CN110991457A - 二维码处理方法、装置、电子设备及存储介质 - Google Patents
二维码处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110991457A CN110991457A CN201911175822.2A CN201911175822A CN110991457A CN 110991457 A CN110991457 A CN 110991457A CN 201911175822 A CN201911175822 A CN 201911175822A CN 110991457 A CN110991457 A CN 110991457A
- Authority
- CN
- China
- Prior art keywords
- dimensional code
- image
- processing
- deconvolution
- code image
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 203
- 238000000034 method Methods 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000013507 mapping Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 21
- 230000001133 acceleration Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种二维码处理方法、装置、电子设备及存储介质,属于图像处理领域。本公开提供的方案,通过将获取到的二维码图像输入至二维码处理模型,通过二维码处理模型,对二维码图像进行卷积处理,得到该二维码图像的第一图像特征,对该第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对该第二图像特征进行映射,输出该二维码图像的二值化图像,通过二维码处理模型对图像特征进行提取,可以实现对二维码图像中的阴影或颜色渐变等无用特征的处理,强化二维码图像中的有用特征,从而可以在弱光、强光、低对比度等场景下获取到的图像不够清晰时,也能够实现二维码的识别,提高识别成功率。
Description
技术领域
本公开涉及图像处理领域,尤其涉及一种二维码处理方法、装置、电子设备及存储介质。
背景技术
二维码是日常生活中常见的一种编码形式,现在已经被广泛地用于移动支付、信息获取、用户校验等场景。在二维码的解码阶段,图像的二值化处理是其中不可或缺的一个环节,二值化处理是指将终端获取到的二维码图像映射到[0,1]的二值化空间中,从而恢复出计算机内部逻辑需要的比特流信息。
相关技术中,在对二维码进行二值化时,主要采用的方法有全局二值化与局部二值化两种。对于全局二值化,即对整个二维码图像采用单一的阈值,将图像中的每个像素灰度值与该阈值进行比较,再依据比较结果将其灰度值划分为两部分,以区分出背景和解码对象;对于局部二值化,按照一定的规则将整个二维码图像划分为若干个窗口,对这若干个窗口中的每一个窗口再按照阈值,将该窗口的像素灰度值划分为两部分,以实现二值化处理。
对于全局二值化,该方法的二值化阈值是根据整个图像的信息得到的,因此该方法无法处理图像中含有阴影或者颜色渐变的情况;对于局部二值化,在弱光、强光、低对比度等场景下,当终端获取到的二维码图像不够清晰时,局部二值化对于二值化窗口大小的选取较为敏感,不同窗口大小的选择直接影响到各个窗口阈值的确定,进而会对二值化的效果造成影响。上述两种方式均会导致二维码无法识别的情况,二维码的识别成功率较低。
发明内容
本公开提供一种二维码处理方法、装置、电子设备及存储介质,以至少解决相关技术中识别成功率较低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种二维码处理方法,该方法包括:
获取二维码图像;
将该二维码图像输入至二维码处理模型;
通过该二维码处理模型,对该二维码图像进行卷积处理,得到该二维码图像的第一图像特征,对该第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对该第二图像特征进行映射,输出该二维码图像的二值化图像。
在一种可能的实现方式中,所述对该二维码图像进行卷积处理,得到该二维码图像的第一图像特征包括:
将该二维码图像输入该二维码处理模型的多个卷积层中的第一个卷积层中,在该第一个卷积层进行卷积计算,将计算结果输入到下一个卷积层中,直到各个卷积层计算完成,将得到的卷积输出作为该二维码图像的第一图像特征。
在一种可能的实现方式中,所述对该第一图像特征进行反卷积处理,得到第二图像特征包括:
将该第一图像特征输入该二维码处理模型的多个反卷积层中的第一个反卷积层中,在该第一个反卷积层进行反卷积计算,将计算结果输入到下一个反卷积层中,直到各个反卷积层计算完成,将得到的反卷积输出作为该二维码图像的第二图像特征。
在一种可能的实现方式中,所述对该二维码图像进行卷积处理之前,该方法还包括:
对该二维码图像进行预处理,对预处理后的该二维码图像进行图像增强处理。
在一种可能的实现方式中,所述对该二维码图像进行预处理包括:
从该二维码图像中确定出包括二维码的图像部分,对该图像部分进行尺寸调整,得到与该二维码处理模型匹配的图像。
在一种可能的实现方式中,所述对预处理后的该二维码图像进行图像增强处理包括:
保持各个像素点的二值化标签不变,对该预处理后的该二维码图像进行亮度以及对比度中至少一项调整。
在一种可能的实现方式中,所述基于目标阈值对该第二图像特征进行映射包括:
将目标阈值与该第二图像特征的各个像素点的像素值进行比较;
当任一个像素点的像素值小于目标阈值时,将该像素点的灰度值映射为第一灰度值,当任一个像素点的像素值大于目标阈值时,将该像素点的灰度值映射为第二灰度值。
在一种可能的实现方式中,该方法还包括:
在对初始模型进行训练时,获取样本二维码图像和二值化标签;
将该样本二维码图像输入至初始模型;
通过该初始模型,对该样本二维码图像进行卷积处理,得到该样本二维码图像的第一样本图像特征,对该第一样本图像特征进行反卷积处理,得到第二样本图像特征;
基于损失函数,通过反向传播,确定该初始模型的梯度向量,该损失函数为该第二样本图像特征与该二值化标签之间对应的交叉熵损失;
根据该梯度向量,调整该初始模型的权值,直至该第二样本特征的准确性或者该损失函数等符合迭代截止条件或者迭代次数达到预设次数。
根据本公开实施例的第二方面,提供一种二维码处理装置,该装置包括:
获取单元,被配置为执行获取二维码图像;
输入单元,被配置为执行将该二维码图像输入至二维码处理模型;
卷积处理单元,被配置为执行通过该二维码处理模型,对该二维码图像进行卷积处理,得到该二维码图像的第一图像特征;
反卷积处理单元,被配置为执行对该第一图像特征进行反卷积处理,得到第二图像特征;
映射单元,被配置为执行基于目标阈值对该第二图像特征进行映射;
