【正文】 .............................................................................................31 實驗結(jié)果分析 ........................................................................................................................................32 本章小結(jié) ................................................................................................................................................335 結(jié)論與展望 ...................................................................................................................................................34致 謝 .................................................................................................................................................................35參考文獻(xiàn) ...........................................................................................................................................................36復(fù)雜背景下二維條碼圖像的研究識別I摘要Data Matrix 二維條碼（DM 碼）的外觀是一個由許多小方格所組成的正方形或長方形符號，其資訊的儲存是以淺色與深色方格的排列組合，以二位元碼(Binarycode)方式來編碼，故電腦可直接讀取其資料內(nèi)容，而不需要如傳統(tǒng)一維條碼的符號對映表(Character Lookup Table)。然而在實際的 DM 碼采集工作中，因為各種因素的綜合作用，采集到的圖像質(zhì)量并不如預(yù)期，而且不光只包含有 DM 碼圖案，還會混入其他各種背景，所以 DM 碼圖案所在圖像有個比較復(fù)雜的背景。通過對多個有復(fù)雜背景的 DM 碼的實驗，該方案能夠從復(fù)雜背景中分割出 DM條碼區(qū)域，并且能夠進(jìn)行旋轉(zhuǎn)校正。 Otsu algorithm。 image rotation 復(fù)雜背景中二維條碼圖像的識別研究 1引言現(xiàn)如今二維條碼技術(shù)已經(jīng)得到了廣泛的應(yīng)用，二維條碼中的 Data Matrix 二維條碼（簡稱 DM 碼）更是如此，所以本文選取 DM 碼作為研究對象。由于 DM 碼只需要讀取資料的 20%即可精確辨讀，因此很適合應(yīng)用在條碼容易受損的場所，例如印在暴露于高熱、化學(xué)清潔劑、機(jī)械剝蝕等特殊環(huán)境的零件上。本論文對復(fù)雜背景中二維條碼的識別是在 軟件平臺上完成的。matlab 的圖像處理工具箱對圖像處理很有幫助，比如本文所用到的一些方法，動態(tài)閾值查找的 otsu 算法，最大連通區(qū)域的確定以及用 Hough 變換查找最長線段等等，大大的方便了處理的過程。在圖像識別處理的每個環(huán)節(jié)都會分析可能會用到的方法，并且比較各個方法的優(yōu)缺點，根據(jù)原圖像特性找到最適方法。相比較一維碼而言，在同樣的面積上二維碼可包含的信息量比一維碼多幾十倍，而且具有更可靠、抗損壞(破損 25%仍可識讀)的特色，同時用條碼標(biāo)簽打印機(jī)打在紙上有 100%的對比度，識讀效果非常好，甚至可達(dá)到一秒鐘讀取 50 個二維碼的速度。正如大家所知，目前國際上最常用的 DATAMATRIX 二維碼由于用點陣的方法組成數(shù)據(jù)，可在一個數(shù)據(jù)矩陣?yán)锇?2300 個數(shù)據(jù)信息，所以十年前一經(jīng)發(fā)表就引起全球轟動，但是十年來它的應(yīng)用和推廣卻進(jìn)展緩慢，究其原因，正是因為DATAMATRIX 二維碼的應(yīng)用需跨越二個技術(shù)障礙：首先，如何高效、準(zhǔn)確的將其打印出來。