CN106485182B - 一种基于仿射变换的模糊qr码复原方法 - Google Patents
一种基于仿射变换的模糊qr码复原方法 Download PDFInfo
- Publication number
- CN106485182B CN106485182B CN201610511613.0A CN201610511613A CN106485182B CN 106485182 B CN106485182 B CN 106485182B CN 201610511613 A CN201610511613 A CN 201610511613A CN 106485182 B CN106485182 B CN 106485182B
- Authority
- CN
- China
- Prior art keywords
- image
- codes
- obtains
- roi
- motion blur
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009466 transformation Effects 0.000 title claims abstract description 27
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 title claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims abstract description 38
- 238000011084 recovery Methods 0.000 claims abstract description 23
- 230000003321 amplification Effects 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000006002 Pepper Substances 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
-
- 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
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了提供一种将传统的图像复原方法与QR码特点校准的方法结合,即利用了传统图像复原方法得到一张质量较好的图像,又利用了QR码的特点得到一张标准的QR码,更加快捷高效的为自动引导车提供准确的QR码定位图像,并且得到自动引导车运行过程中的姿态信息的基于仿射变换的模糊QR码运动模糊图像复原方法。本发明利用多分辨率处理,得到ROI图像,可以大幅度降低图像复原时间。经过校准的QR码,与标准的QR码相似度很高,可以保证识别。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于QR码的AGV定位模块运动模糊复原方法。
背景技术
随着工业自动化技术的发展,自动引导车(AGV)被广泛的采用,自动导引车能够按照指令的路线自动运行,不需要人为干涉,因此能够有效提高工业自动化,提高运输效率。
现有的自动引导车导航方法主要是磁条引导、激光引导等方法,但是这些方法都有自身的局限性,近年来,随着科技的发展,也出现了一些新的定位导航技术,基于二维码定位的自动引导车导航方法,该视觉导引方法能够有效的提高自动引导车的路径设计的柔性,但是由于二维码结构比较复杂,自动导引车在运动过程中采集到的图像是模糊的,无法直接识别,需要运动模糊图像复原,常用的运动模糊图像复原算法。
图像复原是近年来一个热点技术,它的目的是从降质的观测图像中复原出真实的图像,其数学模型可以描述为公式(1):
g(x,y)=f(x,y)*h(x,y)+n(x,y) (1);
其中,x,y是图像空间坐标,图像左上角为原点,g(x,y)是降质的观测图像,f(x,y)是真实图像,h(x,y)是退化模型,n(x,y)是加性噪 声。通过傅里叶变换,该模型可在频域表示为公式(2):
G(u,v)=F(u,v)H(u,v)+N(u,v) (2);
其中,u、v表示离散频率坐标,G(u,v)、F(u,v)、H(u,v)、N(u,v)分别是g(x,y)、f(x,y)、h(x,y)、n(x,y)的傅里叶变换,H(u,v)又称为点扩散函数(point spread function,PSF),其中PSF中最重要的两个参数分别是模糊方向和模糊距离。图像复原就是找到一个复原滤波器,得到f(x,y)的估计
为了解决运动模糊复原,近年来也出现了一些图像复原方法,但是自动导引车在工作过程中是匀速直线运动的,即运动方向跟速度都是已知的,如中国专利号CN201510445795.1所公布的双迭代混合盲复原方法,其迭代算法处理时间过长,复原效果不好,没有充分利用已知的PSF的两个参数,不能保证二维码的百分之百的识别,不适合用作自动导引车的图像复原方法,如果自动导引车的速度稍快时,就会使二维码无法识别,导致不能有效的定位,影响自动导引车的调度实现,甚至会产生脱轨,造成不可避免的损失。
发明内容
针对上述现有技术存在的缺陷,本发明的目的在于提供一种将传统的图像复原方法与QR码特点校准的方法结合,即利用了传统图像复原方法得到一张质量较好的图像,又利用了QR码的特点得到一张标准的QR码,更加快捷高效的为自动引导车提供准确的QR码定位图像,并且得到自动引导车运行过程中的姿态信息的基于仿射变换的 模糊QR码运动模糊图像复原方法。