输出单元,被配置为执行输出该二维码图像的二值化图像。
在一种可能的实现方式中,该输入单元,还被配置为执行将该二维码图像输入该二维码处理模型的多个卷积层中的第一个卷积层中;
该卷积处理单元,还被配置为执行在该第一个卷积层进行卷积计算;
该输入单元,还被配置为执行将计算结果输入到下一个卷积层中,直到各个卷积层计算完成,将得到的卷积输出作为该二维码图像的第一图像特征。
在一种可能的实现方式中,该输入单元,还被配置为执行将该第一图像特征输入该二维码处理模型的多个反卷积层中的第一个反卷积层中;
该反卷积处理单元,还被配置为执行在该第一个反卷积层进行反卷积计算;
该输入单元,还被配置为执行将计算结果输入到下一个反卷积层中,直到各个反卷积层计算完成,将得到的反卷积输出作为该二维码图像的第二图像特征。
在一种可能的实现方式中,该装置还包括:
预处理单元,被配置为执行对该二维码图像进行预处理;
图像处理增强单元,被配置为执行对预处理后的该二维码图像进行图像增强处理。
在一种可能的实现方式中,该装置还包括:
确定单元,被配置为执行从该二维码图像中确定出包括二维码的图像部分;
调整单元,被配置为执行对该图像部分进行尺寸调整,得到与该二维码处理模型匹配的图像。
在一种可能的实现方式中,该装置还包括:
保持单元,被配置为执行保持各个像素点的二值化标签不变;
该调整单元,还被配置为执行对该预处理后的该二维码图像进行亮度以及对比度中至少一项调整。
在一种可能的实现方式中,该装置还包括:
比较单元,被配置为执行将目标阈值与该第二图像特征的各个像素点的像素值进行比较;
该映射单元,还被配置为执行当任一个像素点的像素值小于目标阈值时,将该像素点的灰度值映射为第一灰度值,当任一个像素点的像素值大于目标阈值时,将该像素点的灰度值映射为第二灰度值。
在一种可能的实现方式中,该装置还包括:
样本获取单元,被配置为执行在对初始模型进行训练时,获取样本二维码图像和二值化标签;
样本输入单元,被配置为执行将该样本二维码图像输入至初始模型;
样本卷积处理单元,被配置为执行通过该初始模型,对该样本二维码图像进行卷积处理,得到该样本二维码图像的第一样本图像特征;
样本反卷积处理单元,被配置为执行对该第一样本图像特征进行反卷积处理,得到第二样本图像特征;
梯度向量确定单元,被配置为执行基于损失函数,通过反向传播,确定该初始模型的梯度向量,该损失函数为该第二样本图像特征与该二值化标签之间对应的交叉熵损失;
权值调整单元,被配置为执行根据该梯度向量,调整该初始模型的权值,直至该第二样本特征的准确性或者该损失函数等符合迭代截止条件或者迭代次数达到预设次数。
根据本公开实施例的第三方面,提供一种电子设备,该电子设备包括:
一个或多个处理器;
用于存储该处理器可执行指令的存储器;
其中,该处理器被配置为执行该指令,以实现上述二维码处理方法。
根据本公开实施例的第四方面,提供一种存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述二维码处理方法。
根据本公开实施例的第五方面,提供一种应用程序产品,该应用程序产品存储有一条或多条指令,该一条或多条指令可以由电子设备的处理器执行,以完成上述二维码处理方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过将获取到的二维码图像输入至二维码处理模型,通过二维码处理模型,对二维码图像进行卷积处理,得到该二维码图像的第一图像特征,对该第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对该第二图像特征进行映射,输出该二维码图像的二值化图像,通过二维码处理模型对图像特征进行提取,可以实现对二维码图像中的阴影或颜色渐变等无用特征的处理,强化二维码图像中的有用特征,从而可以在弱光、强光、低对比度等场景下获取到的图像不够清晰时,也能够实现二维码的识别,提高识别成功率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种二维码处理方法的实施环境示意图;
图2是根据一示例性实施例示出的一种二维码处理方法的流程图;
图3是根据一示例性实施例示出的一种二维码处理方法的流程图;
图4是根据一示例性实施例示出的一种二维码处理模型的组成结构示意图;
图5是根据一示例性实施例示出的一种训练初始模型的方法流程图;
图6是根据一示例性实施例示出的一种二维码处理装置的框图;
图7是根据一示例性实施例示出的一种电子设备700的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所涉及的用户信息可以为经用户授权或者经过各方充分授权的信息。
图1是根据一示例性实施例示出的一种二维码处理方法的实施环境示意图,参见图1,该实施环境具体包括:电子设备101。
电子设备101可以为智能手机、智能手表、手提电脑、MP3播放器、MP4播放器和膝上型便携计算机等设备中的至少一种。电子设备101可以通过摄像头组件来获取二维码图像并对该二维码图像进行处理,进而实现对二维码的识别。
电子设备101可以泛指多个电子设备中的一个,本实施例仅以电子设备101来举例说明。本领域技术人员可以知晓,上述终端的数量可以更多或更少。比如上述电子设备可以仅为几个,或者上述电子设备为几十个或几百个,或者更多数量,本公开实施例对电子设备的数量和设备类型均不加以限定。
图2是根据一示例性实施例示出的一种二维码处理方法的流程图,参见图2,具体步骤包括:
在步骤S201中,电子设备获取二维码图像。
在步骤S202中,电子设备将该二维码图像输入至二维码处理模型。
在步骤S203中,通过该二维码处理模型,电子设备对该二维码图像进行卷积处理,得到该二维码图像的第一图像特征,对该第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对该第二图像特征进行映射,输出该二维码图像的二值化图像。
在一种可能的实现方式中,对该二维码图像进行卷积处理,得到该二维码图像的第一图像特征包括:
将该二维码图像输入该二维码处理模型的多个卷积层中的第一个卷积层中,在该第一个卷积层进行卷积计算,将计算结果输入到下一个卷积层中,直到各个卷积层计算完成,将得到的卷积输出作为该二维码图像的第一图像特征。
在一种可能的实现方式中,对该第一图像特征进行反卷积处理,得到第二图像特征包括:
将该第一图像特征输入该二维码处理模型的多个反卷积层中的第一个反卷积层中,在该第一个反卷积层进行反卷积计算,将计算结果输入到下一个反卷积层中,直到各个反卷积层计算完成,将得到的反卷积输出作为该二维码图像的第二图像特征。
在一种可能的实现方式中,对该二维码图像进行卷积处理之前,该方法还包括:
对该二维码图像进行预处理,对预处理后的该二维码图像进行图像增强处理。
在一种可能的实现方式中,对该二维码图像进行预处理包括:
从该二维码图像中确定出包括二维码的图像部分,对该图像部分进行尺寸调整,得到与该二维码处理模型匹配的图像。
在一种可能的实现方式中,对预处理后的该二维码图像进行图像增强处理包括:
