二维条形码失焦通过增加约束最小二乘滤波器由模糊变清晰
二维条形码失焦通过增加约束最小二乘滤波器由模糊变清晰 Ningzhong Liu ⇑, Xingming Zheng, Han Sun, Xiaoyang Tan
计算机科学与技术学院、南京航空航天大学, 南京210016年, 中国
文章信息
文章历史:;收到2014年4月3号; 网上2012年9月21号; 由G. Borgefors沟通 关键词
二维码 ; 去模糊; 增量约束最小二乘滤波器
1. 摘要
二维条形码时远离相机的焦点, 模糊图像的点扩散函数的卷积。在噪声的存在, 失焦去模糊是一个不适定问题。二维条码图像有非常特殊的形式, 由模糊变清晰可行的。本文pro-poses 快速去模糊算法称为增量约束最小二乘滤波器是专门为二维条码图像。在分析了条形码图像, 高斯模糊的标准devia-tion 内核。然后,, 条形码图像恢复是通过在迭代计算。在每个迭代中, 条形码的双层约束图像有效地整合。实验结果表明, 我们的算法可以获得更好的条形码图像质量与现有方法相比。我们的方法也可以提高阅读的景深, 这是一个重要的性能参数为条形码的读者。
2012年爱思唯尔帐面价值保留所有权利
1. 介绍
传统的一维条码的使用极大地限制了他们的小信息能力。出于这个原因, 开发了二维条形码(Vangils,1987)。二维条码密度高, 具有纠错能力, 并且可以代表多种形式的语言, 文字, 和im-age 数据加密(刘Doermann,2008) 。目前, 最常用的一种二维条形码是矩阵条形码(Vangils,雷纳托et al .,1987;2006),它包含一个矩阵的元素。每个元素代表1或0的值。代表矩阵条形码协议包括数据矩阵, 二维码和马克西代码(雷纳托et al .,2006)。
本文的数据矩阵条形码, 最广泛使用的二维条形码协议(雷纳托et al .,200
6), 是用于研究二维条形码由模糊变清晰的技术。这里介绍的方法和想法也可以应用于其他二维条形码协议, 如PDF417二维条码和马克西代码。图1(一个) 显示一个数据矩阵条形码符号。数据区域包含的符号由名义上广场模块在一个常规数组中, 如图1所示(b)。sym-bol 仪模式所包围, 这是显示在图1(c)。两个相邻两侧, 左侧和较低, 形成了“L”形的边界。两边是由alter-nating 黑暗与光明的模块。详细描述的数据矩阵中可以找到pro-tocol ISO 国际标准(ISO 2006) 。
很长一段时间, 条形码解码的问题是密切相关的边缘检测(约瑟夫和Pavlidis,1994; 尤瑟夫和萨勒姆,2007; 杨et al .,2012)。然而, 如果条形码的表面不是相机的焦平面, 信号由convo-lution 模糊的点扩散函数(约瑟夫和Pavlidis,1994;Se-lim,199
4) 。距离越长, 越模糊观测信号。目前, 基于边缘检测的识别方法不再足够了。虽然条形码阅读器已经成熟的产品, 如何解模糊信号仍然是一个热点。由模糊变清晰可以改善景深, 这是一个重要的性能参数为条形码的读者(都灵和Boie,1998) 。除了条形码阅读器, 在最近几年, 移动电话已被用于识别条形码, 然后与网络交互系统(加藤和褐色,2007; 杨et al .,2012)。然而,cap-tured 图像模糊因为缺乏自动对焦在大多数手机(Eisaku et al .,2004;Thielemann et al .,2004)。因此抓取的图像识别之前需要由模糊变清晰。在条形码的信号。金和李(2007)应用惩罚非线性广场目标函数模糊的条码信号。刘和太阳(2010)运用迭代傅里叶变换过程退化信号。
图1。数据矩阵代码结构:(一) 数据矩阵条形码,(b)数据区域,(c)仪模式。
然而, 这些方法在很大程度上是专为one-dimen-sional 条形码。他们不能有 效的解模糊二维条码图像。此外, 这些方法都是基于信号增强。他们是有效的标准偏差模糊卷积内核与最小的模块条形码的宽度(ISO,2006;刘Doermann,200
8) 。无论, 当读者远离条形码, 内核变得模糊的标准偏差大的光学char-acteristics 成像系统(斯莱姆,2004) 。因此这些方法将处于明显劣势。
各种算法解模糊条形码sig-nals 已经开发出来。约瑟夫和Pavlidis(1993、19
