二維條形碼失焦通過增加約束最小二乘濾波器由模糊變清晰

1、二維條形碼失焦通過增加約束最小二乘濾波器由模糊變清晰Ningzhong Liu , Xingming Zheng, Han Sun, Xiaoyang Tan計算機科學(xué)與技術(shù)學(xué)院、南京航空航天大學(xué),南京年,中國文章信息文章歷史:;收到2014年4月3號; 網(wǎng)上2012年9月21號; 由G. Borgefors溝通關(guān)鍵詞二維碼 ;去模糊; 增量約束最小二乘濾波器1. 摘要 二維條形碼時遠離相機的焦點,模糊圖像的點擴散函數(shù)的卷積。在噪聲的存在,失焦去模糊是一個不適定問題。二維條碼圖像有非常特殊的形式,由模糊變清晰可行的。本文pro-poses快速去模糊算法稱為增量約束最小二乘濾波器是專門為二維條碼

2、圖像。在分析了條形碼圖像,高斯模糊的標準devia-tion內(nèi)核。然后,條形碼圖像恢復(fù)是通過在迭代計算。在每個迭代中,條形碼的雙層約束圖像有效地整合。實驗結(jié)果表明,我們的算法可以獲得更好的條形碼圖像質(zhì)量與現(xiàn)有方法相比。我們的方法也可以提高閱讀的景深,這是一個重要的性能參數(shù)為條形碼的讀者。 2012年愛思唯爾帳面價值保留所有權(quán)利1. 介紹傳統(tǒng)的一維條碼的使用極大地限制了他們的小信息能力。出于這個原因,開發(fā)了二維條形碼(Vangils,1987)。二維條碼密度高,具有糾錯能力,并且可以代表多種形式的語言,文字,和im-age數(shù)據(jù)加密(劉Doermann,2008)。目前,最常用的一種二維條形碼是矩

3、陣條形碼(Vangils,雷納托et al .,1987;2006),它包含一個矩陣的元素。每個元素代表1或0的值。代表矩陣條形碼協(xié)議包括數(shù)據(jù)矩陣,二維碼和馬克西代碼(雷納托et al .,2006)。 本文的數(shù)據(jù)矩陣條形碼,最廣泛使用的二維條形碼協(xié)議(雷納托et al .,2006),是用于研究二維條形碼由模糊變清晰的技術(shù)。這里介紹的方法和想法也可以應(yīng)用于其他二維條形碼協(xié)議,如PDF417二維條碼和馬克西代碼。圖1(一個)顯示一個數(shù)據(jù)矩陣條形碼符號。數(shù)據(jù)區(qū)域包含的符號由名義上廣場模塊在一個常規(guī)數(shù)組中,如圖1所示(b)。sym-bol儀模式所包圍,這是顯示在圖1(c)。兩個相鄰兩側(cè),左側(cè)和較低

4、,形成了“L”形的邊界。兩邊是由alter-nating黑暗與光明的模塊。詳細描述的數(shù)據(jù)矩陣中可以找到pro-tocol ISO國際標準(ISO 2006)。很長一段時間,條形碼解碼的問題是密切相關(guān)的邊緣檢測(約瑟夫和Pavlidis,1994;尤瑟夫和薩勒姆,2007;楊et al .,2012)。然而,如果條形碼的表面不是相機的焦平面,信號由convo-lution模糊的點擴散函數(shù)(約瑟夫和Pavlidis,1994;Se-lim,1994)。距離越長,越模糊觀測信號。目前,基于邊緣檢測的識別方法不再足夠了。雖然條形碼閱讀器已經(jīng)成熟的產(chǎn)品,如何解模糊信號仍然是一個熱點。由模糊變清晰可以改善