保持各个像素点的二值化标签不变,对该预处理后的该二维码图像进行亮度以及对比度中至少一项调整。
在一种可能的实现方式中,基于目标阈值对该第二图像特征进行映射包括:
将目标阈值与该第二图像特征的各个像素点的像素值进行比较;
当任一个像素点的像素值小于目标阈值时,将该像素点的灰度值映射为第一灰度值,当任一个像素点的像素值大于目标阈值时,将该像素点的灰度值映射为第二灰度值。
在一种可能的实现方式中,该方法还包括:
在对初始模型进行训练时,获取样本二维码图像和二值化标签;
将该样本二维码图像输入至初始模型;
通过该初始模型,对该样本二维码图像进行卷积处理,得到该样本二维码图像的第一样本图像特征,对该第一样本图像特征进行反卷积处理,得到第二样本图像特征;
基于损失函数,通过反向传播,确定该初始模型的梯度向量,该损失函数为该第二样本图像特征与该二值化标签之间对应的交叉熵损失;
根据该梯度向量,调整该初始模型的权值,直至该第二样本特征的准确性或者该损失函数等符合迭代截止条件或者迭代次数达到预设次数。
本公开提供的方案,通过将获取到的二维码图像输入至二维码处理模型,通过二维码处理模型,对二维码图像进行卷积处理,得到该二维码图像的第一图像特征,对该第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对该第二图像特征进行映射,输出该二维码图像的二值化图像,通过二维码处理模型对图像特征进行提取,可以实现对二维码图像中的阴影或颜色渐变等无用特征的处理,强化二维码图像中的有用特征,从而可以在弱光、强光、低对比度等场景下获取到的图像不够清晰时,也能够实现二维码的识别,提高识别成功率。
在本公开提供的方案中,二维码图像的处理可以基于深度学习分割算法,该深度学习分割算法可以通过神经网络实现,图3是根据一示例性实施例示出的一种二维码处理方法的流程图,参见图3,该方法包括:
在步骤S301中,电子设备获取二维码图像。
其中,该二维码图像可以为二维码图像。在一种可能的实现方式中,电子设备可以通过摄像头组件来对二维码图形进行扫描,以实现二维码图像的获取。
需要说明的是,该摄像头组件可以是电子设备上配置,也可以是与电子设备相连的外置摄像头组件,本公开实施例对此不加以限定。
在步骤S302中,电子设备将该二维码图像输入至二维码处理模型的输入数据处理模块。
需要说明的是,该二维码处理模型可以由电子设备从服务器处获取,也可以通过其他方式来实现对该二维码处理模型的获取,本公开实施例对此不加以限定。该二维码处理模型包括输入数据处理模块、卷积模块、反卷积模块和输出数据处理模块,参见图4,图4是根据一示例性实施例示出的一种二维码处理模型的组成结构示意图。其中,输入数据处理模块用于通过某些检测或裁剪的手段,对输入至其中的二维码图像进行处理,得到包括二维码的图像部分,并对该图像部分进行尺寸调整,为调整尺寸后的图像生成对应的二值化标签,再保持其二值化标签不变,对该图像进行图像增强处理;卷积模块中包括若干个卷积层和池化层,用于对输入数据模块输出的图像进行卷积处理,实现对二维码图像特征的提取;反卷积模块中包括若干个反卷积层和连接层,用于将卷积模块输出的第一图像特征还原为原始二维码图像的尺寸,以保证后续输出数据模块可以对其进行处理;输出数据处理模块用于根据目标阈值对反卷积模块输出的第二图像特征进行映射处理,得到二维码图像的二值化图像,实现图像特征的可视化。
在步骤S303中,电子设备通过输入数据处理模块,从该二维码图像中确定出包括二维码的图像部分,对该图像部分进行尺寸调整,得到与该二维码处理模型匹配的图像,以实现对该二维码图像的预处理。
在一种可能的实现方式中,电子设备可以通过二维码处理模型的输入数据处理模块,对该二维码图像进行预处理,通过检测、裁剪的手段,从二维码图像中确定出包括二维码的图像部分,也即是,主体为二维码的图像。进一步地,电子设备还可以对该包括二维码的图像部分的尺寸进行检测,将检测到的尺寸与该二维码处理模型可以处理的图像尺寸进行比较,当该二维码处理模型无法处理当前尺寸的包括二维码的图像部分时,根据该二维码处理模型可以处理的图像尺寸,对该包括二维码的图像部分的尺寸进行调整,以得到与二维码处理模型匹配的图像。例如,下述步骤S304至步骤S309中所用的二维码处理模型可以处理的图像为方形图像,图像尺寸为256*256,则电子设备可以对将该包括二维码的图像部分的长宽同时进行调整,将图像尺寸调整为256*256,以实现与步骤S304至步骤S309中所用的二维码处理模型的匹配。
需要说明的是,在从二维码图像中确定出包括二维码的图像部分时,电子设备可以通过检测二维码图像中的位置探测图形,根据该位置探测图形来确定该二维码图像的方形边界框,进而根据该方形边界框,将获取到的二维码图像中的空白区裁剪掉,获取到主体为二维码的图像部分。
在步骤S304中,电子设备通过输入数据处理模块,基于预处理后的二维码图像,根据基于阈值的二值化方法,生成对应的二值化标签。
其中,该二值化标签指的是二维码图像的每个像素点对应的0或1的信息。该基于阈值的二值化方法可以为全局直方图二值化(Global Histogram Binarizer)或混合二值化(Hybrid Binarizer),本公开实施例对具体采用哪种方法不加以限定。
在一种可能的实现方式中,电子设备可以通过全局直方图二值化,将该预处理后的二维码图像的各个像素点的像素值与同一个阈值进行比较,大于该阈值的像素点的像素值记为1,小于该阈值的像素点的像素值记为0,得到各个像素点对应的二值化标签。
在另一种可能的实现方式中,电子设备可以通过混合二值化,将该预处理后的二维码图像的每个像素点与其局部邻域的其他像素点进行比较,根据局部邻域像素点的像素值分布特性自适应调节阈值,每个像素点依据局部与之再进行二值化,得到各个像素点对应的二值化标签。
在步骤S305中,电子设备通过输入数据处理模块,保持各个像素点的二值化标签不变,对该预处理后的该二维码图像进行亮度以及对比度中至少一项调整,以实现对预处理后的该二维码图像的图像增强处理。
在一种可能的实现方式中,电子设备可以通过二维码处理模型的输入数据处理模块,在保持二维码图像中各个像素点对应的二值化标签不变的前提下,在允许的调节范围内对二维码图像进行图像增强处理,例如,降低亮度、调高亮度、降低对比度等,以实现弱光、强光、低对比度等条件下的图像增强处理。
需要说明的是,图像增强处理的操作主要是对诸如图像色彩、亮度、对比度等的调节,图像增强处理的操作可能会对图像引入噪声,如果不对调整范围进行约束,很可能会造成增强后的图像所表示的内容可能会存在偏差,因此,需要在进行图像增强前确定好二维码图像中各个像素点的二值化标签,在不会对二值化标签造成改变的调节范围内,对图像色彩、亮度、对比度等进行调节,以保证二值化标签的准确性。
在步骤S306中,电子设备将该二维码图像输入该二维码处理模型的卷积模块中的第一个卷积层中,在该第一个卷积层进行卷积计算,将计算结果输入到下一个卷积层中,直到各个卷积层计算完成,将得到的卷积输出作为该二维码图像的第一图像特征。