94) 计算标准偏差的点扩散函数, 然后补偿条形码边缘位置。都灵和Boie(1998)应用determinis-tic expectation-maximization(EM)算法解模糊条码信号。Shell hammer et al 。(1999)获得条形码边缘使用选择性抽样和边缘增强过滤器。Ok ol 'nishnikova(2001)应用递归逐步优化公式识别条形码。Marom et al 。(2001)和Kresic-Juric(2005)分析了边缘定位误差的统计特性h (x , y ) 1/2的条形码被斑纹噪声信号。Kresic-Juric et al 。(2006)应用隐马尔科夫模型(HMM)边缘检测 g = h * f +n; (1)
g 是观察到的图像,h 点扩散函数,f 是吗 原始图像和n 是加性噪声。酒吧的光学系统 代码的读者,h 是一个高斯函数(约瑟夫和Pavlidis,1994; 金和李,
2007):
人们提出了很多方法来恢复模糊图像, 如古典逆滤波和维纳滤波。最近, 方法基于正则化技术(酒吧et al .,2006;Mignotte,2006;贝克和Teboulle,2009; 廖和N g,2011;Cai et al .,2012)和稀疏表示(Mairal et al .,2008;兰德et al .,2010;董et al .,2011)已经被广泛的研究。无论, 这些方法需要大量的计算, 使其低效使用
条形码阅读器和手机。在这里, 我们设计一个快速去模糊方法称为增量Con-strai ned 最小二乘滤波器恢复条码图像。迭代的数量并不大。在每个迭代中, 双层co n-straint 条形码图像的有效整合。
本文组织如下。标准偏差esti-mation 方法在第二节。第三节描述了由模糊变清晰的方法。实验结果讨论了第四节, 并在第五节给出结论。
2。Blur 内核估计
一般来说, 高斯模糊内核是最常见的条形码的degra-dation 功能读者的光学系统(Kim和李约瑟夫和Pavlidis,1994;2007) 。去模糊图像之前, 我们需要估计的标准偏差模糊内核。在酒吧里只有两个灰度值的代码。acquisi-tion 后的形象, 我们的灰度值指定白色mod - ul v1和黑色的灰度值模块v2。图2(a)显示, 考虑到信号通过扫描条形码图像水平线, 在理想的情况下, 将一系列步骤边缘信息, 见图2(b)的底部。然而, 在实际的模糊图像, 由于模糊核函数的卷积, 逐步改变显示在每个边, 见图2(b)。
图2。卷积后的信号:信号线路的条码图像,(b)的退化条码信号。
我们可以表示“L”形的x 坐标仪pat-tern(ISO 2006) 的左边缘x0。我们可以知道左边的像素的灰度值x0 v1, 右边,x0 v2。“L”形仪附近的信号模式的左边缘蹊只有x 坐标(ISO 2006) 。因此, 边缘附近的信号可以表示为一维形式
:
U(x)是单位阶跃函数(约瑟夫和Pavlidis,1994) 。Eq 。(2)显示了高斯模糊函数是可分
:
“L”形仪模式的长度(ISO 2006) 远远大于标准差的高斯模糊函数。因此,“L”形附近的信号仪模式可以简化为一维高斯退化模型(约瑟夫和
Pavlidis,1994):
正常化后,h0 one-dimen-sional 高斯模糊函数可以表示为
:
从卷积的微分属性操作(Shellhammer et al .,1999),信号的一阶导数w(x)
从U(x)的定义, 它是已知的
在这里,d(x)是狄拉克脉冲函数。的财产意味着Dir-ac 脉冲函数
从方程式。(7)、(9),信号的一阶导数
w(x)的二阶导数可以获得contin -证上面的过程, 产生
Eq 。(11)显示, 赛0 0 x = x0时(x)为零。因此, 我们可以用二阶导数找到x0。此外, 从情商。(10),当
因此, 标准偏差高斯函数可以根据以下计算
3。由模糊变清晰的图像
解决Eq 。(1)噪声的影响下一个不适定的病(冈萨雷斯和森林,2002) 。Regular ization-based 技术已经广泛的研究来解决这个问题(酒吧et al .,2006;Mignotte,2006; 贝克和Teboulle,2009; 廖和Ng,2011;Cai et al .,2012),但这些方法需要大computa-tions, 低效使用条形码阅读器和mo-bile 手机。此外, 这些方法不是用于二维条形码, 不能有效地解决这种模糊的病。
条形码是由黑色和白色的模块, 所以条形码图像是二元的, 即,0或1。在这一约束下, 迭代方法适用于双层图像去模糊。在每个迭代中, 空间域约束可以有效地整合。增量维纳滤波器(邹和罗尔夫,1995; 李et al .,2011)与iter-ative 形式。据报道, 有一个更好的恢复比维纳滤波器性能。增量维纳滤波与对象域约束一起使用, 可以提高恢复后的图像质量。然而, 增量维纳fil-ter 需要知道噪声的功率谱。很难有效sup-press 噪声。在这里, 我们设计一个快速迭代去模糊算法基于约束最小二乘滤波器(亨特,1973)