5、景深,這是一個重要的性能參數(shù)為條形碼的讀者(都靈和Boie,1998)。除了條形碼閱讀器,在最近幾年,移動電話已被用于識別條形碼,然后與網(wǎng)絡(luò)交互系統(tǒng)(加藤和褐色,2007;楊et al .,2012)。然而,cap-tured圖像模糊因為缺乏自動對焦在大多數(shù)手機(Eisaku et al .,2004;Thielemann et al .,2004)。因此抓取的圖像識別之前需要由模糊變清晰。在條形碼的信號。金和李(2007)應(yīng)用懲罰非線性廣場目標函數(shù)模糊的條碼信號。劉和太陽(2010)運用迭代傅里葉變換過程退化信號。 圖1。數(shù)據(jù)矩陣代碼結(jié)構(gòu):(一)數(shù)據(jù)矩陣條形碼,(b)數(shù)據(jù)區(qū)域,(c)儀模式。

6、 然而,這些方法在很大程度上是專為one-dimen-sional條形碼。他們不能有效的解模糊二維條碼圖像。此外,這些方法都是基于信號增強。他們是有效的標準偏差模糊卷積內(nèi)核與最小的模塊條形碼的寬度(ISO,2006;劉Doermann,2008)。無論,當(dāng)讀者遠離條形碼,內(nèi)核變得模糊的標準偏差大的光學(xué)char-acteristics成像系統(tǒng)(斯萊姆,2004)。因此這些方法將處于明顯劣勢。 各種算法解模糊條形碼sig-nals已經(jīng)開發(fā)出來。約瑟夫和Pavlidis(1993、1994)計算標準偏差的點擴散函數(shù),然后補償條形碼邊緣位置。都靈和Boie(1998)應(yīng)用determinis-tic

7、expectation-maximization(EM)算法解模糊條碼信號。Shellhammer et al。(1999)獲得條形碼邊緣使用選擇性抽樣和邊緣增強過濾器。Okol nishnikova(2001)應(yīng)用遞歸逐步優(yōu)化公式識別條形碼。Marom et al。(2001)和Kresic-Juric(2005)分析了邊緣定位誤差的統(tǒng)計特性的條形碼被斑紋噪聲信號。Kresic-Juric et al。(2006)應(yīng)用隱馬爾科夫模型(HMM)邊緣檢測g = h * f +n; (1)g是觀察到的圖像,h點擴散函數(shù),f是嗎原始圖像和n是加性噪聲。酒吧的光學(xué)系統(tǒng)代碼的讀者,h是一個高斯函數(shù)(約瑟

8、夫和Pavlidis,1994; 金和李,2007):人們提出了很多方法來恢復(fù)模糊圖像,如古典逆濾波和維納濾波。最近,方法基于正則化技術(shù)(酒吧et al .,2006;Mignotte,2006;貝克和Teboulle,2009;廖和Ng,2011;Cai et al .,2012)和稀疏表示(Mairal et al .,2008;蘭德et al .,2010;董et al .,2011)已經(jīng)被廣泛的研究。無論,這些方法需要大量的計算,使其低效使用條形碼閱讀器和手機。在這里,我們設(shè)計一個快速去模糊方法稱為增量Con-strained最小二乘濾波器恢復(fù)條碼圖像。迭代的數(shù)量并不大。在每個迭代中,

9、雙層con-straint條形碼圖像的有效整合。本文組織如下。標準偏差esti-mation方法在第二節(jié)。第三節(jié)描述了由模糊變清晰的方法。實驗結(jié)果討論了第四節(jié),并在第五節(jié)給出結(jié)論。2。Blur內(nèi)核估計 一般來說,高斯模糊內(nèi)核是最常見的條形碼的degra-dation功能讀者的光學(xué)系統(tǒng)(Kim和李約瑟夫和Pavlidis,1994;2007)。去模糊圖像之前,我們需要估計的標準偏差模糊內(nèi)核。在酒吧里只有兩個灰度值的代碼。acquisi-tion后的形象,我們的灰度值指定白色mod - ul v1和黑色的灰度值模塊v2。圖2(a)顯示,考慮到信號通過掃描條形碼圖像水平線,在理想的情況下,將一系列步