需要说明的是,本公开实施例对卷积模块与反卷积模块的结构并不加以限定,下面仅以一种处理效果较好的卷积模块与反卷积模块为例进行说明,该卷积模块的结构如下表1所示:
表1
其中,该卷积模块包括三个卷积层,第一个卷积层中包括两个级联的卷积单元和一个池化单元,第二个卷积层中包括两个级联的卷积单元和一个池化单元,第三个卷积层中包括两个级联的卷积单元。
在一种可能的实现方式中,电子设备通过该卷积模块对该二维码图像进行处理,从而获取第一图像特征的过程具体可描述为:
1、电子设备通过第一个卷积层的第一个卷积单元,对输入大小为256*256*3的二维码图像进行Conv1_1卷积,其包含一次窗口大小为3、步长为1、深度为8的卷积操作与一次线性整流函数(Rectified Linear Units,ReLu)激活操作,得到256*256*8的卷积输出;
2、电子设备通过第一个卷积层的第二个卷积单元,对上一个卷积单元输出的256*256*8的结果进行Conv1_2卷积,其包含一次窗口大小为3、步长为1、深度为8的卷积操作与一次ReLu激活操作,得到256*256*8的卷积输出;
3、电子设备通过第一个卷积层的池化单元,对上一个卷积单元输出的256*256*8的结果进行MaxPooling1池化,其包含一次窗口大小为2、步长为2的最大值池化操作,得到128*128*8的池化输出;
同理,电子设备可以通过该卷积模块中的第二个卷积层和第三个卷积层继续对第一个卷积层输出的结果进行处理,最终可以得到64*64*32的卷积输出,作为该二维码图像的第一图像特征。
其中,ReLu函数的数学表达式f(x)=max(0,x),会将输入的特征图中小于0的特征点均转化为0,从而导致特征图产生高稀疏性。
在步骤S307中,电子设备将该第一图像特征输入该二维码处理模型的反卷积模块中的第一个反卷积层中,在该第一个反卷积层进行反卷积计算,将计算结果输入到下一个反卷积层中,直到各个反卷积层计算完成,将得到的反卷积输出作为该二维码图像的第二图像特征。
需要说明的是,该反卷积模块输入图像的尺寸大小及深度,与步骤S306中卷积模块输出图像的尺寸大小及深度相同,也即是,卷积模块的输出图像即为反卷积模块的输入图像,此外,该反卷积模块输出图像的尺寸大小与卷积模块输入图像的尺寸大小相同,以保证后续处理过程的正常进行。
其中,与步骤S306中卷积模块对应的反卷积模块的结构如下表2所示:
表2
其中,该卷积模块包括三个反卷积层,第一个反卷积层中包括一个反卷积单元、一个连接单元和一个卷积单元,第二个反卷积层中包括一个反卷积单元、一个连接单元和一个卷积单元,第三个反卷积层中包括一个卷积单元。
在一种可能的实现方式中,电子设备通过该反卷积模块对该二维码图像的第一图像特征进行处理,从而获取第二图像特征的过程具体可描述为:
1、电子设备通过第一个反卷积层的反卷积单元,对输入大小为64*64*32的第一图像特征进行Deconv4_1反卷积,其包含一次窗口大小为2、步长为2、深度为16的反卷积操作与一次ReLu激活操作,得到128*128*16的卷积输出;
2、电子设备通过第一个反卷积层的连接单元将反卷积单元输出的128*128*16的结果与Conv2_2的卷积输出进行Concat4连接,得到128*128*32的卷积输出;
3、电子设备通过第一个反卷积层的卷积单元,对连接单元输出的128*128*32的结果进行Conv4_2卷积,其包含一次窗口大小为3、步长为1、深度为16的卷积操作与一次ReLu激活操作,得到128*128*16的卷积输出;
同理,电子设备可以通过该卷积模块中的第二个反卷积层继续对第一个反卷积层输出的结果进行处理,最终可以得到256*256*8的卷积输出,进而通过第三个反卷积层中的卷积单元,对上一个反卷积层输出的256*256*8的结果进行Conv6_1卷积,其包含一次窗口大小为1、步长为1、深度为2的卷积操作,得到256*256*2的卷积输出,作为该二维码图像的第二图像特征。
需要说明的是,上述卷积处理与反卷积处理的过程,实际上是一个特征提取及将图像大小恢复成卷积处理前的大小的过程,通过卷积处理和反卷积处理、可以将原来图像上的每个像素,映射成一个或者为0或者为1的输出,实现图像内容的增强。通过二维码处理模型的卷积模块和反卷积模块进行二维码图像的处理,可以通过不同深度的神经网络层引入更灵活的感受野窗口大小,从而综合更丰富的邻近像素、邻近色块信息进行图像的二值化处理。
在步骤S308中,电子设备通过输出数据处理模块,将目标阈值与该第二图像特征的各个像素点的像素值进行比较。
需要说明的是,该输出数据处理模块可以根据预先设置好的目标阈值,对第二图像特征的各个像素点进行比较,根据比较结果的不同,映射成不同的灰度值。
在步骤S309中,当任一个像素点的像素值小于目标阈值时,电子设备将该像素点的灰度值映射为第一灰度值。
例如,电子设备可以将该目标阈值设置为0.5,当任一个像素点的像素值大于0.5时,电子设备可以将该像素点的灰度值映射为255。
在步骤S310中,当任一个像素点的像素值大于目标阈值时,电子设备将该像素点的灰度值映射为第二灰度值,得到该二维码图像的二值化图像。
例如,电子设备可以将该目标阈值设置为0.5,当任一个像素点的像素值小于0.5时,电子设备可以将该像素点的灰度值映射为0,进而得到该二维码图像的二值化图像。
在步骤S311中,电子设备输出该二维码图像的二值化图像。
需要说明的是,通过上述步骤S301至步骤S311,即可以实现二维码图像的二值化处理,进一步地,电子设备还可以基于该二维码的二值化图像,对该二值化图像进行解码,以实现二维码图像的识别。
上述方案通过将获取到的二维码图像输入至二维码处理模型,通过二维码处理模型,对二维码图像进行卷积处理,得到该二维码图像的第一图像特征,对该第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对该第二图像特征进行映射,输出该二维码图像的二值化图像,无需考虑二值化窗口大小的选择,通通过二维码处理模型对图像特征进行提取,可以实现对二维码图像中的阴影或颜色渐变等无用特征的处理,强化二维码图像中的有用特征,从而可以在弱光、强光、低对比度等场景下获取到的图像不够清晰时,也能够实现二维码的识别,提高识别成功率。
基于深度学习分割算法的二维码处理方法在弱光、强光、低对比度的情况下,表现出了比传统图像算法更鲁棒的性能。对于本方案实验所采取的测试集,对比混合二值化方法,在全体样本上,本方案带来了3%的识别率提升,在困难样本上,本方案带来了超过20%的识别率提升。
上述图3所示为利用训练好的二维码处理模型对二维码图像进行处理的过程,在此之前,电子设备需要对初始模型进行训练以得到该二维码处理模型,参见图5,图5是根据一示例性实施例示出的一种训练初始模型的方法流程图,该方法包括:
在步骤S501中,在对初始模型进行训练时,电子设备获取样本二维码图像和二值化标签。
