开实施例提供的步骤采集的一对低分辨率—高分辨率图像样本对示意图,其中,左侧是低分辨率图像,右侧是对应的高分辨率图像;
图4是本公开实施例提供的另一个用于条码图像的超分辨率训练图集的生成方法的示意图;
图5是本公开实施例提供的另一个用于条码图像的超分辨率训练图集的生成方法的示意图;
图6是本公开实施例提供的另一个用于条码图像的超分辨率训练图集的生成方法的示意图;
图7是用本公开实施例采集的图集训练得到超分辨率模型后,将模型应用于实际扫码的低分辨率条码图像的效果示意图,其中,左侧是扫码模块实际拍到的低分辨率图像,右侧是用超分辨率模型对左侧图像进行超分辨率的结果;
图8是将图7的超分辨率图像与理想条码图像对比后的示意图;
图9是本公开实施例提供的一个计算设备的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
结合图1所示,本公开实施例提供一种用于条码图像的超分辨率训练图集的生成装置,其中,超分辨率训练图集包括多个低分辨率-高分辨率图像样本对。生成装置包括主控模块、显示模块和扫码模块,其中,主控模块被配置为根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,其中,第二像素通过第一像素计算得到。主控模块还被配置为控制显示模块以显示第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像。主控模块,还被配置为控制扫码模块以分别采集第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像。主控模块还被配置为将低分辨率图像和高分辨率图像构建为一个低分辨率-高分辨率图像样本对。这样,重复上述方式即可得到包括多个低分辨率-高分辨率图像样本对的超分辨率训练图集。
采用本公开实施例提供的用于条码图像的超分辨率训练图集的生成装置,通过主控模块的条码数据生成条码图像,控制显示模块显示条码图像,控制扫码模块采集图像,从而直接采集低分辨率-高分辨率图像样本对用于训练,克服了基于深度学习的图像超分辨率方法中图像降采样方法难以完全模拟真实退化的问题,使得训练得到的模型完全适配摄像头采集的低分辨率图像,改善了训练效果,提升了图像超分辨率效果和扫码景深。
可选地,在一个应用实施例中,结合图2所示,主控模块与显示模块和扫码模块通信连接,扫码模块的摄像头对准显示模块。这样,本申请在单次采集一个低分辨率-高分辨率图像样本对的过程中,扫码模块与显示模块的相对位置保持不变。在重复采集多个低分辨率-高分辨率图像样本对的过程中,扫码模块与显示模块的相对位置动态改变,使得超分辨率训练图集兼容更多情形。最终得到如图3所示的一个低分辨率-高分辨率图像样本对,其中,图3左侧是低分辨率图像,图3右侧是对应的高分辨率图像。
结合图4所示,本公开实施例提供一种用于条码图像的超分辨率训练图集的生成方法,其中,超分辨率训练图集包括多个低分辨率-高分辨率图像样本对,该生成方法包括:
步骤401:主控模块根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,其中,所述第二像素通过第一像素计算得到。
步骤402:扫码模块分别采集所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像。
步骤403:主控模块将所述低分辨率图像和高分辨率图像构建为一个低分辨率-高分辨率图像样本对。
采用本申请的用于条码图像的超分辨率训练图集的生成方法,通过主控模块的条码数据生成条码图像,控制显示模块显示条码图像,控制所述扫码模块采集图像,从而直接采集低分辨率-高分辨率图像样本对用于训练,克服了基于深度学习的图像超分辨率方法中图像降采样方法难以完全模拟真实退化的问题,使得训练得到的模型完全适配摄像头采集的低分辨率图像,改善了训练效果,提升了图像超分辨率效果和扫码景深。
结合图5所示,本公开实施例提供另一种用于条码图像的超分辨率训练图集的生成方法,其中,超分辨率训练图集包括多个低分辨率-高分辨率图像样本对,该生成方法包括:
步骤501:主控模块通过随机生成的条码数据,生成单元宽度为第一像素的条码图像。
在本申请的实施例中,主控模块根据解码算法的解码能力,划定低分辨率图像的像素范围。进而在像素范围中选择第一像素,以使低分辨率图像处于解码算法的解码能力之外,且所述高分辨率图像处于解码算法的解码能力之内。
具体地,主控模块通过以下公式划定低分辨率图像的像素范围:
其中,x为每厘米的像素密度,a为水平视场角,w为图像采集时水平方向的像素,d为条码图像的扫码模块与条码图像的显示模块之间的距离,
N为图像超分辨率模型放大倍数,m为解码算法的解码能力对应的像素,r为第一像素。
步骤502:主控模块根据所述条码数据,生成单元宽度为第二像素的条码图像,其中,所述第二像素等于第一像素与图像超分辨率放大倍数N的乘积,所述N为大于1的整数。
例如,在如图3所示的一个低分辨率-高分辨率图像样本对中,其图像超分辨率放大倍数N为3。
步骤503:扫码模块分别采集所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像。
步骤504:主控模块将所述低分辨率图像和高分辨率图像构建为一个低分辨率-高分辨率图像样本对。
这样,能更好地提高模型训练的可靠性和模型的泛化能力。
在本申请的一个实际应用中,如图6所示,本公开实施例提供另一种用于条码图像的超分辨率训练图集的生成方法,应用于用于条码图像的超分辨率训练图集的生成装置,其中,超分辨率训练图集包括多个低分辨率-高分辨率图像样本对,生成装置包括主控模块、显示模块和扫码模块,该生成方法包括:
步骤601:扫码模块对准显示模块。
步骤602:主控模块生成随机条码数据X。
步骤603:主控模块使用条码数据X,生成单元宽度为r像素的第一条码图像。
步骤604:显示模块显示单元宽度为r像素的第一条码图像。
步骤605:扫码模块采集第一条码图像,得到低分辨率图像A。
步骤606:主控模块使用条码数据X,生成单元宽度为N×r像素的条码图像;其中,N为图像超分辨率模型放大倍数。
步骤607:显示模块显示单元宽度为N×r像素的第二条码图像。
步骤608:扫码模块再次采集第二条码图像,得到高分辨率图像B。
步骤609:将低分辨率图像A和高分辨率图像B构建为一个低分辨率-高分辨率图像样本对。
步骤610:重复上述步骤,生成包含多个低分辨率-高分辨率图像样本对的超分辨率训练图集。
在本申请的实施例中,使用本申请的超分辨率训练图集训练得到超分辨率模型后,将超分辨率模型应用于实际扫码的低分辨率图像的效果如图7所示,其中,图7左侧是扫码模块实际拍到的低分辨率图像,图7右侧是用超分辨率模型对左侧图像进行超分辨率的超分辨率图像。其中,左侧图像条码的一些条/空已经难以分辨,右侧图像条码每个条/空均清晰可见。由于本申请的超分辨率训练图集仅包含条码,故右侧图像中的数字以及条码上/下边缘处效果较差,是符合理论预期的。
此外,图8是将图7的超分辨率图像与理想条码图像对比的示意图,可以看到超分辨率图像条/空的宽度与理想条码基本一致,超分辨率图像很容易被解码算法识别。
结合图9所示,本公开实施例提供一种计算设备,包括处理器(processor)900和存储器(memory)901。可选地,该装置还可以包括通信接口(Communication Interface)902和总线903。其中,处理器900、通信接口902、存储器901可以通过总线903完成相互间的通信。通信接口902可以用于信息传输。处理器900可以调用存储器901中的逻辑指令,以执行上述实施例的用于条码图像的超分辨率训练图集的生成方法。
此外,上述的存储器901中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器901作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器900通过运行存储在存储器901中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于条码图像的超分辨率训练图集的生成方法。
存储器901可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器901可以包括高速随机存取存储器,还可以包括非易失性存储器。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述用于条码图像的超分辨率训练图集的生成方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种用于条码图像的超分辨率训练图集的生成方法,其特征在于,所述超分辨率训练图集包括多个低分辨率-高分辨率图像样本对,所述生成方法,包括:
根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,其中,所述第二像素通过第一像素计算得到;
分别采集所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像;
将所述低分辨率图像和高分辨率图像构建为一个低分辨率-高分辨率图像样本对。
2.根据权利要求1所述的生成方法,其特征在于,所述根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,包括:
通过随机生成的条码数据,生成单元宽度为第一像素的条码图像;
根据所述条码数据,生成单元宽度为第二像素的条码图像;
其中,所述第二像素等于第一像素与图像超分辨率放大倍数N的乘积,所述N为大于1的整数。
3.根据权利要求2所述的生成方法,其特征在于,所述生成单元宽度为第一像素的条码图像,包括:
根据解码算法的解码能力,划定低分辨率图像的像素范围;
在所述像素范围中选择所述第一像素,以使所述低分辨率图像处于解码算法的解码能力之外,且所述高分辨率图像处于解码算法的解码能力之内。
4.根据权利要求3所述的生成方法,其特征在于,通过以下公式划定低分辨率图像的像素范围:
,其中,x为每厘米的像素密度,a为水平视场角,w为图像采集时水平方向的像素,d为条码图像的扫码模块与条码图像的显示模块之间的距离,N为图像超分辨率模型放大倍数,m为解码算法的解码能力对应的像素,r为第一像素。
5.一种用于条码图像的超分辨率训练图集的生成装置,其特征在于,所述超分辨率训练图集包括多个低分辨率-高分辨率图像样本对,所述生成装置,包括主控模块、显示模块和扫码模块,其中:
所述主控模块,被配置为根据条码数据,生成单元宽度为第一像素的第一条码图像以及单元宽度为第二像素的第二条码图像,其中,所述第二像素通过第一像素计算得到;
所述主控模块,还被配置为控制所述显示模块以显示所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像;
所述主控模块,还被配置为控制所述扫码模块以分别采集所述第一条码图像对应的低分辨率图像和第二条码图像对应的高分辨率图像;
所述主控模块,还被配置为将所述低分辨率图像和高分辨率图像构建为一个低分辨率-高分辨率图像样本对。
6.根据权利要求5所述的生成装置,其特征在于,所述主控模块与所述显示模块和扫码模块通信连接,所述扫码模块的摄像头对准所述显示模块。
7.根据权利要求6所述的生成装置,其特征在于,在单次采集一个低分辨率-高分辨率图像样本对的过程中,所述扫码模块与所述显示模块的相对位置保持不变;
在重复采集多个低分辨率-高分辨率图像样本对的过程中,所述扫码模块与所述显示模块的相对位置动态改变。
8.根据权利要求5所述的生成装置,其特征在于,所述扫码模块,包括:
图像采集单元,配置有视场角;
解码模块,被配置为运行图像识别算法以执行解码操作;
通信单元,被配置为与所述主控模块通信连接。
9.一种计算设备,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至4任一项所述的用于条码图像的超分辨率训练图集的生成方法。
10.一种存储介质,存储有程序指令,其特征在于,所述程序指令在运行时,执行如权利要求1至4任一项所述的用于条码图像的超分辨率训练图集的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054850.5A CN116757231A (zh) | 2023-08-22 | 2023-08-22 | 用于条码图像的超分辨率训练图集的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054850.5A CN116757231A (zh) | 2023-08-22 | 2023-08-22 | 用于条码图像的超分辨率训练图集的生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757231A true CN116757231A (zh) | 2023-09-15 |
Family
ID=87957657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054850.5A Pending CN116757231A (zh) | 2023-08-22 | 2023-08-22 | 用于条码图像的超分辨率训练图集的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757231A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153418A (en) * | 1990-10-30 | 1992-10-06 | Omniplanar, Inc. | Multiple resolution machine readable symbols |
US5504319A (en) * | 1994-02-09 | 1996-04-02 | Symbol Technologies, Inc. | Method and system for bar code acquisition |
JP2007133566A (ja) * | 2005-11-09 | 2007-05-31 | Denso Wave Inc | 情報コード読取装置 |
CN101901329A (zh) * | 2009-05-25 | 2010-12-01 | 汉王科技股份有限公司 | 一种低分辨率条形码的识别方法和设备 |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
CN108765343A (zh) * | 2018-05-29 | 2018-11-06 | Oppo(重庆)智能科技有限公司 | 图像处理的方法、装置、终端及计算机可读存储介质 |
CN112069853A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于深度学习的二维条码图像超分辨方法 |
CN112580381A (zh) * | 2020-12-23 | 2021-03-30 | 成都数之联科技有限公司 | 一种基于深度学习的二维码超辨率重构增强方法及系统 |
US20220108425A1 (en) * | 2020-04-01 | 2022-04-07 | Boe Technology Group Co., Ltd. | Computer-implemented method, apparatus, and computer-program product |
US20220138500A1 (en) * | 2020-10-30 | 2022-05-05 | Samsung Electronics Co., Ltd. | Unsupervised super-resolution training data construction |
CN114581804A (zh) * | 2022-03-15 | 2022-06-03 | 中国工商银行股份有限公司 | 银行卡识别模型训练、银行卡识别方法及装置 |
CN114580457A (zh) * | 2022-05-09 | 2022-06-03 | 深圳市华汉伟业科技有限公司 | 一种低分辨率条件下的条形码解码方法、存储介质 |
US20220261965A1 (en) * | 2020-05-18 | 2022-08-18 | Tencent Technology (Shenzhen) Company Limited | Training method of image processing model, image processing method, apparatus, and device |
-
2023
- 2023-08-22 CN CN202311054850.5A patent/CN116757231A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153418A (en) * | 1990-10-30 | 1992-10-06 | Omniplanar, Inc. | Multiple resolution machine readable symbols |
US5504319A (en) * | 1994-02-09 | 1996-04-02 | Symbol Technologies, Inc. | Method and system for bar code acquisition |
JP2007133566A (ja) * | 2005-11-09 | 2007-05-31 | Denso Wave Inc | 情報コード読取装置 |
CN101901329A (zh) * | 2009-05-25 | 2010-12-01 | 汉王科技股份有限公司 | 一种低分辨率条形码的识别方法和设备 |
CN106157244A (zh) * | 2016-06-08 | 2016-11-23 | 南京航空航天大学 | 一种基于稀疏表示的QR Code图像超分辨重建方法 |
CN108765343A (zh) * | 2018-05-29 | 2018-11-06 | Oppo(重庆)智能科技有限公司 | 图像处理的方法、装置、终端及计算机可读存储介质 |
US20220108425A1 (en) * | 2020-04-01 | 2022-04-07 | Boe Technology Group Co., Ltd. | Computer-implemented method, apparatus, and computer-program product |
US20220261965A1 (en) * | 2020-05-18 | 2022-08-18 | Tencent Technology (Shenzhen) Company Limited | Training method of image processing model, image processing method, apparatus, and device |
CN112069853A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于深度学习的二维条码图像超分辨方法 |
US20220138500A1 (en) * | 2020-10-30 | 2022-05-05 | Samsung Electronics Co., Ltd. | Unsupervised super-resolution training data construction |
CN112580381A (zh) * | 2020-12-23 | 2021-03-30 | 成都数之联科技有限公司 | 一种基于深度学习的二维码超辨率重构增强方法及系统 |
CN114581804A (zh) * | 2022-03-15 | 2022-06-03 | 中国工商银行股份有限公司 | 银行卡识别模型训练、银行卡识别方法及装置 |
CN114580457A (zh) * | 2022-05-09 | 2022-06-03 | 深圳市华汉伟业科技有限公司 | 一种低分辨率条件下的条形码解码方法、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991310B (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
JP7026165B2 (ja) | テキスト認識方法及びテキスト認識装置、電子設備、記憶媒体 | |
CN111951154B (zh) | 包含背景和介质的图片的生成方法及装置 | |
CN111160298A (zh) | 一种机器人及其位姿估计方法和装置 | |
CN112330709A (zh) | 一种前景图像提取方法、装置、可读存储介质及终端设备 | |
CN109726481B (zh) | 一种机器人搭建的辅助方法、装置及终端设备 | |
CN113015022A (zh) | 行为识别方法、装置、终端设备及计算机可读存储介质 | |
CN111553290A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
CN114359048A (zh) | 图像的数据增强方法、装置、终端设备及存储介质 | |
US10387092B2 (en) | Image forming apparatus | |
CN111967529B (zh) | 识别方法、装置、设备及系统 | |
CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN116757231A (zh) | 用于条码图像的超分辨率训练图集的生成方法及装置 | |
RU97199U1 (ru) | Система, мобильное устройство и считывающее устройство для передачи текстовой информации с помощью графических изображений | |
CN110689063A (zh) | 一种基于神经网络的证件识别的训练方法及装置 | |
CN111754518B (zh) | 图像集合的扩充方法、装置及电子设备 | |
CN117523219A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN114723796A (zh) | 一种三维点云生成方法、装置及电子设备 | |
CN114612989A (zh) | 人脸识别数据集的生成方法及装置、电子设备及存储介质 | |
CN104902260B (zh) | 一种图像视差的获取方法及系统 | |
CN112288748B (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
CN112200004A (zh) | 图像检测模型的训练方法、装置及终端设备 | |
CN116451721B (zh) | 用于进行解码的方法及装置、电子设备、存储介质 | |
CN105303148A (zh) | 条码扫描方法及装置 |
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 |