我们可以表达Eq 。(1)向量矩阵形式(冈萨雷斯和森林
,2002):
约束最小二乘滤波器, 选择一个矩阵Q 实施一定程度的恢复图像平滑。在一般, 让问与高通滤波卷积滤波歌剧- ^,比如拉普拉斯算子。让f 是一个评估解决方案的Eq 。(13)。因此, 什么是想要的是找到的最低标准功能受
限制
问题可以设置为目标函数的最小化(冈萨雷斯和森林
,2002):
… 是拉格朗日乘子的地方。我们设置的导数 尊重f 为零
:
解决了^ f 产量
频域规范
c = 1 / c 。现在, 我们修改的约束最小二乘滤波器迭代形式。在每个迭代中, 空间域约束可以有效地整合以提高图像质量。在本文中, 我们称之为增量约束最小二乘滤波器(icl)。在增量约束最小二乘滤波中, 我们使用数组作为一个错误
在G(u),观察图像的频率恢复图像的频率, 和H(u,v)
的频率——模糊核函数。数组的初始估计褶皱多弧离子镀错误
我们希望找到一个新的估计(19),我们得到的
减少。 结合方程式。(17)和
其近似
给新的错误数组
因为3)
因此, 每个迭代数组ICLS 的过滤器可以减少错误。γ的价值有一个微妙的影响迭代过程。如果γ的值大, 该解决方案将成为平稳和噪声容忍度将得到改善。然而, γ值太大可以增加迭代的数量。另一方面, γ的值太小会导致一个不稳定的过程, 和估计的外表将不平滑的。在我们的经验中, 我们可以设置
icl 的方法已经被设计为一个迭代形式。逆傅里叶变换后, 空间域约束可以有效地整合。条形码由黑色和白色广场模块, 所以它的直方图是双模。像素的黑色模块形成一个高峰。灰度值B1,B2。白色的像素模块形式的第二个高峰, 灰度值W1 W2。双模直方图, 很容易得到最优阈值t .我们可以使用以下约束在空间域sup-press 振荡在每次迭代后的图像
和我们立即 (2
我们定义的运动误差数组在Eq 。
(18)
在Si(u,v)和Si + 1(u,v)错误后数组i 和(i + 1) 迭代icl 的过滤器。每一次迭代后, 我们计算Ei(u,v)。如果Ei(u,v)
算法对二维条码图像去模糊算法
(1)获得一个初步评估
:
(2)计算新的估计
:
；
（3）mpute 错误的运动数组（4）添加在空间域双层约束
: 。如果停止迭代
更新队和Eq(x,y)。(25),转到步骤2
4。实验结果和比较
在本节中, 我们算法的去模糊性能验证模拟模糊图像和真实图像模糊。模拟模糊图像, 原始图像是模糊的模糊内核然后添加剂添加高斯噪声。真正的模糊图像, 我们使用一个商业手持移动条形码阅读器来收集数据。
图3。原始图像去模糊结果:(a)(b)噪声和模糊图像,(c)1次迭代后的结果,(d)3迭代后的结果,(e)5迭代后的结果,(f)7迭代后的结果
4.1。迭代的数量和计算时间
图3(一个) 是原始干净数据矩阵条码图像。高斯模糊图像模糊的内核与rb = W, 其中W 是模块的宽度(ISO 2006) 。然后加性高斯噪声标准差rn = 4是补充道。图3(b)是吵闹的和模糊的图像。然后, 本文的算法进行了模糊的条码图像。产生的图像后,1日3日,5日和7日迭代显示在图3(c)-(f)。从图3, 我们ob-serve 7迭代之后, 我们的方法有效地改善图像质量。
错误的运动的一个较大的值数组Ei(u,v)中定义的Eq 。(26)表示两次迭代之间的差异。我们总结的值每次迭代后Ei(u,v)。我们看到, 当迭代的数量超过7 Ei(u,v)的值是稳定的和小于0.05。这一结果表明,7 - 8 i ter-ations 足以恢复模糊图像使用我们的方法。更多的迭代不显著改善图像质量。 目前, 大多数的条形码阅读器使用手臂的cpu 。这里, 我们比较的计算时间icl 过滤器用M atlab 编程在手臂的CPU 电脑。测试图像的分辨率为320 240和640 480人使用。计算机的CPU 是一个英特尔P9600 2.53 GHz 。ARM 处理器是一个三星6410 WinCE6.0运行操作系统。320 240图像,calcula-tion Matlab 和手臂1350毫秒,230毫秒,respec-tively 。图像分辨率为640 640,Matlab 的计算时间和手臂是3250毫秒,670毫秒, 分别。这些实验数据表明, 手臂要快得多, 这些计算的Matlab 程序。手臂的计算时间不超过1秒。因此我们的算法可以在手臂real-ized cpu 实时。
4.2。使用不同的方法去模糊结果的比较
在本节, 我们比较我们的去模糊方法对现有去模糊方法, 包括增量维纳滤波器(邹和罗尔夫,1995; 李et al .,2011),集中稀疏Repre-sentation 方法(董et al .,2011),和交替
Minimi-zation 算法(2012张) 显示其有效性