其中,该初始模型包括输入数据处理模块、卷积模块、反卷积模块和输出数据处理模块。输入数据处理模块用于通过某些检测或裁剪的手段,对输入至其中的二维码图像进行处理,得到包括二维码的图像部分,并对该图像部分进行尺寸调整,为调整尺寸后的图像生成对应的二值化标签,再保持其二值化标签不变,对该图像进行图像增强处理;卷积模块中包括若干个卷积层和池化层,用于对输入数据模块输出的图像进行卷积处理,实现对二维码图像特征的提取;反卷积模块中包括若干个反卷积层和连接层,用于将卷积模块输出的第一图像特征还原为原始二维码图像的尺寸,以保证后续输出数据模块可以对其进行处理;输出数据处理模块用于根据目标阈值对反卷积模块输出的第二图像特征进行映射处理,得到二维码图像的二值化图像,实现图像特征的可视化。在本公开实施例中,该初始模型卷积模块和反卷积模块的具体结构可参见步骤S306与步骤S307,在此不做赘述。
需要说明的是,该样本二维码图像可以为多个,电子设备可以逐个对样本二维码图像进行处理,本公开实施例对样本二维码图像的数量不加以限定。
在步骤S502中,电子设备将该样本二维码图像输入至初始模型。
在一种可能的实现方式中,电子设备可以通过初始模型的输入数据处理模块,对获取到的样本二维码图像进行各种处理,并通过基于阈值的二值化方法,确定对应的二值化标签。其中,具体的图像处理过程和二值化标签的确定过程可参见步骤S303至步骤S305,在此不做赘述。
在步骤S503中,通过该初始模型,电子设备对该样本二维码图像进行卷积处理,得到该样本二维码图像的第一样本图像特征,对该第一样本图像特征进行反卷积处理,得到第二样本图像特征。
在一种可能的实现方式中,电子设备通过该初始模型的各个卷积层,对获取到的样本二维码图像进行卷积处理,得到该样本二维码图像的第一样本图像特征,通过该初始模型的各个反卷积层进行反卷积处理,得到第二样本图像特征。例如,要得到图4所示的实施例中所用到的二维码处理模型,可以通过与步骤S406中类似的卷积计算过程,来对初始模型的卷积模块进行训练,通过与步骤S407中类似的反卷积计算过程,来对初始模型的反卷积模块进行训练。
在步骤S504中,电子设备基于损失函数,通过反向传播,确定该初始模型的梯度向量,该损失函数为该第二样本图像特征与该二值化标签之间对应的交叉熵损失。
在步骤S505中,电子设备根据该梯度向量,调整该初始模型的权值,直至该第二样本特征的准确性或者该损失函数等符合迭代截止条件或者迭代次数达到预设次数。
在一种可能的实现方式中,电子设备根据该梯度向量,对该初始模型中的各个权值进行调整,得到校正后的初始模型,利用该校正后的初始模型继续对下一个二维码样本数据进行处理,重复上述过程,直至计算结果的准确性或者损失函数等符合迭代截止条件或者迭代次数达到预设次数,此时,该初始模型中的数据已经经过多次调整,准确度较高,该经过多次权值调整的初始模型即可以作为二维码处理模型来对二维码进行处理。
其中,上述权值调整过程所采用的优化器可以设置为学习率为0.01的自适应矩估计(Adam)优化器,可选地,还可以选择其他优化器进行权值调整,本公开实施例对此不加以限定。
需要说明的是,上述模型训练过程可以借助卷积神经网络框架(ConvolutionalArchitecture for Fast Feature Embedding,Caffe)、机器学习框架(TensorFlow)等深度学习框架完成,本公开实施例对具体借助于哪种框架进行模型训练不加以限定。
通过对初始模型的训练,可以得到二维码处理模型,进而可以通过二维码处理模型对二维码图像进行处理,无需考虑二值化窗口大小的选择,而且可以在图像中含有阴影或者颜色渐变,或是在弱光、强光、低对比度等场景下获取到的图像不够清晰时,实现二维码的识别,提高识别成功率。
通过神经网络量化等优化方法,本方法产生的二维码处理模型规模适当、推理快速,能够部署在移动端,独立完成二维码的处理任务,或作为传统图像算法的补充,辅助其完成复杂环境下的二维码处理任务。
图6是根据一示例性实施例示出的一种二维码处理装置的框图,参见图6,该装置包括:获取单元601、输入单元602、卷积处理单元603、反卷积处理单元604、映射单元605和输出单元606。
获取单元601,被配置为执行获取二维码图像;
输入单元602,被配置为执行将该二维码图像输入至二维码处理模型;
卷积处理单元603,被配置为执行通过该二维码处理模型,对该二维码图像进行卷积处理,得到该二维码图像的第一图像特征;
反卷积处理单元604,被配置为执行对该第一图像特征进行反卷积处理,得到第二图像特征;
映射单元605,被配置为执行基于目标阈值对该第二图像特征进行映射;
输出单元606,被配置为执行输出该二维码图像的二值化图像。
在一种可能的实现方式中,该输入单元602,还被配置为执行将该二维码图像输入该二维码处理模型的多个卷积层中的第一个卷积层中;
该卷积处理单元603,还被配置为执行在该第一个卷积层进行卷积计算;
该输入单元602,还被配置为执行将计算结果输入到下一个卷积层中,直到各个卷积层计算完成,将得到的卷积输出作为该二维码图像的第一图像特征。
在一种可能的实现方式中,该输入单元602,还被配置为执行将该第一图像特征输入该二维码处理模型的多个反卷积层中的第一个反卷积层中;
该反卷积处理单元604,还被配置为执行在该第一个反卷积层进行反卷积计算;
该输入单元602,还被配置为执行将计算结果输入到下一个反卷积层中,直到各个反卷积层计算完成,将得到的反卷积输出作为该二维码图像的第二图像特征。
在一种可能的实现方式中,该装置还包括:
预处理单元,被配置为执行对该二维码图像进行预处理;
图像处理增强单元,被配置为执行对预处理后的该二维码图像进行图像增强处理。
在一种可能的实现方式中,该装置还包括:
确定单元,被配置为执行从该二维码图像中确定出包括二维码的图像部分;
调整单元,被配置为执行对该图像部分进行尺寸调整,得到与该二维码处理模型匹配的图像。
在一种可能的实现方式中,该装置还包括:
保持单元,被配置为执行保持各个像素点的二值化标签不变;
该调整单元,还被配置为执行对该预处理后的该二维码图像进行亮度以及对比度中至少一项调整。
在一种可能的实现方式中,该装置还包括:
比较单元,被配置为执行将目标阈值与该第二图像特征的各个像素点的像素值进行比较;
该映射单元605,还被配置为执行当任一个像素点的像素值小于目标阈值时,将该像素点的灰度值映射为第一灰度值,当任一个像素点的像素值大于目标阈值时,将该像素点的灰度值映射为第二灰度值。
在一种可能的实现方式中,该装置还包括:
样本获取单元,被配置为执行在对初始模型进行训练时,获取样本二维码图像和二值化标签;
样本输入单元,被配置为执行将该样本二维码图像输入至初始模型;
样本卷积处理单元,被配置为执行通过该初始模型,对该样本二维码图像进行卷积处理,得到该样本二维码图像的第一样本图像特征;
样本反卷积处理单元,被配置为执行对该第一样本图像特征进行反卷积处理,得到第二样本图像特征;
梯度向量确定单元,被配置为执行基于损失函数,通过反向传播,确定该初始模型的梯度向量,该损失函数为该第二样本图像特征与该二值化标签之间对应的交叉熵损失;
权值调整单元,被配置为执行根据该梯度向量,调整该初始模型的权值,直至该第二样本特征的准确性或者该损失函数等符合迭代截止条件或者迭代次数达到预设次数。
