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NingzhongLiu⇑,XingmingZheng,HanSun,XiaoyangTan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etal.,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etal.,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etal.,2006),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-tocolISO国际标准(ISO2006)。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etal.,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,1994)。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etal.,2012)。然而,cap-tured图像模糊因为缺乏自动对焦在大多数手机(Eisakuetal.,2004;Thielemannetal.,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,2008)。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、1994)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-ticexpectation-maximization(EM)算法解模糊条码信号。Shellhammeretal。(1999)获得条形码边缘使用选择性抽样和边缘增强过滤器。Okol'nishnikova(2001)应用递归逐步优化公式识别条形码。Marometal。(2001)和Kresic-Juric(2005)分析了边缘定位误差的统计特性2/1),(yxh的条形码被斑纹噪声信号。Kresic-Juricetal。(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etal.,2006;Mignotte,2006;贝克和Teboulle,2009;廖和Ng,2011;Caietal.,2012)和稀疏表示(Mairaletal.,2008;兰德etal.,2010;董etal.,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-strained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con-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-ulv1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(ISO2006)的左边缘x0。我们可以知道左边的像素的灰度值x0v1,右边,x0v2。“L”形仪附近的信号模式的左边缘蹊只有x坐标(ISO2006)。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(ISO2006)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,h0one-dimen-sional高斯模糊函数可以表示为:从卷积的微分属性操作(Shellhammeretal.,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00x=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)。Regularization-based技术已经广泛的研究来解决这个问题(酒吧etal.,2006;Mignotte,2006;贝克和Teboulle,2009;廖和Ng,2011;Caietal.,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etal.,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减少。结合方程式。(17)和(19),我们得到的其近似给新的错误数组因为和我们立即(23)因此,每个迭代数组ICLS的过滤器可以减少错误。的价值有一个微妙的影响迭代过程。如果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,值太大可以增加迭代的数量。另一方面,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W1W2。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)e,我们停止迭代。一般来说,可以设置为0.05。我们算法的完整框架总结如下: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。如果停止迭代（4）添加在空间域双层约束:更新队和Eq(x,y)。(25),转到步骤24。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(ISO2006)。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-serve7