10、驟邊緣信息,見圖2(b)的底部。然而,在實際的模糊圖像,由于模糊核函數(shù)的卷積,逐步改變顯示在每個邊,見圖2(b)。 圖2。卷積后的信號:信號線路的條碼圖像,(b)的退化條碼信號。我們可以表示“L”形的x坐標儀pat-tern(ISO 2006)的左邊緣x0。我們可以知道左邊的像素的灰度值x0 v1,右邊,x0 v2?！癓”形儀附近的信號模式的左邊緣蹊只有x坐標(ISO 2006)。因此,邊緣附近的信號可以表示為一維形式:U(x)是單位階躍函數(shù)(約瑟夫和Pavlidis,1994)。Eq。(2)顯示了高斯模糊函數(shù)是可分:“L”形儀模式的長度(ISO 2006)遠遠大于標準差的高斯模糊函數(shù)。因此,

11、“L”形附近的信號儀模式可以簡化為一維高斯退化模型(約瑟夫和Pavlidis,1994):正常化后,h0 one-dimen-sional高斯模糊函數(shù)可以表示為:從卷積的微分屬性操作(Shellhammer et al .,1999),信號的一階導(dǎo)數(shù)w(x)從U(x)的定義,它是已知的在這里,d(x)是狄拉克脈沖函數(shù)。的財產(chǎn)意味著Dir-ac脈沖函數(shù) 從方程式。(7)、(9),信號的一階導(dǎo)數(shù)w(x)的二階導(dǎo)數(shù)可以獲得contin -證上面的過程,產(chǎn)生Eq。(11)顯示,賽0 0 x = x0時(x)為零。因此,我們可以用二階導(dǎo)數(shù)找到x0。此外,從情商。(10),當(dāng) 因此,標準偏差高斯函數(shù)可以根

12、據(jù)以下計算3。由模糊變清晰的圖像 解決Eq。(1)噪聲的影響下一個不適定的病(岡薩雷斯和森林,2002)。Regularization-based技術(shù)已經(jīng)廣泛的研究來解決這個問題(酒吧et al .,2006;Mignotte,2006;貝克和Teboulle,2009;廖和Ng,2011;Cai et al .,2012),但這些方法需要大computa-tions,低效使用條形碼閱讀器和mo-bile手機。此外,這些方法不是用于二維條形碼,不能有效地解決這種模糊的病。條形碼是由黑色和白色的模塊,所以條形碼圖像是二元的,即,0或1。在這一約束下,迭代方法適用于雙層圖像去模糊。在每個迭代中,空

13、間域約束可以有效地整合。增量維納濾波器(鄒和羅爾夫,1995;李et al .,2011)與iter-ative形式。據(jù)報道,有一個更好的恢復(fù)比維納濾波器性能。增量維納濾波與對象域約束一起使用,可以提高恢復(fù)后的圖像質(zhì)量。然而,增量維納fil-ter需要知道噪聲的功率譜。很難有效sup-press噪聲。在這里,我們設(shè)計一個快速迭代去模糊算法基于約束最小二乘濾波器(亨特,1973)我們可以表達Eq。(1)向量矩陣形式(岡薩雷斯和森林,2002):約束最小二乘濾波器,選擇一個矩陣Q實施一定程度的恢復(fù)圖像平滑。在一般,讓問與高通濾波卷積濾波歌劇- ,比如拉普拉斯算子。讓f是一個評估解決方案的Eq。(1

14、3)。因此,什么是想要的是找到的最低標準功能受限制問題可以設(shè)置為目標函數(shù)的最小化(岡薩雷斯和森林,2002):是拉格朗日乘子的地方。我們設(shè)置的導(dǎo)數(shù) 尊重f為零: 解決了 f產(chǎn)量 頻域規(guī)范 c = 1 / c?，F(xiàn)在,我們修改的約束最小二乘濾波器迭代形式。在每個迭代中,空間域約束可以有效地整合以提高圖像質(zhì)量。在本文中,我們稱之為增量約束最小二乘濾波器(icl)。在增量約束最小二乘濾波中,我們使用數(shù)組作為一個錯誤在G(u),觀察圖像的頻率恢復(fù)圖像的頻率,和H(u,v)的頻率模糊核函數(shù)。數(shù)組的初始估計褶皺多弧離子鍍錯誤我們希望找到一個新的估計減少。結(jié)合方程式。(17)和(19),我們得到的其近似給新的

