基于數(shù)字圖像處理技術(shù)的條碼圖像二值化處理

芶小珊

(成都大學(xué) 計算機(jī)學(xué)院，四川 成都 610000)

0 引言

對圖像進(jìn)行二值化處理實(shí)際上就是將數(shù)字圖像轉(zhuǎn)化為二值黑白像素的矩陣，并將圖像從背景中分離，方便后期的圖像邊緣提取，為接下來的其他圖像處理打下基礎(chǔ)。大多數(shù)情況下，圖像上的像素點(diǎn)灰度值設(shè)置為0或255，而二值化處理的關(guān)鍵是需要通過合適的閾值實(shí)現(xiàn)背景的分割，對圖像完成二值化處理后，數(shù)據(jù)量減少則圖像的輪廓逐漸顯現(xiàn)，更加方便后期的圖像處理。

1 二值化理論

圖像的二值化處理最常用的算法是圖像閾值分割算法。該算法處理方法簡單，通過閾值分割后的圖形清晰，在所待處理的圖像中，將圖像中的關(guān)鍵部分進(jìn)行目標(biāo)區(qū)域劃分，將冗余的部分設(shè)定為背景區(qū)域。二值化處理的核心是選擇一個最佳閾值，對比像素點(diǎn)與閾值，根據(jù)結(jié)果對圖像進(jìn)行劃分，將其劃分為目標(biāo)與背景區(qū)域。二值化處理的目的是保證圖像在不失真的前提下舍棄冗余信息，其關(guān)鍵點(diǎn)就在于閾值的選擇。閾值分割實(shí)際上就是將圖像上所有的像素點(diǎn)進(jìn)行比較，在像素點(diǎn)上選取一個閾值T，根據(jù)閾值T判斷圖像信息，并將圖像進(jìn)行區(qū)域劃分[1]，公式為：

(1)

f(i,j)表示原圖像像素；b(i,j)表示二值化算法處理后的圖像；T表示閾值。

當(dāng)前，圖像閾值選取的算法上百種，以最常用的閾值法——Ostu算法為例進(jìn)行條碼圖像的二值化處理。

使用手持設(shè)備采集到的圖像容易出現(xiàn)光照不均的情況，如光線較暗影響整體灰度值；光照不足影響局部灰度值；遮擋容易出現(xiàn)陰影。此類現(xiàn)象均屬于光照不均，影響圖像進(jìn)行目標(biāo)和背景區(qū)域的劃分，影響閾值的選取，一旦選取閾值容易導(dǎo)致分割后出現(xiàn)大量陰影，影響識別過程。一種方法是可以采用直方圖均衡化、線性對比度拉伸等方法增加圖像的亮度，但是此方法需要調(diào)節(jié)比例系數(shù)；另一種方法就是采用Ostu閾值選取，不需要調(diào)節(jié)參數(shù)，缺陷是算法運(yùn)行時間長容易出現(xiàn)邊界效應(yīng)。

1.1 Ostu算法

Ostu算法又名最大類間方差法[2]，其原理為：根據(jù)圖像的灰度特性對圖像進(jìn)行目標(biāo)與背景分割，如果類間方差越大說明分割的背景差別越大；如果背景被劃分為前背景，類間方差變小。因此，類間方差越大說明錯分概率越小。取最佳閾值為T，類間方差值為g，得到圖像總的平均灰度值：

μ=ω0μ0+ω1μ1

(2)

ω0表示像素占比；μ0表示平均灰度；ω1表示背景占比；μ1表示平均灰度值。

類間方差公式為：

g=ω0(μ0-μ)2+ω1(μ1-μ)2

g=ω0×ω1×(μ0-μ1)2

(3)