上述装置通过将获取到的二维码图像输入至二维码处理模型,通过二维码处理模型,对二维码图像进行卷积处理,得到该二维码图像的第一图像特征,对该第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对该第二图像特征进行映射,输出该二维码图像的二值化图像,通过二维码处理模型对图像特征进行提取,可以实现对二维码图像中的阴影或颜色渐变等无用特征的处理,强化二维码图像中的有用特征,从而可以在弱光、强光、低对比度等场景下获取到的图像不够清晰时,也能够实现二维码的识别,提高识别成功率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种电子设备700的框图。该电子设备700可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。电子设备700还可能被称为用户设备、便携式电子设备、膝上型电子设备、台式电子设备等其他名称。
通常,电子设备700包括有:一个或多个处理器701和一个或多个存储器702。
处理器701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器701可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器702中的非暂态的计算机可读存储介质用于存储至少一个程序代码,该至少一个程序代码用于被处理器701所执行以实现本公开中方法实施例提供的网页访问加速方法。
在一些实施例中,电子设备700还可选包括有:***设备接口703和至少一个***设备。处理器701、存储器702和***设备接口703之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口703相连。具体地,***设备包括:射频电路704、显示屏705、摄像头706、音频电路707、定位组件708和电源709中的至少一种。
***设备接口703可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器701和存储器702。在一些实施例中,处理器701、存储器702和***设备接口703被集成在同一芯片或电路板上;在一些其他实施例中,处理器701、存储器702和***设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路704包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它电子设备进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏705用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时,显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时,显示屏705还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏705可以为一个,设置电子设备700的前面板;在另一些实施例中,显示屏705可以为至少两个,分别设置在电子设备700的不同表面或呈折叠设计;在再一些实施例中,显示屏705可以是柔性显示屏,设置在电子设备700的弯曲表面上或折叠面上。甚至,显示屏705还可以设置成非矩形的不规则图形,也即异形屏。显示屏705可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件706用于采集图像或视频。可选地,摄像头组件706包括前置摄像头和后置摄像头。通常,前置摄像头设置在电子设备的前面板,后置摄像头设置在电子设备的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器701进行处理,或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在电子设备700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路707还可以包括耳机插孔。
定位组件708用于定位电子设备700的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件708可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。
电源709用于为电子设备700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,电子设备700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于:加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。
加速度传感器711可以检测以电子设备700建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号,控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器712可以检测电子设备700的机体方向及转动角度,陀螺仪传感器712可以与加速度传感器711协同采集用户对电子设备700的3D动作。处理器701根据陀螺仪传感器712采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器713可以设置在电子设备700的侧边框和/或显示屏705的下层。当压力传感器713设置在电子设备700的侧边框时,可以检测用户对电子设备700的握持信号,由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在显示屏705的下层时,由处理器701根据用户对显示屏705的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器714用于采集用户的指纹,由处理器701根据指纹传感器714采集到的指纹识别用户的身份,或者,由指纹传感器714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器701授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器714可以被设置电子设备700的正面、背面或侧面。当电子设备700上设置有物理按键或厂商Logo时,指纹传感器714可以与物理按键或厂商Logo集成在一起。
光学传感器715用于采集环境光强度。在一个实施例中,处理器701可以根据光学传感器715采集的环境光强度,控制显示屏705的显示亮度。具体地,当环境光强度较高时,调高显示屏705的显示亮度;当环境光强度较低时,调低显示屏705的显示亮度。在另一个实施例中,处理器701还可以根据光学传感器715采集的环境光强度,动态调整摄像头组件706的拍摄参数。