15、錯誤數(shù)組因為和我們立即 (23)因此,每個迭代數(shù)組ICLS的過濾器可以減少錯誤。的價值有一個微妙的影響迭代過程。如果的值大,該解決方案將成為平穩(wěn)和噪聲容忍度將得到改善。然而,值太大可以增加迭代的數(shù)量。另一方面,的值太小會導(dǎo)致一個不穩(wěn)定的過程,和估計的外表將不平滑的。在我們的經(jīng)驗中,我們可以設(shè)置icl的方法已經(jīng)被設(shè)計為一個迭代形式。逆傅里葉變換后,空間域約束可以有效地整合。條形碼由黑色和白色廣場模塊,所以它的直方圖是雙模。像素的黑色模塊形成一個高峰?；叶戎礏1,B2。白色的像素模塊形式的第二個高峰,灰度值W1 W2。雙模直方圖,很容易得到最優(yōu)閾值t .我們可以使用以下約束在空間域sup-pres

16、s振蕩在每次迭代后的圖像我們定義的運動誤差數(shù)組在Eq。(18)在Si(u,v)和Si + 1(u,v)錯誤后數(shù)組i和(i + 1)迭代icl的過濾器。每一次迭代后,我們計算Ei(u,v)。如果Ei(u,v) e,我們停止迭代。一般來說,可以設(shè)置為0.05。我們算法的完整框架總結(jié)如下:算法對二維條碼圖像去模糊算法(1) 獲得一個初步評估:(2)計算新的估計:；（3） mpute錯誤的運動數(shù)組。如果停止迭代（4） 添加在空間域雙層約束:更新隊和Eq(x,y)。(25),轉(zhuǎn)到步驟24。實驗結(jié)果和比較在本節(jié)中,我們算法的去模糊性能驗證模擬模糊圖像和真實圖像模糊。模擬模糊圖像,原始圖像是模糊的模糊內(nèi)核然

17、后添加劑添加高斯噪聲。真正的模糊圖像,我們使用一個商業(yè)手持移動條形碼閱讀器來收集數(shù)據(jù)。圖3。原始圖像去模糊結(jié)果:(a)(b)噪聲和模糊圖像,(c)1次迭代后的結(jié)果,(d)3迭代后的結(jié)果,(e)5迭代后的結(jié)果,(f)7迭代后的結(jié)果4.1。迭代的數(shù)量和計算時間 圖3(一個)是原始干凈數(shù)據(jù)矩陣條碼圖像。高斯模糊圖像模糊的內(nèi)核與rb = W,其中W是模塊的寬度(ISO 2006)。然后加性高斯噪聲標準差rn = 4是補充道。圖3(b)是吵鬧的和模糊的圖像。然后,本文的算法進行了模糊的條碼圖像。產(chǎn)生的圖像后,1日3日,5日和7日迭代顯示在圖3(c)-(f)。從圖3,我們ob-serve 7迭代之后,我們

18、的方法有效地改善圖像質(zhì)量。錯誤的運動的一個較大的值數(shù)組Ei(u,v)中定義的Eq。(26)表示兩次迭代之間的差異。我們總結(jié)的值每次迭代后Ei(u,v)。我們看到,當(dāng)?shù)臄?shù)量超過7 Ei(u,v)的值是穩(wěn)定的和小于0.05。這一結(jié)果表明,7 - 8 iter-ations足以恢復(fù)模糊圖像使用我們的方法。更多的迭代不顯著改善圖像質(zhì)量。目前,大多數(shù)的條形碼閱讀器使用手臂的cpu。這里,我們比較的計算時間icl過濾器用Matlab編程在手臂的CPU電腦。測試圖像的分辨率為320 240和640 480人使用。計算機的CPU是一個英特爾P9600 2.53 GHz。ARM處理器是一個三星6410 WinCE6.0運行操作系統(tǒng)。320 240圖像,calcula-tion Matlab和手臂1350毫秒