當(dāng)g越大，說明目標(biāo)與背景之間的像素越大，劃分錯誤的概率越低；g最大時選取的T值為最佳分割閾值。

1.2 圖像定位

圖像定位即在圖像中找到目標(biāo)圖像位置并進(jìn)行提取，在數(shù)字圖像處理過程中，定位的準(zhǔn)確性關(guān)系到圖像的識別[3]。Canny算子邊緣檢測與Sobel算子、Roberts算子相比適用范圍更廣，主要檢測圖像周圍的灰度像素是否存在屋頂變化，將特征的邊緣連接成完整的像素邊界。利用Canny算子進(jìn)行多級邊緣檢測，檢測條碼的邊緣特征。處理步驟為：

首先，計算梯度幅值和方向，利用一階偏導(dǎo)數(shù)的有限差分，表示濾波器的兩個一階偏導(dǎo)，用x和y表示圖像的像素點(diǎn)，得到圖像的幅度與方向，公式為：

(4)

θ(x,y)=arctan(Gx(x,y)/Gy(x,y))

(5)

Gx(x,y)和Gy(x,y)表示一階偏導(dǎo)；M(x,y)表示邊緣強(qiáng)度；θ(x,y)表示邊緣方向角。

其次，采用非極大值抑制算法對梯度幅度進(jìn)行處理，因?yàn)閳D像的邊緣需要通過全局梯度獲取，需要采取梯度最大的點(diǎn)取得。

最后，利用雙閾值法檢測并連接邊緣。

條碼圖像在采集過程中由于人為因素難免會發(fā)生變化，如傾斜、變形等，得到的條碼圖像會發(fā)生一定角度的傾斜，增加后期條碼圖像的識別難度。因此，對條碼進(jìn)行傾斜校正與定位極為重要。圖像局部特性出現(xiàn)灰度值突變、顏色突變以及紋理突變等，都屬于圖像邊緣的正常特征，圖像的邊緣可以顯示出圖像的大體輪廓，圖像作為多個像素點(diǎn)組成的個體，用矩陣表示像素點(diǎn)的位置，就是圖像的像素矩陣。圖像的邊緣信息獲取在圖像處理過程中極為重要，二值化處理?xiàng)l碼圖像時，光照的影響極大，而圖像的邊緣不易受到光照的影響，二者之間有本質(zhì)區(qū)別。因此，進(jìn)行二值化處理圖像時，光照往往影響圖像的獲取效果。在進(jìn)行圖像分析時，圖像的邊緣檢測是獲取圖像信息的重要基礎(chǔ)。因此，邊緣檢測對于條碼的解碼十分重要[4]。

1.3 圖像校正

Hough變換通過全局特性將邊緣像素連接為封閉區(qū)域，將原始圖像中的曲線轉(zhuǎn)換為參數(shù)空間中的峰值，原始圖像中的坐標(biāo)需要滿足方程式：y=mx+n，其中，m表示直線斜率，n表示截距。

根據(jù)公式可得，圖像空間的點(diǎn)對應(yīng)參數(shù)空間的直線，如果圖像空間中多出一條直線，則參數(shù)空間中的多條直線相交于一點(diǎn)，如圖1所示，XY表示圖像空間，MN表示參數(shù)空間。

圖1 圖像空間與參數(shù)空間點(diǎn)線對偶

利用Hough變換中的4條直線，得到圖像的傾斜角度，完成旋轉(zhuǎn)圖像，根據(jù)圖像的旋轉(zhuǎn)，以圖像中心為原點(diǎn)，順時針方向進(jìn)行旋轉(zhuǎn)得到最終圖像，如圖2所示。坐標(biāo)經(jīng)過旋轉(zhuǎn)得到，l表示距離，θ表示夾角。

圖2 圖像旋轉(zhuǎn)

2 實(shí)驗(yàn)設(shè)計

2.1 設(shè)計思路

在數(shù)字圖像處理技術(shù)的基礎(chǔ)上，對二值化算法進(jìn)行改進(jìn)，使用改進(jìn)后的二值化算法進(jìn)行條碼圖像處理，并針對校正提出更好的處理算法。預(yù)處理作為圖像識別系統(tǒng)中的重要一環(huán)，預(yù)處理的過程要遵守如下程序：(1)對條碼圖像進(jìn)行灰度化處理；(2)對灰度化處理后的圖像進(jìn)行自適應(yīng)濾波處理；(3)隨后對圖像進(jìn)行二值化處理，利用改進(jìn)后的算法進(jìn)行背景區(qū)域分離；(4)對圖像進(jìn)行邊緣檢測；(5)最后進(jìn)行透視變換，識別圖像信息。整個識別流程如圖3所示。

圖3 條碼圖像識別流程

2.2 實(shí)驗(yàn)條件

實(shí)驗(yàn)條件的好壞對條碼的識別過程有很大的影響，采集圖像的設(shè)備越好，則圖像處理的效果越好。常見的實(shí)驗(yàn)條件中，硬件設(shè)備有：計算機(jī)(Intel Core i5-3230M CPU、Win7系統(tǒng))、華為手機(jī)、打印機(jī)(HP 300)，軟件環(huán)境是Visual Studio(2012版本，C語言)、Matlab(R2014a)，另外還需要采集二維碼圖像、打印樣張(A4紙)。

2.3 實(shí)驗(yàn)設(shè)計

2.3.1 去噪

首先對條碼圖像進(jìn)行灰度化處理，將采集的圖像帶入公式(6)，使用加權(quán)平均法對圖像進(jìn)行灰度化處理[5]，根據(jù)人眼對光線的敏感度，對分量(紅綠藍(lán))進(jìn)行加權(quán)平均值處理，得到穩(wěn)定的灰度圖像。

Gray=0.30R+0.59G+0.11B

(6)

然后對圖像進(jìn)行自適應(yīng)濾波噪聲處理，將經(jīng)過灰度化處理的圖像設(shè)為P，選取窗口fxy=3使用濾波窗口進(jìn)行處理，對灰度圖像P的像素進(jìn)行排序，判斷最大值、中間值以及最小值之間的關(guān)系是否滿足條件，并判斷當(dāng)前窗口中獲取的中間值是否噪聲點(diǎn)，如果是，增大窗口，直到找到非噪聲點(diǎn)的值；判斷中間值是否噪聲點(diǎn)，如果是，根據(jù)判斷的結(jié)果，輸出非噪聲點(diǎn)的中間值。

最后判斷圖像中的噪聲點(diǎn)是否通過自適應(yīng)中值濾波算法得到的灰度值，經(jīng)過處理后得到去噪效果更好的條碼圖像。

2.3.2 光照不均

對圖像進(jìn)行自適應(yīng)濾波去噪后，對圖像進(jìn)行二值化處理，因?yàn)椴杉降膱D像容易受到光照環(huán)境影響，造成光照不均，影響二維碼的識別，傳統(tǒng)的Ostu在獲取閾值時會出現(xiàn)邊界效應(yīng)，而且獲取的時間較久?；诖?，針對傳統(tǒng)的Ostu算法提出一種基于形態(tài)學(xué)的改進(jìn)Ostu算法，該方法結(jié)合形態(tài)運(yùn)算進(jìn)行分子塊的Ostu處理。

首先對圖像進(jìn)行灰度化處理，再進(jìn)行自適應(yīng)中值濾波去噪處理，利用改進(jìn)的方法，對條碼進(jìn)行分塊處理；將劃分的各個區(qū)域進(jìn)行Ostu閾值分割處理，并根據(jù)圖像的原分割位置對圖像進(jìn)行組合處理；經(jīng)過組合的圖像在數(shù)字形態(tài)學(xué)閉運(yùn)算方法下完成邊緣細(xì)化，消除邊界效應(yīng)，得到最終的圖像。

改進(jìn)后的Ostu不會因?yàn)榉謮K導(dǎo)致像素出現(xiàn)不連續(xù)性，也不會發(fā)生邊界效應(yīng)，減少了圖像重新組合的時間，改進(jìn)后的Ostu閾值分割，仍然存在邊界效應(yīng)，需要通過形態(tài)學(xué)閉運(yùn)算，對光照不均圖像進(jìn)行處理，對圖像進(jìn)行閉運(yùn)算處理，得到最終的處理圖像，改進(jìn)后的Ostu算法會在邊界產(chǎn)生干擾點(diǎn)，與形態(tài)學(xué)閉運(yùn)算相結(jié)合，可以很好地消除邊界效應(yīng)。

2.3.3 畸變圖像

完成光照不均的二值化處理后，需要對畸變圖像進(jìn)行校正，通過Canny算法，對條碼圖像進(jìn)行邊緣輪廓的提取，再利用Hough檢測邊緣直線，獲取點(diǎn)的位置和坐標(biāo)。畸變圖像定位校正步驟為：(1)對經(jīng)過二值化處理的圖像進(jìn)行Canny算法檢測；(2)對二值化處理的圖像進(jìn)行Hough變換，通過圖像數(shù)組的坐標(biāo)獲取變換的角度與半徑的值；(3)利用Hough變換，在參數(shù)空間中找到相交的點(diǎn)，檢測圖像空間的最長直線；(4)檢測4條線后獲取圖像的角點(diǎn)，得到畸變校正后的圖像；(5)通過雙線性插值運(yùn)算對校正圖像的點(diǎn)做雙線性插值運(yùn)算，得到最終圖像。

3 結(jié)果分析

使用手機(jī)端拍攝圖像樣本進(jìn)行對去噪、光照不均、畸變圖像等測試，并對圖片進(jìn)行實(shí)驗(yàn)結(jié)果分析，傳統(tǒng)算法與改進(jìn)后的算法在譯碼個數(shù)與準(zhǔn)確率方面的比較結(jié)果如表1所示。

表1 圖像識別結(jié)果

根據(jù)圖像的識別結(jié)果，當(dāng)去噪的污染較大時，利用改進(jìn)后的算法對二維碼進(jìn)行解碼可以得到的圖片識別準(zhǔn)確率為90%；對于光照不均的圖像，利用改進(jìn)后的算法可以提高識別率，當(dāng)分辨率較低時，如果背景較為復(fù)雜將會影響譯碼率，因此譯碼率為90%；當(dāng)圖像發(fā)生畸變時，改進(jìn)后的算法準(zhǔn)確率達(dá)到87.5%，如果采集到的圖像失真嚴(yán)重，無法準(zhǔn)確獲取圖像位置時，容易造成原圖無法識別的情況。從識別的結(jié)果可以得到，經(jīng)過改進(jìn)后的Ostu算法可以在一定程度上提高條碼的識別率，具有一定的使用價值。

4 結(jié)語

綜上所述，在結(jié)合去噪污染、光照不均以及畸變圖像等圖像背景下，基于數(shù)字圖像處理技術(shù)和條碼編碼技術(shù)，對二維碼的圖像識別問題進(jìn)行了討論，其主要目的就是提高條碼的識別有效率。針對去噪問題，利用加權(quán)平均法對圖像進(jìn)行灰度化處理，利用自適應(yīng)中值濾波解決噪聲；由于圖像受到光照不均的影響，當(dāng)圖像在進(jìn)行閾值分割后，容易出現(xiàn)黑塊，影響圖像的準(zhǔn)確定位，利用改進(jìn)后的Ostu算法，將圖像分割為4子塊，結(jié)合形態(tài)學(xué)閉運(yùn)算，消除邊界效應(yīng)；當(dāng)圖像發(fā)生畸變時，利用Canny算子與Hough變換對圖像進(jìn)行定位處理。最后，對識別的結(jié)果進(jìn)行比較，完成了條碼圖像的識別。