为实现上述发明目的,本发明的技术方案是:一种基于仿射变换的模糊QR码复原方法,包括以下步骤:
步骤(1),利用Hu不变矩原理,计算待复原的运动模糊图像中包含QR码的区域的ROI图像;步骤包括:
步骤(1.1),利用高斯图像金子塔,对运动模糊图像向下三次降采样;
步骤(1.2),检测向下降采样图像的边缘信息,计算所有边缘信息的Hu不变矩,根据Hu不变矩得到大小符合的边缘,作为QR码的边缘;
步骤(1.3),用最小矩形包含步骤(1.2)中得到的边缘,得到最小矩形的四个角点,分别乘以3,得到运动模糊图像中QR码的最小包含矩形,分割图像得到ROI图像;
步骤(2),用传统的图像复原方法对步骤(1)得到的ROI图像进行初步运动模糊复原;步骤包括:
步骤(2.1),根据自动导引车的运动方向,得到ROI图像的运动模糊方向;
步骤(2.2),根据自动导引车的运动速度,得到ROI图像的运动模糊距离;
步骤(2.3),利用消失矩的数目为4的db4小波变换,得到ROI图像的4个子频带图像,分别是原图像的低频部分LL、原图像的水平高频垂直低频部分HL、原图像的水平低频垂直高频部分LH、原 图像的对角高频部分HH;根据步骤(2.1)、步骤(2.2)中得到运动模糊方向和运动模糊距离,使用维纳滤波对LL运动模糊复原,使用拉普拉斯算子对LH、HL、HH边缘保持;
步骤(2.4),利用小波逆变换,将4个子频带图像重构成复原的ROI图像;
步骤(3),利用行程编码,得到复原的ROI图像中QR码的四个角点,步骤包括:
步骤(3.1),根据灰度直方图,利用大津阈值法,将复原的ROI图像二值化;
步骤(3.2),利用中值滤波器,祛除二值化ROI图像中的椒盐噪声和振铃效应;
步骤(3.3),计算二值化ROI图像的行程编码,根据QR码的特点,计算得到二值化ROI图像中QR码的四个角点;
步骤(4),利用Homography矩阵和仿射变换原理,计算得到正放的二值化复原QR码图像,步骤包括:
步骤(4.1),根据QR码在模糊图像中的大小,得到模糊图像中QR码相较真实QR码的放大倍数,计算得到放大的四个角点;
步骤(4.2),利用步骤(3.3)中得到的QR码的四个角点和步骤(4.1)中得到的四个角点,计算得到Homography矩阵的线性解;
步骤(4.3),利用仿射变换原理,计算得到正放的复原QR码;
步骤(5),将正放的复原QR码分割为N*N个模块,根据QR 码的特点,遍历N*N个模块,根据每个模块的特征,将当前模块赋值为黑色或者白色。
本发明的有益效果是:
本发明与现有技术相比的有益效果在于:
1、本发明利用多分辨率处理,得到ROI图像,可以大幅度降低图像复原时间。
2、本发明利用小波变换,可以提高图像复原的鲁棒性,提高图像复原效果。
3、经过校准的QR码,与标准的QR码相似度很高,可以保证识别。
4、算法简单,易于实现,实时性强。
5、本发明尤其适用于使用QR码做定位模块的自动导引车工作过程中的运动模糊图像复原。
术语解释:
QR码是二维条码的一种,QR来自英文“Quick Response”的缩写,即快速反应的意思,源自发明者希望QR码可让其内容快速被解码。QR码比普通条码可储存更多资料,亦无需像普通条码般在扫描时需直线对准扫描器。QR码能够快速读取,与之前的条形码相比,QR码能存储更丰富的信息,包括对文字、URL地址和其他类型的数据加密。
ROI,为region of interest缩写,是指样本确定用于特定用途的数据集内的选定子集。一个ROI的概念在许多应用领域是常用的, 在图像处理领域就是给定图像的某个用于特定用途的区域内的数据。
附图说明
当结合附图考虑时,通过参照下面的详细描述,能够更完整更好地理解本发明以及容易得知其中许多伴随的优点,但此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,其中:
图1是实施例步骤(1)中三次高斯金字塔向下降采样图像;
图2是实施例步骤(1)中根据Hu不变矩得到的符合要求的轮廓;
图3是实施例步骤(1)中分割得到的ROI图像;
图4是实施例步骤(2)中运动模糊复原ROI图像;
图5是实施例步骤(4)中仿射变换示意图;
图6是实施例步骤(4)中的正放的复原QR码;
图7是实施例步骤(5)中根据QR码的特征分割成的模块图;
图8是实施例步骤(5)中对模糊图像的复原结果。
具体实施方式
下面将结合附图对本发明,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明包含五个步骤,具体实现方法如下:
步骤(1)、利用Hu不变矩原理,计算待复原的运动模糊图像中包含QR码的区域的ROI(region of interest)图像。具体实现方法如下:
步骤(1.1)利用高斯图像金字塔,对运动模糊图像向下三次采样,向下降采样的结果如图1所示,高斯金字塔向下降采样公式(1)为:
其中x,y是图像空间坐标,图像左上角为原点(0,0),Gn+1(x,y)为第n+1级降采样图像,Gn(x,y)为第n级降采样图像,W(a,b)=W(a)*W(b)是长度为5的高斯卷积核,W(a)为x=a点处高斯卷积核的值,W(b)为x=b点出高斯卷积核的值。
步骤(1.2)使用Canny算子检测向下降采样图像的边缘信息,计算所有边缘的Hu不变矩,Hu不变矩的公式(4)如下:
其中p=0,1,2......,q=0,1,2......,m00为几何矩的面积。
