本發(fā)明屬于數(shù)字圖像處理
技術(shù)領(lǐng)域：
，具體涉及一種基于稀疏表示的QRCode圖像超分辨重建方法。
背景技術(shù)：
：QRCode二維碼以其包含信息量、密度大的特點(diǎn)被廣泛使用，而對(duì)二維條碼識(shí)別的性能需要高分辨率的QRCode二維碼圖像來(lái)保證?，F(xiàn)有的方案多是采取提高攝像頭的分辨率來(lái)處理，然而該方法有諸多局限，例如在銀行票據(jù)處理系統(tǒng)中，為了能夠同時(shí)識(shí)別票據(jù)上的二維條碼、印鑒、金額等要素，要求3800×2400或者更高的分辨率，這是大多數(shù)攝像頭無(wú)法達(dá)到的。此外，在一些需要用戶(hù)采集QRCode二維碼圖像并上傳至服務(wù)器識(shí)別的應(yīng)用中，由于用戶(hù)缺乏足夠的指導(dǎo)，往往上傳的圖像沒(méi)有足夠的分辨率，而導(dǎo)致識(shí)別的失敗。因此，對(duì)獲取的QRCode二維碼圖像進(jìn)行超分辨率重建對(duì)QRCode二維碼的識(shí)別至關(guān)重要。傳統(tǒng)的基于重建的方法是通過(guò)建立對(duì)應(yīng)的高、低分辨率圖像之間的圖像退化模型，人為定義圖像先驗(yàn)知識(shí)，通過(guò)低分辨率圖像反演出對(duì)應(yīng)的高分辨率圖像。該方法退化模型的參數(shù)難以估計(jì)，另外，其所需的輸入圖像的數(shù)量隨分辨率放大系數(shù)的增大而增加，當(dāng)分辨率放大系數(shù)太大時(shí)，輸入圖像數(shù)量的增加亦無(wú)法提高重建質(zhì)量。而基于學(xué)習(xí)的超分辨率重建方法是利用不同圖像之間的高頻信息的相似性，通過(guò)學(xué)習(xí)算法獲得高分辨率圖像和對(duì)應(yīng)的低分辨率圖像之間的關(guān)聯(lián)，以此作為圖像的先驗(yàn)知識(shí)，指導(dǎo)高分辨率圖像的復(fù)原?；趯W(xué)習(xí)的超分辨率復(fù)原方法的先驗(yàn)知識(shí)是從大量的學(xué)習(xí)樣本中得來(lái)，在重建時(shí)能得到更多圖像的高頻細(xì)節(jié)，相較于基于重建的超分辨率復(fù)原方法可以取得更好的復(fù)原效果。然而，現(xiàn)有的超分辨率重建算法多數(shù)是針對(duì)自然圖像而非針對(duì)QRCode二維碼圖像的，而QRCode二維碼圖像有其特殊的結(jié)構(gòu)特征，我們可以利用結(jié)構(gòu)先驗(yàn)信息來(lái)設(shè)計(jì)針對(duì)于QRCode二維碼圖像的重建算法，以獲得更好的重建效果。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于稀疏表示的QRCode圖像超分辨重建方法，以在重建時(shí)能夠恢復(fù)更多的QRCode二維碼圖像細(xì)節(jié)信息，提高重建圖像的效果。技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種基于稀疏表示的QRCode圖像超分辨重建方法，包括如下步驟：(1)QRCode二維碼圖像特征的提取，包括紋理特征、邊緣梯度特征，及水平和垂直兩個(gè)二階梯度特征，組成低分辨圖像塊的特征，構(gòu)成特征抽取器；(2)學(xué)習(xí)字典的訓(xùn)練，包括構(gòu)成字典的訓(xùn)練樣本集、采用字典學(xué)習(xí)算法得到高、低分辨率字典；(3)生成高分辨QRCode二維碼圖像的初始估計(jì)，包括輸入待處理的低分辨QRCode二維碼圖像、求解圖像的稀疏系數(shù)，及生成高分辨率圖像塊并合成初始估計(jì)的高分辨率圖像；(4)全局約束得到最終的高分辨率QRCode二維碼圖像。進(jìn)一步的，所述步驟(1)QRCode二維碼圖像特征的提取，具體步驟如下：101步，采用LBP算子提取QRCode二維碼圖像的紋理特征；102步，采用Kirsch算子提取QRCode二維碼圖像的邊緣梯度特征；103步，選擇水平和垂直兩個(gè)二階梯度作為另外兩個(gè)圖像特征；104步，所述兩個(gè)二階梯度和紋理、邊緣特征，共同組成低分辨圖像塊的特征，構(gòu)成特征抽取器。進(jìn)一步的，所述LBP算子為：LBP(xc,yc)=Σp=0p-1s(gp-gc)2p,]]>s(x)=1x≥0,0x<0,]]>其中，(xc,yc)為窗口中心點(diǎn)坐標(biāo)，gc為中心點(diǎn)灰度值，p為窗口內(nèi)除中心點(diǎn)外其余點(diǎn)的個(gè)數(shù)；所述Kirsch算子為其00,450,900,1350,1800,2250,2700,3150八個(gè)方向卷積核作用于圖像塊的結(jié)果；所述兩個(gè)二階梯度算子為：H1＝[1,0,-2,0,1],H2＝[1,0,-2,0,1]T.。這些特征考慮了QRCode二維碼圖像的特征，對(duì)QRCode圖像的結(jié)構(gòu)信息進(jìn)行了充分的考慮，適用于對(duì)QRCode二維碼圖像進(jìn)行超分辨重建。進(jìn)一步的，所述步驟(2)學(xué)習(xí)字典的訓(xùn)練的具體步驟如下：201步，采集高分辨QRCode二維碼圖像，作為訓(xùn)練集；202步，將所述訓(xùn)練集中的高分辨圖像下采樣得到相應(yīng)的低分辨圖像，經(jīng)插值放大和特征提取后，得到低分辨圖像特征塊，與對(duì)應(yīng)的高分辨圖像塊構(gòu)成字典的訓(xùn)練樣本集；203步，對(duì)所述訓(xùn)練集中的高分辨圖像塊和低分辨圖像塊進(jìn)行稀疏編碼，聯(lián)合這兩個(gè)目標(biāo)函數(shù)，使其統(tǒng)一到同一個(gè)稀疏編碼框架中；204步，采用字典學(xué)習(xí)算法求解203步中目標(biāo)函數(shù)的最優(yōu)解，得到高、低分辨率字典。進(jìn)一步的，所述步驟203中，對(duì)高、低分辨率圖像塊分別進(jìn)行稀疏編碼是通過(guò)如下公式實(shí)現(xiàn)的：DL=min{DL,α}||XL-DLα||22+μ||α||1,]]>DH=min{DH,α}||YH-DHα||22+μ||α||1,]]>其中，α是對(duì)低分辨率圖像塊XL和高分辨率圖像塊YH的稀疏表示，DL和DH分別是XL和YH的訓(xùn)練字典，μ為正則化參數(shù)；將XL和YH的稀疏表示統(tǒng)一到同一個(gè)編碼框架中，即為：min{Dc,α}||Xc-Dcα||22+ω||α||1,]]>Xc=1MYH1NXL,Dc=1MDH1NDL,ω=(1N+1M)μ,]]>其中，M和N分別表示向量形式下高、低分辨率圖像特征塊的維數(shù)。進(jìn)一步的，所述步驟204中，采取字典學(xué)習(xí)算法求解的具體方法為：先固定DC，采用OMP算法求解稀疏表示系數(shù)α，再固定求解出來(lái)的α，采用K-SVD算法計(jì)算DC的最優(yōu)解，不斷重復(fù)，直至收斂。進(jìn)一步的，所述(3)生成高分辨QRCode二維碼圖像的初始估計(jì)，具體步驟如下：301步，對(duì)輸入的待處理的低分辨QRCode二維碼圖像進(jìn)行分割，從左上角起依次選取大小為5×5的圖像特征塊，并要保證圖像特征塊之間有重疊；302步，根據(jù)稀疏表示理論，計(jì)算出每一個(gè)低分辨率特征塊稀疏表示的最優(yōu)估計(jì)值，即稀疏表示系數(shù)α；303步，利用高分辨率字典和稀疏系數(shù)，得到對(duì)應(yīng)的每一個(gè)高分辨率圖像塊；304步，合成初始估計(jì)的高分辨率圖像。進(jìn)一步的，步驟302中，求解稀疏系數(shù)是通過(guò)如下公式實(shí)現(xiàn)的：min||FDLα-Fx||22+μ||α||1,]]>其中，F(xiàn)為所述步驟(1)中所述的特征抽取器；求解出稀疏系數(shù)α后，即可通過(guò)y＝DHα來(lái)生成步驟303中的高分辨率圖像塊。進(jìn)一步的，所述(4)得到最終的高分辨率QRCode二維碼圖像，具體步驟如下：401步，考慮低分辨率圖像的實(shí)際成像過(guò)程，建立對(duì)重建的高分辨率圖像的全局約束；402步，通過(guò)反向投影算法計(jì)算最終的高分辨率QRCode二維碼圖像。進(jìn)一步的，步驟401中，考慮到圖像的實(shí)際降質(zhì)過(guò)程，施加全局約束的目標(biāo)函數(shù)為：Y*=minY||DBY-X||22+c||Y-Y0||22,]]>其中，D表示下采樣，B表示圖像模糊，Y0為所述(3)中得到的初始估計(jì)的高分辨圖像，Y*即為最終重建出的高分辨QRCode二維碼圖像。有益效果：本發(fā)明提供的一種基于稀疏表示的QRCode圖像超分辨重建方法，與現(xiàn)有技術(shù)相比具有下面的優(yōu)點(diǎn)：由于現(xiàn)有的超分辨率重建方法沒(méi)有針對(duì)性，因此很難在對(duì)二維條碼圖像的超分辨率重建方面有突出的效果。本發(fā)明利用二維條碼的先驗(yàn)知識(shí)，對(duì)其結(jié)構(gòu)特征深入了解，選取針對(duì)于二維條碼的特征提取算子，提取二維條碼圖像的紋理特征和邊緣特征，可以很好的刻畫(huà)二維條碼的結(jié)構(gòu)信息。同時(shí)利用稀疏編碼建立高分辨率圖像塊和低分辨率圖像塊之前的關(guān)聯(lián)，可以很好地重建出高分辨率的二維條碼圖像。實(shí)驗(yàn)表明，本發(fā)明能有效地對(duì)低分辨率的二維條碼圖像進(jìn)行超分辨率重建，保留了很多二維條碼圖像的高頻信息，提高了重建的質(zhì)量。附圖說(shuō)明圖1為本發(fā)明的流程圖；圖2是本發(fā)明中用以字典學(xué)習(xí)的訓(xùn)練樣本集；圖3是本發(fā)明在仿真實(shí)驗(yàn)中使用的低分辨QRCode二維碼測(cè)試圖像；圖4是本發(fā)明在仿真實(shí)驗(yàn)中得到的高分辨QRCode二維碼重建圖像；圖5是現(xiàn)有的雙三次差值Bicubic在實(shí)驗(yàn)中得到的高分辨重建圖像；圖6是現(xiàn)有的Yang等人提出的方法在實(shí)驗(yàn)中得到的高分辨重建圖像；圖7是現(xiàn)有的Polatkan等人提出的方法在實(shí)驗(yàn)中得到的高分辨重建圖像。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明作更進(jìn)一步的說(shuō)明。本發(fā)明提供了一種基于稀疏表示的QRCode圖像超分辨率重建的方法，解決對(duì)低分辨率QRCode二維碼圖像的超分辨率重建問(wèn)題。利用QRCode二維碼的邊緣梯度特征和紋理特征，采用合適的算子提取QRCode二維碼圖像的特征，來(lái)反映QRCode二維碼圖像的結(jié)構(gòu)信息，得到QRCode二維碼圖像的特征塊。然后通過(guò)字典學(xué)習(xí)算法，得到低分辨率圖像塊和對(duì)應(yīng)的高分辨率圖像塊的學(xué)習(xí)字典。利用稀疏表示理論對(duì)輸入的低分辨圖像特征塊進(jìn)行稀疏編碼，再結(jié)合學(xué)習(xí)字典，獲得輸入的低分辨率圖像塊對(duì)應(yīng)的高分辨率圖像塊。最后，施加全局約束條件將所有的高分辨率圖像塊合成最終的高分辨率QRCode二維碼圖像，實(shí)現(xiàn)對(duì)QRCode二維碼圖像的超分辨率重建。本發(fā)明利用QRCode二維碼圖像的特性，可以有效地重建出具有清晰邊緣、保留大量高頻細(xì)節(jié)的高分辨率QRCode二維碼圖像，適用于對(duì)QRCode二維碼圖像進(jìn)行超分辨重建。如圖1所示為一種基于稀疏表示的QRCode圖像超分辨率重建的方法的流程圖，參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：步驟1，QRCode二維碼圖像特征的提取。由于QRCode二維碼的紋理比較規(guī)律，邊緣特征比較明顯，本發(fā)明對(duì)QRCode二維碼圖像特征的提取主要集中在其紋理特征和邊緣梯度特征上，以此反映二維條碼的結(jié)構(gòu)信息。具體步驟如下：1)采用LBP算子提取QRCode二維碼圖像的紋理特征，LBP算子可描述為：LBP(xc,yc)=Σp=0p-1s(gp-gc)2p,]]>s(x)=1x≥0,0x<0,]]>其中，(xc,yc)為窗口中心點(diǎn)坐標(biāo)，gc為中心點(diǎn)灰度值，p為窗口內(nèi)除中心點(diǎn)外其余點(diǎn)的個(gè)數(shù)。2)采用Kirsch算子提取QRCode二維碼圖像的邊緣梯度特征，其提取的邊緣梯度特征為其0°,45°,90°,135°,180°,225°,270°,315°八個(gè)方向卷積核作用于圖像塊的結(jié)果；3)選擇水平和垂直兩個(gè)二階梯度作為另外兩個(gè)圖像特征，這兩個(gè)濾波器定義為：H1＝[1,0,-2,0,1],H2＝[1,0,-2,0,1]T.4)以上三步中提取的四個(gè)特征，共同組成QRCode二維碼圖像的特征矩陣。步驟2，學(xué)習(xí)字典的訓(xùn)練，具體步驟如下：1)獲取訓(xùn)練樣本集，用以訓(xùn)練字典。構(gòu)成字典的訓(xùn)練樣本集的步驟如圖2所示。2)對(duì)訓(xùn)練集中的高分辨圖像塊和低分辨圖像塊分別進(jìn)行稀疏編碼，即：DL=min{DL,α}||XL-DLα||22+μ||α||1,]]>DH=min{DH,α}||YH-DHα||22+μ||α||1,]]>其中，α是對(duì)低分辨率圖像塊XL和高分辨率圖像塊YH的稀疏表示，DL和DH分別是XL和YH的訓(xùn)練字典，μ為正則化參數(shù)。聯(lián)合這兩個(gè)目標(biāo)函數(shù)，將XL和YH的稀疏表示統(tǒng)一到同一個(gè)編碼框架中，再經(jīng)過(guò)矩陣合并和變量替換，結(jié)果為：min{Dc,α}||Xc-Dcα||22+ω||α||1,]]>Xc=1MYH1NXL,Dc=1MDH1NDL,ω=(1N+1M)μ,]]>其中，M和N分別表示向量形式下高、低分辨率圖像特征塊的維數(shù)。3)求解上一步中目標(biāo)函數(shù)的最優(yōu)解，得到高、低分辨率字典?？梢酝ㄟ^(guò)下述方法求解：先固定DC，采用OMP算法求解稀疏表示α，再固定求解出來(lái)的α，采用K-SVD算法計(jì)算DC的最優(yōu)解，不斷重復(fù)，直至收斂。步驟3，生成高分辨QRCode二維碼圖像的初始估計(jì)，具體步驟如下：1)從輸入的低分辨率二維條碼圖像中提取低分辨率圖像塊，從左至右、從上到下依次選取大小為5×5的圖像特征塊，并保證圖像特征塊之間有重疊；2)對(duì)每一個(gè)低分辨率圖像塊進(jìn)行稀疏編碼，即min||FDLα-Fx||22+μ||α||1,]]>其中，F(xiàn)為步驟1中所述的特征抽取器。求解該目標(biāo)函數(shù)，即可得到每一個(gè)低分辨率圖像塊稀疏表示的最優(yōu)估計(jì)值，即稀疏系數(shù)；3)通過(guò)公式y(tǒng)＝DHα*得到上述每一個(gè)低分辨率圖像塊對(duì)應(yīng)的高分辨率圖像塊，α*即為上一步中求解出的稀疏系數(shù)。4)至此，可將上一步中得到的高分辨率圖像塊合成起來(lái)，得到經(jīng)過(guò)初步估計(jì)的高分辨QRCode二維碼圖像。步驟4，得到最終的高分辨率QRCode二維碼圖像，具體步驟如下：1)對(duì)重建的QRCode二維碼圖像施加全局約束。考慮實(shí)際的成像過(guò)程，高分辨率圖像降質(zhì)成低分辨率圖像的過(guò)程一般是經(jīng)過(guò)下采樣和圖像模糊的結(jié)果。由于前述步驟都是對(duì)圖像塊進(jìn)行操作，缺乏對(duì)整個(gè)圖像的約束，容易使得整個(gè)圖像不自然。因此，考慮實(shí)際成像來(lái)對(duì)全局加以約束，可以獲得更貼近真實(shí)的重建結(jié)果。全局約束的目標(biāo)函數(shù)可表示為：Y*=minY||DBY-X||22+c||Y-Y0||22,]]>其中，D表示下采樣，B表示圖像模糊，Y0為步驟3的4)中得到的初始估計(jì)的高分辨圖像，Y*即為最終重建出的高分辨QRCode二維碼圖像。2)通過(guò)反向投影算法，計(jì)算最終的高分辨率QRCode二維碼圖像，即可得本發(fā)明對(duì)輸入的低分辨QRCode二維碼圖像的超分辨重建結(jié)果。實(shí)施例本發(fā)明的效果可以通過(guò)以下實(shí)驗(yàn)具體說(shuō)明：1、實(shí)驗(yàn)條件：實(shí)驗(yàn)所用的計(jì)算機(jī)配置為IntelCorei7/3.60GHz/8G，編程平臺(tái)為MATLABR2012b。實(shí)驗(yàn)所用的QRCode二維碼測(cè)試圖像如圖3所示。2、實(shí)驗(yàn)內(nèi)容本實(shí)驗(yàn)具體分為四個(gè)實(shí)驗(yàn)：一、利用本發(fā)明對(duì)低分辨QRCode二維碼圖像進(jìn)行超分辨重建，結(jié)果如圖4所示；二、利用雙三次差值Bicubic方法進(jìn)行超分辨重建，結(jié)果如圖5所示；三、利用Yang等人在文獻(xiàn)“Yang,Jianchao,etal."Imagesuper-resolutionviasparserepresentation."ImageProcessing,IEEETransactionson19.11(2010):2861-2873.”中提出的方法對(duì)低分辨QRCode二維碼圖像進(jìn)行超分辨重建，結(jié)果如圖6所示；四、利用Polatkan等人在文獻(xiàn)“Polatkan,Gungor,etal."Abayesiannonparametricapproachtoimagesuper-resolution."PatternAnalysisandMachineIntelligence,IEEETransactionson37.2(2015):346-358.”中提出的方法對(duì)低分辨QRCode二維碼圖像進(jìn)行超分辨重建，結(jié)果如圖7所示；在實(shí)驗(yàn)中，利用峰值信噪比PSNR作為指標(biāo)來(lái)評(píng)價(jià)重建質(zhì)量。對(duì)于M×N大小的圖像，PSNR的定義為：PSNR=10log10(2n-1)2×M×NΣ||f-g||2,]]>其中，f和g分別表示原始圖像和重建后的圖像，n表示存儲(chǔ)一個(gè)像素灰度值所用的位數(shù)，對(duì)于本發(fā)明中的QRCode二維碼圖像來(lái)說(shuō)，n取8。用PSNR來(lái)評(píng)價(jià)圖像質(zhì)量時(shí)，其值越高，表示重建的質(zhì)量越好。利用本發(fā)明和現(xiàn)有的另外三種方法對(duì)圖3進(jìn)行放大倍數(shù)為2×2的超分辨率重建，利用PSNR指標(biāo)和重建圖像的視覺(jué)效果來(lái)評(píng)價(jià)重建效果。3、實(shí)驗(yàn)結(jié)果分析對(duì)圖3，本發(fā)明得到的重建結(jié)果的PSNR值為28.5647，Bicubic方法的PSNR值為17.7882，Yang等人的PSNR值為19.8057，Polatkan等人的PSNR值為17.7971。在PSNR指標(biāo)上，本發(fā)明的重建效果要好于其他三種方法，有更好的重建質(zhì)量。除了PSNR指標(biāo)外，我們從視覺(jué)效果方面來(lái)比較幾種方法的重建效果。從圖5中可以看出，Bicubic方法重建出的高分辨率圖像過(guò)于平滑，看起來(lái)模糊。從圖6和圖7中可以看出，Yang等人的方法和Polatkan等人的方法有較為明顯的振鈴，重建效果不及本發(fā)明。以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3