接近传感器716,也称距离传感器,通常设置在电子设备700的前面板。接近传感器716用于采集用户与电子设备700的正面之间的距离。在一个实施例中,当接近传感器716检测到用户与电子设备700的正面之间的距离逐渐变小时,由处理器701控制显示屏705从亮屏状态切换为息屏状态;当接近传感器716检测到用户与电子设备700的正面之间的距离逐渐变大时,由处理器701控制显示屏705从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图7中示出的结构并不构成对电子设备700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器702,上述指令可由电子设备700的处理器701执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,该非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,包括一条或多条指令,该一条或多条指令可以由电子设备的处理器701执行,以完成上述实施例中提供的二维码处理方法的方法步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种二维码处理方法,其特征在于,所述方法包括:
获取二维码图像;
将所述二维码图像输入至二维码处理模型;
通过所述二维码处理模型,对所述二维码图像进行卷积处理,得到所述二维码图像的第一图像特征,对所述第一图像特征进行反卷积处理,得到第二图像特征,基于目标阈值对所述第二图像特征进行映射,输出所述二维码图像的二值化图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述二维码图像进行卷积处理,得到所述二维码图像的第一图像特征包括:
将所述二维码图像输入所述二维码处理模型的多个卷积层中的第一个卷积层中,在所述第一个卷积层进行卷积计算,将计算结果输入到下一个卷积层中,直到各个卷积层计算完成,将得到的卷积输出作为所述二维码图像的第一图像特征。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一图像特征进行反卷积处理,得到第二图像特征包括:
将所述第一图像特征输入所述二维码处理模型的多个反卷积层中的第一个反卷积层中,在所述第一个反卷积层进行反卷积计算,将计算结果输入到下一个反卷积层中,直到各个反卷积层计算完成,将得到的反卷积输出作为所述二维码图像的第二图像特征。
4.根据权利要求1所述的方法,其特征在于,所述对所述二维码图像进行卷积处理之前,所述方法还包括:
对所述二维码图像进行预处理,对预处理后的所述二维码图像进行图像增强处理。
5.根据权利要求4所述的方法,其特征在于,所述对所述二维码图像进行预处理包括:
从所述二维码图像中确定出包括二维码的图像部分,对所述图像部分进行尺寸调整,得到与所述二维码处理模型匹配的图像。
6.根据权利要求4所述的方法,其特征在于,所述对预处理后的所述二维码图像进行图像增强处理包括:
保持各个像素点的二值化标签不变,对所述预处理后的所述二维码图像进行亮度以及对比度中至少一项调整。
7.根据权利要求1所述的方法,其特征在于,所述基于目标阈值对所述第二图像特征进行映射包括:
将目标阈值与所述第二图像特征的各个像素点的像素值进行比较;
当任一个像素点的像素值小于目标阈值时,将所述像素点的灰度值映射为第一灰度值,当任一个像素点的像素值大于目标阈值时,将所述像素点的灰度值映射为第二灰度值。
8.一种二维码处理装置,其特征在于,所述装置包括:
获取单元,被配置为执行获取二维码图像;
输入单元,被配置为执行将所述二维码图像输入至二维码处理模型;
卷积处理单元,被配置为执行通过所述二维码处理模型,对所述二维码图像进行卷积处理,得到所述二维码图像的第一图像特征;
反卷积处理单元,被配置为执行对所述第一图像特征进行反卷积处理,得到第二图像特征;
映射单元,被配置为执行基于目标阈值对所述第二图像特征进行映射;
输出单元,被配置为执行输出所述二维码图像的二值化图像。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的二维码处理方法。
10.一种存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至7中任一项所述的二维码处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175822.2A CN110991457B (zh) | 2019-11-26 | 2019-11-26 | 二维码处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175822.2A CN110991457B (zh) | 2019-11-26 | 2019-11-26 | 二维码处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991457A true CN110991457A (zh) | 2020-04-10 |
CN110991457B CN110991457B (zh) | 2023-12-08 |
Family
ID=70087171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911175822.2A Active CN110991457B (zh) | 2019-11-26 | 2019-11-26 | 二维码处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991457B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347805A (zh) * | 2020-11-25 | 2021-02-09 | 广东开放大学(广东理工职业学院) | 一种多目标二维码检测识别方法、***、装置及存储介质 |
CN112417918A (zh) * | 2020-11-13 | 2021-02-26 | 珠海格力电器股份有限公司 | 二维码识别方法、装置、存储介质及电子设备 |
CN113221737A (zh) * | 2021-05-11 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 一种物料信息的确定方法、装置、设备及存储介质 |
CN113780492A (zh) * | 2021-08-02 | 2021-12-10 | 南京旭锐软件科技有限公司 | 一种二维码二值化方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016163064A (ja) * | 2015-02-26 | 2016-09-05 | 国立大学法人 鹿児島大学 | 撮像装置、電子透かしの抽出方法、電子透かし及び開閉パターンの最適化方法 |