计算Canny算子边缘检测得到的所有边缘的面积,得到其中符合要求的边缘,当做是QR码的边缘,QR码的边缘如图2所示。
步骤(1.3)用最小矩形包含步骤(1.2)中得到的边缘,得到最小矩形的四个角点,分别乘以3,得到运动模糊图像中QR码的最小包含矩形,分割图像得到ROI图像如图3所示。
步骤(2),用传统的图像复原方法对ROI图像进行初步运动模糊复原。具体实现过程如下:
步骤(2.1),自动导引车始终沿着y方向运动,所以ROI图像的运动模糊方向为90°。
步骤(2.2),自动导引车的运动速度为v,工业摄像机的曝光时间为t,所以ROI图像的模糊距离为vt。
步骤(2.3),使用消失矩的数目为4的“db4”小波,尺度系数为:
{0.325803,1.010946,0.892200,-0.039575,-0.264507,0.043616,0.023252,-0.014987}
小波变换由公式(5)和(6)给出:
其中分别是原图像的第j0级四个子频段中x=m和y=n低频部分(LL)的值、水平高频垂直低频部分(HL)的值、水平低频垂直高频部分(LH)的值、对角高频部分(HH)的值,H、V、D分别用来标识三个高频子频段。M和N为图像分辨率的宽和高,
为第j0级尺度函数和第j级小波函数在x=m、y=n处的值,其计算过程如下所示:
将x、y用t表示,其中为尺度函数, 为小波函数。
h(n)为尺度系数,消失矩的数目为4的“db4”小波尺度系数为:
{0.325803,1.010946,0.892200,-0.039575,-0.264507,0.043616,0.023252,-0.014987}
对LL子频段使用维纳滤波复原,维纳滤波由下式给出:
其中是的傅里叶变换,H*(u,v)是h(x,y)傅里叶变换的共轭矩阵,K为特殊常数,通常取小于1。
对HL、LH、HH子频段分别使用拉普拉斯算子边缘保持,拉普拉斯算子如下所示:
根据处理后的LL、HL、LH、HH子频段,重建图像,如图4所示。
步骤(3),利用行程编码,得到复原的ROI图像中QR码的四个角点。具体实现过程为:
步骤(3.1),根据灰度直方图,利用大津阈值法,将复原的ROI图像二值化。
步骤(3.2),利用中值滤波器,祛除二值化ROI图像中的椒盐噪声和振铃效应。
步骤(3.3),计算二值化ROI图像的行程编码,根据QR码的 特点,计算得到二值化ROI图像中QR码的四个角点,如图5中A1、A2、A3、A4,其中XS-axis、YS-axis为二值化ROI图像的坐标系,坐标原点为O(xs,ys)。
步骤(4),利用Homography矩阵和仿射变换原理,计算得到正放的二值化复原QR码图像。其中仿射变换的如图5所示,其中XN-axis、YN-axis为变换后的坐标系,坐标原点为O'(0,0),A1'、A'2、A'3、A'4为变换后的QR码的四个角点。
步骤(4.1),根据QR码在模糊图像中的大小,得到模糊图像中QR码相较真实QR码的放大倍数,计算得到放大的四个角点;
步骤(4.2),利用步骤(3.3)中得到的QR码的四个角点和步骤(4.1)中得到的四个角点,计算得到Homography矩阵的线性解;
步骤(4.3),利用仿射变换原理,计算得到正放的复原QR码;
仿射变换由下式给出:
其中H为Homography单应矩阵,已知Homography单应矩阵是3*3的可逆矩阵,是用来计算在同一三维平面上的点在不同二维图像中的投影位置,是一个一对一的映射,并且H对于输入图像中的每一个点都存在正确的映射关系。计算Homography的线性解需要4对不共线的点。4对不共线的点由步骤(3.3)以及步骤(4.1)给出。
依据仿射变换原理,计算得到正放的复原QR码如图6所示。
步骤(5),将正放的复原QR码分割为N*N个模块,本实施例选用的类型1的QR码,为21*21个模块,如图7所示。遍历QR码的每个模块,计算每个模块内所有点的平均灰度,若平均灰度大于150则认为此模块为白色,否则为黑色。得到如图8所示的模糊QR码复原结果。可见其相较于其他复原算法,得到是一张接近于标准的QR码。
所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (1)
1.一种基于仿射变换的模糊QR码复原方法,其特征在于,包括以下步骤:
步骤(1),利用Hu不变矩原理,计算待复原的运动模糊图像中包含QR码的区域的ROI图像;步骤包括:
步骤(1.1),利用高斯图像金字塔,对运动模糊图像向下三次降采样;
步骤(1.2),检测向下降采样图像的边缘信息,计算所有边缘信息的Hu不变矩,根据Hu不变矩得到大小符合的边缘,作为QR码的边缘;
步骤(1.3),用最小矩形包含步骤(1.2)中得到的边缘,得到最小矩形的四个角点,分别乘以3,得到运动模糊图像中QR码的最小包含矩形,分割图像得到ROI图像;
步骤(2),用传统的图像复原方法对步骤(1)得到的ROI图像进行初步运动模糊复原;步骤包括:
步骤(2.1),根据自动导引车的运动方向,得到ROI图像的运动模糊方向;
步骤(2.2),根据自动导引车的运动速度,得到ROI图像的运动模糊距离;
步骤(2.3),利用消失矩的数目为4的db4小波变换,得到ROI图像的4个子频带图像,分别是原图像的低频部分LL、原图像的水平高频垂直低频部分HL、原图像的水平低频垂直高频部分LH、原图像的对角高频部分HH;根据步骤(2.1)、步骤(2.2)中得到运动模糊方向和运动模糊距离,使用维纳滤波对LL运动模糊复原,使用拉普拉斯算子对LH、HL、HH边缘保持;
步骤(2.4),利用小波逆变换,将4个子频带图像重构成复原的ROI图像;
步骤(3),利用行程编码,得到复原的ROI图像中QR码的四个角点,步骤包括:
步骤(3.1),根据灰度直方图,利用大津阈值法,将复原的ROI图像二值化;
步骤(3.2),利用中值滤波器,祛除二值化ROI图像中的椒盐噪声和振铃效应;
步骤(3.3),计算二值化ROI图像的行程编码,根据QR码的特点,计算得到二值化ROI图像中QR码的四个角点;
步骤(4),利用Homography矩阵和仿射变换原理,计算得到正放的二值化复原QR码图像,步骤包括:
步骤(4.1),根据QR码在模糊图像中的大小,得到模糊图像中QR码相较真实QR码的放大倍数,计算得到放大的四个角点;
步骤(4.2),利用步骤(3.3)中得到的QR码的四个角点和步骤(4.1)中得到的四个角点,计算得到Homography矩阵的线性解;
步骤(4.3),利用仿射变换原理,计算得到正放的复原QR码;
步骤(5),将正放的复原QR码分割为N*N个模块,根据QR码的特点,遍历N*N个模块,根据每个模块的特征,将当前模块赋值为黑色或者白色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511613.0A CN106485182B (zh) | 2016-06-27 | 2016-06-27 | 一种基于仿射变换的模糊qr码复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511613.0A CN106485182B (zh) | 2016-06-27 | 2016-06-27 | 一种基于仿射变换的模糊qr码复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485182A CN106485182A (zh) | 2017-03-08 |
CN106485182B true CN106485182B (zh) | 2018-10-30 |
Family
ID=58238765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610511613.0A Expired - Fee Related CN106485182B (zh) | 2016-06-27 | 2016-06-27 | 一种基于仿射变换的模糊qr码复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485182B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944324A (zh) * | 2017-11-16 | 2018-04-20 | 凌云光技术集团有限责任公司 | 一种二维码畸变校正方法及装置 |
CN107944321A (zh) * | 2017-11-28 | 2018-04-20 | 努比亚技术有限公司 | 一种图像识别方法、终端和计算机可读存储介质 |
CN107885217A (zh) * | 2017-12-14 | 2018-04-06 | 中国计量大学 | 基于最佳迭代次数的视觉导引方法及视觉导引车 |
US10582147B2 (en) * | 2017-12-28 | 2020-03-03 | Ademco Inc. | Systems and methods for intelligently recording video data streams |
CN108647550B (zh) * | 2018-04-11 | 2021-07-16 | 中山大学 | 一种基于机器学习的二维码模糊聚类识别方法及*** |
CN110400282A (zh) * | 2018-04-24 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种高分辨太赫兹图像处理方法 |
CN110475079A (zh) * | 2019-09-10 | 2019-11-19 | 上海快仓智能科技有限公司 | 一种图像曝光亮度调整方法、***及相关组件 |
US11558548B2 (en) | 2020-05-04 | 2023-01-17 | Ademco Inc. | Systems and methods for encoding regions containing an element of interest in a sequence of images with a high resolution |
CN111428707B (zh) * | 2020-06-08 | 2020-11-10 | 北京三快在线科技有限公司 | 图形识别码的识别方法、装置、存储介质及电子设备 |
CN112101058B (zh) * | 2020-08-17 | 2023-05-09 | 武汉诺必答科技有限公司 | 一种试卷条码自动识别方法及装置 |
CN113468905B (zh) * | 2021-07-12 | 2024-03-26 | 深圳思谋信息科技有限公司 | 图形码识别方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
CN102236887A (zh) * | 2011-03-11 | 2011-11-09 | 贵州大学 | 基于旋转差分和加权总变分的运动模糊图像复原方法 |
CN102708552A (zh) * | 2012-05-24 | 2012-10-03 | 中山大学 | 一种快速二维条码图像运动去模糊方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4214409B2 (ja) * | 2003-01-31 | 2009-01-28 | 国立大学法人東京工業大学 | 高解像度カラー画像生成方法、高解像度カラー画像生成装置及び高解像度カラー画像生成プログラム |
KR101220413B1 (ko) * | 2010-10-15 | 2013-01-09 | 중앙대학교 산학협력단 | 다중 컬러-필터 조리개를 이용하여 촬영된 영상의 화질 개선 장치 및 방법 |
-
2016
- 2016-06-27 CN CN201610511613.0A patent/CN106485182B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079149A (zh) * | 2006-09-08 | 2007-11-28 | 浙江师范大学 | 一种基于径向基神经网络的有噪运动模糊图像复原方法 |
CN102236887A (zh) * | 2011-03-11 | 2011-11-09 | 贵州大学 | 基于旋转差分和加权总变分的运动模糊图像复原方法 |
CN102708552A (zh) * | 2012-05-24 | 2012-10-03 | 中山大学 | 一种快速二维条码图像运动去模糊方法 |
Non-Patent Citations (1)
Title |
---|
多分辨率图像融合及仿射目标识别算法研究;高敬礼;《中国优秀硕士学位论文全文数据库 信息科技辑》;20080915(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106485182A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485182B (zh) | 一种基于仿射变换的模糊qr码复原方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN107609451A (zh) | 一种基于二维码的高精度视觉定位方法及*** | |
CN111444778B (zh) | 一种车道线检测方法 | |
CN107945111B (zh) | 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法 | |
CN109145803B (zh) | 手势识别方法及装置、电子设备、计算机可读存储介质 | |
CN104794479B (zh) | 基于局部笔画宽度变换的自然场景图片中文本检测方法 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和***及介质 | |
CN107689050B (zh) | 一种基于彩色图像边缘引导的深度图像上采样方法 | |
KR20130030220A (ko) | 고속 장애물 검출 | |
CN103426184A (zh) | 一种光流跟踪方法和装置 | |
CN106934806B (zh) | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 | |
CN111899295B (zh) | 一种基于深度学习的单目场景深度预测方法 | |
CN105894521A (zh) | 基于高斯拟合的亚像素边缘检测方法 | |
CN110414385B (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及*** | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
CN112183325B (zh) | 基于图像对比的公路车辆检测方法 | |
CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
CN106156691A (zh) | 复杂背景图像的处理方法及其装置 | |
CN114119437B (zh) | 一种基于gms的用于改善运动物体畸变的图像拼接方法 | |
CN105740874A (zh) | 确定自动化测试脚本回放时的操作坐标的方法及装置 | |
CN108846363A (zh) | 一种基于发散式扫描的分区域车底阴影检测方法 | |
CN114529715B (zh) | 一种基于边缘提取的图像识别方法及*** | |
CN111626180B (zh) | 基于偏振成像的车道线检测方法及其装置 | |
Sun et al. | Depth from defocus and blur for single image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181030 Termination date: 20190627 |
|
CF01 | Termination of patent right due to non-payment of annual fee |