為了解決這兩個關(guān)鍵問題，作為一種智能圖像識別技術(shù)，機(jī)器視覺由此顯示出其獨一無二的重要性。金屬有黑色金屬及有色金屬二種，有色金屬又分黃色、白色、銀灰色等，同時，金屬的表面分為加工面及毛坯面，而加工面也分為多種加工等級。根據(jù)美國條碼管理委員會(AIM)及美國汽車協(xié)會(AIAG)的規(guī)定，直接金屬零部件打刻二維碼后必須評定打刻的質(zhì)量級別，分別為 A、B、C 、D 、E、F 或 6，只有 A、B、C 級的質(zhì)量才能流到下一步工序，正是上述看似嚴(yán)苛的要求才保證了加工工序的識讀效率，因為在加工過程中，工件表面會遇到機(jī)油、冷卻水甚至劃傷，部分磨損又會增加識讀的難度。但是，遇到毛坯或深色金屬時，用激光或浮針打出的 DATAMATRIX 二維碼是人眼極難識別的，此時就必須借助智能圖像識別技術(shù)，也就是機(jī)器視覺技術(shù)。目前一些條碼掃描設(shè)備都被外國的企業(yè)壟斷著，而且價格昂貴。況且如果采集到的二維碼圖像由于光照，距離，復(fù)雜背景等產(chǎn)生具有復(fù)雜復(fù)雜背景中二維條碼圖像的識別研究 3背景的二維條碼圖像，那么掃描設(shè)備可能就不會準(zhǔn)確的識讀出二維條碼中的數(shù)據(jù)信息。并且如果將這種技術(shù)做成產(chǎn)品也會成本很低，所以復(fù)雜背景中二維條碼圖像的識別研究是很有意義的！ 國內(nèi)外研究現(xiàn)狀復(fù)雜背景中的二維條碼識別研究，其實最主要的就是目標(biāo)的識別工作，目標(biāo)識別是機(jī)器視覺領(lǐng)域的核心問題之一。選定一個基本的性質(zhì)集合，從而可以用它來描述目標(biāo)的一些基本特性，圖 11 統(tǒng)計模式識別模型同一子集合的各個模式存在一定的差異，有些是由于噪聲和采集設(shè)備的性質(zhì)造成的，而有些卻是模式本身性質(zhì)而引起的隨機(jī)變化。因此當(dāng)用特征向量來描述這些字在形狀上的相似性時，這些特征向量所對應(yīng)的特征空間中的點就不會相同，而是聚集在特征空間的某個區(qū)域空間內(nèi)。 (2) 神經(jīng)元網(wǎng)絡(luò)的識別方法：神經(jīng)網(wǎng)絡(luò)（Neural Networks）的基本思路是神經(jīng)元之間相互連接，一個神經(jīng)元的輸入同時也是其他神經(jīng)元的輸出，這就與大腦中的神經(jīng)元高度相似，而人體神經(jīng)元的這些特性被認(rèn)為是人類防止損傷或者具有記憶力的來源。神經(jīng)元網(wǎng)絡(luò)具有大規(guī)模的并行、分布式存儲和處理、自組織、自適應(yīng)和自學(xué)的能力，因此特別適合處理那些可能需要同時考慮多種原因和條件的、不夠十分精確或者比較模糊的信息處理問題。圖 12 給出了神經(jīng)元網(wǎng)絡(luò)的識別模型。 本課題研究內(nèi)容本論文是研究識別復(fù)雜背景中的二維條碼圖案，對圖像進(jìn)行預(yù)處理，識出圖像特征“L ”型，對識別出的圖像進(jìn)行校正。將圖像轉(zhuǎn)換為灰度圖像，采用高斯濾波，otsu 算法獲得動態(tài)閾值對圖像二值化，形態(tài)學(xué)操作，區(qū)域填充等方法，找出DM 碼區(qū)域并提取出。有助于后邊用 Hough 變換檢測線段。(5)根據(jù)檢測出來的兩條線段確定 L 型區(qū)域，詳細(xì)計算傾斜角度。系統(tǒng)框圖如圖 13 所示：待識別樣本識別結(jié)果顯示輸入數(shù)據(jù)預(yù)處理神經(jīng)網(wǎng)絡(luò)識別復(fù)雜背景中二維條碼圖像的識別研究 5圖 13 系統(tǒng)的整體框圖計算傾斜角度 圖像校正 輸出結(jié)果 旋轉(zhuǎn)圖像 精確裁剪條碼 直線檢測 確定L型 邊緣檢測 提取條碼區(qū)域 DM 碼定位 原始圖像 圖像預(yù)處理 圖像灰度化 圖像二值化 形態(tài)學(xué)操作 連通分量提取 濾波去噪 復(fù)雜背景中二維條碼圖像的識別研究 62 圖像的預(yù)處理 圖像灰度化將彩色圖轉(zhuǎn)化成為灰度圖的過程稱為圖像的灰度化處理。在真彩圖中的每個像素點的顏色由 R、G、B 三個通道的值共同決定。在灰度圖中每個像素用8 位數(shù)據(jù)表示，故而它的每個像素點的取值范圍是黑白間的 256 種灰度中的一種。