CN106875357A (zh) * | 2017-01-26 | 2017-06-20 | 上海正雅齿科科技有限公司 | 二维码图像处理方法 |
CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN108960214A (zh) * | 2018-08-17 | 2018-12-07 | 中控智慧科技股份有限公司 | 指纹图像增强二值化方法、装置、设备、***及存储介质 |
CN110378854A (zh) * | 2019-07-17 | 2019-10-25 | 上海商汤智能科技有限公司 | 机器人图像增强方法及装置 |
CN110457972A (zh) * | 2019-08-05 | 2019-11-15 | 网易(杭州)网络有限公司 | 二维码识别方法与装置、存储介质、电子设备 |
-
2019
- 2019-11-26 CN CN201911175822.2A patent/CN110991457B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016163064A (ja) * | 2015-02-26 | 2016-09-05 | 国立大学法人 鹿児島大学 | 撮像装置、電子透かしの抽出方法、電子透かし及び開閉パターンの最適化方法 |
CN106875357A (zh) * | 2017-01-26 | 2017-06-20 | 上海正雅齿科科技有限公司 | 二维码图像处理方法 |
CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN108960214A (zh) * | 2018-08-17 | 2018-12-07 | 中控智慧科技股份有限公司 | 指纹图像增强二值化方法、装置、设备、***及存储介质 |
CN110378854A (zh) * | 2019-07-17 | 2019-10-25 | 上海商汤智能科技有限公司 | 机器人图像增强方法及装置 |
CN110457972A (zh) * | 2019-08-05 | 2019-11-15 | 网易(杭州)网络有限公司 | 二维码识别方法与装置、存储介质、电子设备 |
Non-Patent Citations (1)
Title |
---|
刘浩: "二维码数字图像的增强处理与数据挖掘应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑 (月刊)》, no. 2017 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417918A (zh) * | 2020-11-13 | 2021-02-26 | 珠海格力电器股份有限公司 | 二维码识别方法、装置、存储介质及电子设备 |
CN112417918B (zh) * | 2020-11-13 | 2022-03-18 | 珠海格力电器股份有限公司 | 二维码识别方法、装置、存储介质及电子设备 |
CN112347805A (zh) * | 2020-11-25 | 2021-02-09 | 广东开放大学(广东理工职业学院) | 一种多目标二维码检测识别方法、***、装置及存储介质 |
CN113221737A (zh) * | 2021-05-11 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 一种物料信息的确定方法、装置、设备及存储介质 |
CN113221737B (zh) * | 2021-05-11 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种物料信息的确定方法、装置、设备及存储介质 |
CN113780492A (zh) * | 2021-08-02 | 2021-12-10 | 南京旭锐软件科技有限公司 | 一种二维码二值化方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110991457B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594997B (zh) | 手势骨架构建方法、装置、设备及存储介质 | |
CN109829456B (zh) | 图像识别方法、装置及终端 | |
CN107945163B (zh) | 图像增强方法及装置 | |
CN110059685B (zh) | 文字区域检测方法、装置及存储介质 | |
CN110991457B (zh) | 二维码处理方法、装置、电子设备及存储介质 | |
CN110650379B (zh) | 视频摘要生成方法、装置、电子设备及存储介质 | |
CN110490179B (zh) | 车牌识别方法、装置及存储介质 | |
CN109522863B (zh) | 耳部关键点检测方法、装置及存储介质 | |
CN109360222B (zh) | 图像分割方法、装置及存储介质 | |
CN109558837B (zh) | 人脸关键点检测方法、装置及存储介质 | |
CN111461097A (zh) | 识别图像信息的方法、装置、电子设备及介质 | |
CN108776822B (zh) | 目标区域检测方法、装置、终端及存储介质 | |
CN110827195B (zh) | 虚拟物品添加方法、装置、电子设备及存储介质 | |
CN110070143B (zh) | 获取训练数据的方法、装置、设备及存储介质 | |
CN112907725A (zh) | 图像生成、图像处理模型的训练、图像处理方法和装置 | |
CN110503159B (zh) | 文字识别方法、装置、设备及介质 | |
CN111754386A (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN110807769B (zh) | 图像显示控制方法及装置 | |
CN112135191A (zh) | 视频编辑方法、装置、终端及存储介质 | |
CN110991445A (zh) | 竖排文字识别方法、装置、设备及介质 | |
CN110675473A (zh) | 生成gif动态图的方法、装置、电子设备及介质 | |
CN110232417B (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN111860064B (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
CN110163192B (zh) | 字符识别方法、装置及可读介质 | |
CN115330610A (zh) | 图像处理方法、装置、电子设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |