发明内容
为解决上述问题,本发明的目的在于提供一种离焦QR码图像盲复原方法,在保证恢复图像质量的同时,能够有效地降低条码图像恢复过程中的计算量和恢复时间。
本发明解决其问题所采用的技术方案是:
一种离焦QR码图像盲复原方法,包括以下步骤:
A、对输入的QR码图像进行灰度化处理;
B、对灰度化处理后的QR码图像进行截取,得到边缘图像;
C、对边缘图像进行边缘检测,得到边缘矩阵;
D、对边缘矩阵进行逐列扫描,获取边缘直线的位置;
E、对边缘图像进行求导,并通过计算得到导数值变化率最大的点;
F、计算边缘直线和导数值变化率最大的点之间的距离,得到估计的离焦半径;
G、根据离焦半径计算得到点扩散函数,根据点扩散函数对散焦模糊的QR码图像进行复原。
进一步,所述步骤A对输入的QR码图像进行灰度化处理,其中,对QR码图像进行灰度化处理后,其像素矩阵表示为:
其中a(i,j)为QR码图像中位置为(i,j)的像素值,1<i<M,1<j<N,N为QR码图像的宽度,M为QR码图像的高度。
进一步,所述步骤B中对灰度化处理后的QR码图像进行截取,具体步骤为:对QR码图像进行预处理,并截取QR码图像左上角的1/4区域。由于QR码定位框的位置特性,以及不同数据量的QR码的定位框大小,通过截取左上角1/4区域作为检测对象,可以在减少计算量的同时不影响模糊半径的估计。
进一步,所述步骤C对边缘图像进行边缘检测中,采用Canny检测算子对边缘图像进行边缘检测。相较于多种边缘检测算子,Canny算子对边缘图像的检测效果较好。
进一步,所述步骤D对边缘矩阵进行逐列扫描中,采用查找算法对边缘矩阵进行查找,通过比较直至第一次获得连续数值为1的一列,即为边缘直线所在的位置。
进一步,所述步骤E对边缘图像进行求导的具体步骤为:对边缘图像进行二次求导,其中第一次求导的公式为:
dx(i,j)=I(i+1,j)-I(i,j);
dy(i,j)=I(i,j+1)-I(i,j);
其中I为边缘图像,I(i,j)为边缘图像I中位置为(i,j)处的值,在求得一阶导数后,根据以下公式对一阶导数进行再次求导:
G(x,y)=dx(i,j)-dy(i,j)。
进一步,所述步骤E通过计算得到导数值变化率最大的点,根据边缘图像I的二阶导数以及边缘直线的法线方向得到导数值变化率最大的点。为了高效率的找到导数值变化率最大的点,就需要对边缘图像的一阶导数再进行求导。
进一步,所述步骤G根据离焦半径计算得到点扩散函数中,将离焦半径带入到离焦退化模型中,得到点扩散函数,其中离焦退化模型为:
其中h(x,y)为点扩散函数,R为离焦半径。
进一步,所述步骤G根据点扩散函数对散焦模糊的QR码图像进行复原中,根据点扩散函数结合RL算法对散焦模糊的QR码图像进行复原。
本发明的有益效果是:本发明采用的一种离焦QR码图像盲复原方法,对QR码图像进行灰度化处理以及边缘检测处理后得到边缘图像,然后在对边缘图像进行处理得到边缘直线以及导数值变化率最大的点,根据边缘直线和导数值变化率最大的点可以计算得到离焦半径,进而可以得到点扩散函数,最后根据点扩散函数对模糊的QR码图像进行复原,计算量小且恢复速度快。
具体实施方式
参照图1,本发明的一种离焦QR码图像盲复原方法,包括以下步骤:
A、对输入的QR码图像进行灰度化处理;
由于输入的QR码图像各不相同,在颜色、状态以及其他各方面都有一定的差异,为了使最后QR码图像的复原效果较好,就需要对QR码图像进行灰度化处理,在对QR码图像进行灰度化处理后,其像素矩阵表示为:
其中a(i,j)为QR码图像中位置为(i,j)的像素值,1<i<M,1<j<N,N为QR码图像的宽度,M为QR码图像的高度。
B、对灰度化处理后的QR码图像进行截取,得到边缘图像;
首先由于QR码图像的获取途径不同,一般由拍摄或者扫描得到,所以获取的QR码图像会存在一定的多余信息,所以就需要对灰度化后的QR码图像进行预处理,消除QR码图像中多余的无关信息,并恢复部分真实的有用信息,以保证复原的效果。
在对QR码图像进行预处理后,需要对QR码图像进行截取,由于QR码定位框的位置特性,以及不同数据量的QR码的定位框大小,通过截取左上角1/4区域作为检测对象,可以在减少计算量的同时不影响模糊半径的估计。
C、对边缘图像进行边缘检测,得到边缘矩阵;
通过对比不同边缘检测算子的效果之后,本发明选取效果较好的Canny检测算子对边缘图像进行边缘检测,Canny的目标是找到一个最优的边缘检测算法,包括了三个步骤:去噪声;寻找图像中的亮度梯度;在图像中追踪边缘。
Canny检测算子作为一种多级边缘检测算法,适用于不同的场合,他的参数允许根据不同实现的特定要求进行调整以识别不同的边缘特性,所以Canny检测算子相对于其他边缘检测算子而言,检测效果较好。
D、对边缘矩阵进行逐列扫描,获取边缘直线L的位置;
具体地,所述步骤D对边缘矩阵进行逐列扫描中,采用查找算法对边缘矩阵进行查找,通过比较直至第一次获得连续数值为1的一列,即为边缘直线L所在的位置。
E、对边缘图像进行求导,并通过计算得到导数值变化率最大的点Q;
具体地,所述步骤E对边缘图像进行求导的具体步骤为:对边缘图像进行二次求导,其中第一次求导的公式为:
dx(i,j)=I(i+1,j)-I(i,j);
dy(i,j)=I(i,j+1)-I(i,j);
其中I为边缘图像,I(i,j)为边缘图像I中位置为(i,j)处的值,在求得一阶导数后,为了高效率的找到导数值变化率最大的点Q,就需要对边缘图像的一阶导数再进行求导,根据以下公式对一阶导数进行再次求导:
G(x,y)=dx(i,j)-dy(i,j)。
在求得边缘图像I的二阶导数后,根据边缘图像I的二阶导数以及边缘直线的法线方向得到导数值变化率最大的点Q。
F、计算边缘直线L和导数值变化率最大的点Q之间的距离,即对应列数之间的距离,得到估计的离焦半径R;
G、根据离焦半径R计算得到点扩散函数,根据点扩散函数对散焦模糊的QR码图像进行复原。
具体地,所述步骤G根据离焦半径计算得到点扩散函数中,将离焦半径带入到离焦退化模型中,得到点扩散函数,其中离焦退化模型为:
其中h(x,y)为点扩散函数。
在得到点扩散函数后,根据点扩散函数结合RL算法对散焦模糊的QR码图像进行复原。
为了验证本发明对于模糊的QR码图像的复原效果,首先输入一幅模糊的QR码图像,如图2所示,然后对其进行灰度化处理,以保证后续的复原效果,然后对输入的QR码图像进行边缘检测获得边缘矩阵,如图3所示为经边缘检测后的QR码图像,然后使用查找算法寻找到边缘直线,边缘矩阵中第一个数值全为1的列即为边缘直线所在的列,同时对经边缘图像的一阶导数进行再次求导,如图4所示的经二次求导后的关系图,纵坐标为梯度值(即二次求导后的结果),横坐标为图像列的位置,其中纵坐标可以看作是边缘直线所处的位置,而横坐标即可以看作是边缘直线的法线,由边缘直线的原点开始向其法线方向寻找导数变化率最大的点,即可以确定Q点的位置,由图4中可以看出导数变化率最大的点的横坐标为10,即可以确定导数变化率最大的点Q的位置的坐标为10,而边缘直线由于设置为起点,故边缘直线的坐标为0,所以可以获得估计的离焦半径为10,然后将离焦半径带入到离焦退化模型中,计算得到点扩散函数
最终利用RL算法结合点扩散函数对模糊的QR码图像进行复原,得到如图5所示的复原后的图像,对比图2以及图5,可以看出,本发明的复原方法的复原效果较好,在复原图像清晰度的同时保证图像的质量。
具体地,由于离焦半径的大小是由边缘直线和Q点之间的距离决定的,所以对于边缘直线所处的具体坐标不需要获取,只需要知道其位置,在得到边缘直线的位置后,以边缘直线所处的位置作为纵坐标,以边缘直线的法线方向作为横坐标建立坐标系,然后根据二次求导的结果去寻找导数变化率最大的点,由于边缘图像中的各个点之间的间隔是一致的,所以导数变化率最大的点到边缘直线的距离即可判定为离焦半径R的大小,也就是图4当中横坐标上的图像列位置并不是实际在边缘图像中的具***置,而是一个相对位置。
同时将本发明的复原方法和目前已知的其他几种方法进行比较,选择大小为512*512的图像作为输入,比较整个复原过程所花的时间,
方法 |
文献1 |
文献2 |
文献3 |
文献4 |
本发明方法 |
复原时间 |
21.58s |
20.87s |
24.77s |
24.81s |
0.45s |
各个方法所花的时间如表1所示:
表1(本发明与其他方法的复原时间数据)
通过表1中的数据可以看出,本发明的方法所花费的复原时间相当短,比其他的复原方法要快50-60倍。
所以本发明的发明不仅复原效果好,整个复原过程的计算时间也相对较短,计算量也较小。
参考文献:
文献1:Pan J,Hu Z,Su Z,et al.Deblurring Text Images via L0-RegularizedIntensity and Gradient Prior[C]//Computer Vision and PatternRecognition.IEEE,2014:2901-2908.
文献2:Krishnan D,Tay T,Fergus R.Blind deconvolution using anormalized sparsity measure[C]//Computer Vision and Pattern Recognition.IEEE,2011:233-240.
文献3:Perrone D,Favaro P.A Clearer Picture of Total Variation BlindDeconvolution[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2016,38(6):1041-1055.
文献4:Gao K,Zhu Z,Dou Z,et al.Variable Exponent RegularizationApproach for Blur Kernel Estimation of Remote Sensing Image Blind Restoration[J].IEEE Access,2018,6(99):4352-4374.
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。