在真彩圖中如果令 R、G 、B 三個通道分量的值相等，那么此時該真彩圖就表示灰度圖。 (21)(,)(,)(,)(,)/3fijijijij??加權(quán)平均法：根據(jù)人眼對三種原色的敏感度的不同，將三個分量以不同的權(quán)值進(jìn)行加權(quán)平均，此時得到的就是比較合理的灰度圖了，見等式(22)。圖 21，給出了三種灰度化方法產(chǎn)生的灰度圖像。 圖像濾波 圖像濾波技術(shù)因為在 DM 碼的采集的過程之中，由于采集設(shè)備本身特性的限制，而產(chǎn)生的比如高斯噪聲，椒鹽噪聲，脈沖噪聲等噪聲，而這種噪聲是可以通過圖像的濾波技術(shù)使其干擾降到最低，常用的圖像濾波技術(shù)有空域濾波和頻域濾波。所謂的模板，也稱之為樣板或者窗口，一般可以認(rèn)為是一副 ll（這里的 l 通常為奇數(shù)，并且遠(yuǎn)小于圖像的尺寸大?。┑男D像，它各個位置上的取值定義為系數(shù)值，系數(shù)值的大小由具體的功能來決定。模板運(yùn)算的主要思想是把給某像素的值作為它本身的灰度值和其鄰域像素灰度值的函數(shù)，這個函數(shù)可以使線性的也可以是非線性的，而具體的運(yùn)算可以使卷積操作，也可以使排序操作等?？沼驗V波按功能分可分為平滑濾波器和銳化濾波器。而銳化濾波器主要是增強(qiáng)被模糊的細(xì)節(jié)邊緣，常見的有 Sobel 水平邊緣增強(qiáng)濾波器。頻域濾波的基本步驟：計算需要增強(qiáng)圖像的傅里葉變換，乘以一個濾波傳遞函數(shù) H(u,v)，將得到的結(jié)果進(jìn)行傅里葉反變換，得到 g(x,y)。 高斯濾波高斯濾波器是基于鄰域加權(quán)平均法的一種線性平滑濾波器。 (23) 例如一個 55 的高斯平均的模板如下：(,)(,)(,)(,)(,)(,)(,) ,stNxystxywstfstgxy t???復(fù)雜背景中二維條碼圖像的識別研究 814716242731471????????在高斯濾波中，除了要對同一尺寸模板中的不同位置采用不同的系數(shù)之外，還可以選取不同尺寸的模板，最后對小尺寸的模板反復(fù)的使用，也可以得到大尺寸模板的效果。??1214264??????????圖 22 33 模板轉(zhuǎn)化為 11 模板需要注意的是模板越大，平滑的效果越明顯，也可能使圖像目標(biāo)區(qū)域的邊界變得模糊。 中值濾波中值濾波法是非線性平滑濾波器。而用于圖像濾波的中值濾波輸出可以表示為式(25)： (25)一般情況下，圖像里尺寸小于模板一般的過于亮或者過于暗的區(qū)域都將會在濾波后被消除掉，所以中值濾波的主要功能是讓與周圍點象素灰度值的差比較大的像素改取與周圍像素值比較接近點的值，這樣對孤立的噪聲像素的消除能力很強(qiáng)，因為它不是簡單的選取均值，因此產(chǎn)生的模糊也很少，也就是說中值濾波既可以消除噪聲，又可以保持圖像的細(xì)節(jié)，它首先確定一個奇數(shù)像素窗口 W，窗口內(nèi)各像素按灰度值從小到大排序后，用中間位置灰度值代替原灰度值。如果模板選擇過大，那么圖像的邊緣會變得很模糊，如果選擇過小又使得噪聲[(,)]gfstmedia?復(fù)雜背景中二維條碼圖像的識別研究 9不能去除。 二值化閾值選取圖像二值化就是把講圖像上點的灰度值設(shè)為 0（黑）或 255（白） ，是整個圖像具有明顯的黑白效果，以便于后期操作。 、 直方圖的峰谷法圖像的灰度級范圍為 0,1,…M1，設(shè)灰度級 i 的象素數(shù)為 ，則一幅圖像的總象in素 N 為： (27)灰度級 i 出現(xiàn)的概率定義為： (28) 式(28)反映一幅圖像上灰度分布的統(tǒng)計特征，是用像素的灰度作為分割方法的基礎(chǔ)。圖 23但是該方法有一定的局限性，它不適合直方圖中雙峰的差別很大或者是雙峰之間的低谷比較寬廣而平坦的圖像，以及單峰直方圖的情況。設(shè)一幅圖像只由目標(biāo)和背景組成，并且知道它的灰度值分布概率密度函數(shù)為P1(Z)和 P2(Z)，并且假設(shè)目標(biāo)的像素占整個圖像像素比值為 θ，所以該圖像總的灰度值概率密度函數(shù) P(Z)可表示為： (29)12()()()PZPZ????假設(shè)這里的閾值為 Z，并假設(shè)圖像由亮背景和暗目標(biāo)組成組成，即灰度值小于Z 的取為目標(biāo)物，大于 Z 的取為背景，如圖 25 所示圖 25如選定 為最終確定的閾值，則將背景像素認(rèn)錯為目標(biāo)像素的概率是：tZ