本發(fā)明屬于數字圖像處理
技術領域：
，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：
：QRCode二維碼以其包含信息量、密度大的特點被廣泛使用，而對二維條碼識別的性能需要高分辨率的QRCode二維碼圖像來保證?，F有的方案多是采取提高攝像頭的分辨率來處理，然而該方法有諸多局限，例如在銀行票據處理系統中，為了能夠同時識別票據上的二維條碼、印鑒、金額等要素，要求3800×2400或者更高的分辨率，這是大多數攝像頭無法達到的。此外，在一些需要用戶采集QRCode二維碼圖像并上傳至服務器識別的應用中，由于用戶缺乏足夠的指導，往往上傳的圖像沒有足夠的分辨率，而導致識別的失敗。因此，對獲取的QRCode二維碼圖像進行超分辨率重建對QRCode二維碼的識別至關重要。傳統的基于重建的方法是通過建立對應的高、低分辨率圖像之間的圖像退化模型，人為定義圖像先驗知識，通過低分辨率圖像反演出對應的高分辨率圖像。該方法退化模型的參數難以估計，另外，其所需的輸入圖像的數量隨分辨率放大系數的增大而增加，當分辨率放大系數太大時，輸入圖像數量的增加亦無法提高重建質量。而基于學習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，通過學習算法獲得高分辨率圖像和對應的低分辨率圖像之間的關聯，以此作為圖像的先驗知識，指導高分辨率圖像的復原。基于學習的超分辨率復原方法的先驗知識是從大量的學習樣本中得來，在重建時能得到更多圖像的高頻細節(jié)，相較于基于重建的超分辨率復原方法可以取得更好的復原效果。然而，現有的超分辨率重建算法多數是針對自然圖像而非針對QRCode二維碼圖像的，而QRCode二維碼圖像有其特殊的結構特征，我們可以利用結構先驗信息來設計針對于QRCode二維碼圖像的重建算法，以獲得更好的重建效果。技術實現要素：發(fā)明目的：為了克服現有技術中存在的不足，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，以在重建時能夠恢復更多的QRCode二維碼圖像細節(jié)信息，提高重建圖像的效果。技術方案：為實現上述目的，本發(fā)明采用的技術方案為：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，及水平和垂直兩個二階梯度特征，組成低分辨圖像塊的特征，構成特征抽取器；(2)學習字典的訓練，包括構成字典的訓練樣本集、采用字典學習算法得到高、低分辨率字典；(3)生成高分辨QRCode二維碼圖像的初始估計，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，及生成高分辨率圖像塊并合成初始估計的高分辨率圖像；(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二階梯度作為另外兩個圖像特征；104步，所述兩個二階梯度和紋理、邊緣特征，共同組成低分辨圖像塊的特征，構成特征抽取器。進一步的，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)為窗口中心點坐標，gc為中心點灰度值，p為窗口內除中心點外其余點的個數；所述Kirsch算子為其00,450,900,1350,1800,2250,2700,3150八個方向卷積核作用于圖像塊的結果；所述兩個二階梯度算子為：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QRCode圖像的結構信息進行了充分的考慮，適用于對QRCode二維碼圖像進行超分辨重建。進一步的，所述步驟(2)學習字典的訓練的具體步驟如下：201步，采集高分辨QRCode二維碼圖像，作為訓練集；202步，將所述訓練集中的高分辨圖像下采樣得到相應的低分辨圖像，經插值放大和特征提取后，得到低分辨圖像特征塊，與對應的高分辨圖像塊構成字典的訓練樣本集；203步，對所述訓練集中的高分辨圖像塊和低分辨圖像塊進行稀疏編碼，聯合這兩個目標函數，使其統一到同一個稀疏編碼框架中；204步，采用字典學習算法求解203步中目標函數的最優(yōu)解，得到高、低分辨率字典。進一步的，所述步驟203中，對高、低分辨率圖像塊分別進行稀疏編碼是通過如下公式實現的：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的訓練字典，μ為正則化參數；將XL和YH的稀疏表示統一到同一個編碼框架中，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。進一步的，所述步驟204中，采取字典學習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α，再固定求解出來的α，采用K-SVD算法計算DC的最優(yōu)解，不斷重復，直至收斂。進一步的，所述(3)生成高分辨QRCode二維碼圖像的初始估計，具體步驟如下：301步，對輸入的待處理的低分辨QRCode二維碼圖像進行分割，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，根據稀疏表示理論，計算出每一個低分辨率特征塊稀疏表示的最優(yōu)估計值，即稀疏表示系數α；303步，利用高分辨率字典和稀疏系數，得到對應的每一個高分辨率圖像塊；304步，合成初始估計的高分辨率圖像。進一步的，步驟302中，求解稀疏系數是通過如下公式實現的：min||FDLα-Fx||22+μ||α||1,]]>其中，F為所述步驟(1)中所述的特征抽取器；求解出稀疏系數α后，即可通過y＝DHα來生成步驟303中的高分辨率圖像塊。進一步的，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際成像過程，建立對重建的高分辨率圖像的全局約束；402步，通過反向投影算法計算最終的高分辨率QRCode二維碼圖像。進一步的，步驟401中，考慮到圖像的實際降質過程，施加全局約束的目標函數為：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，與現有技術相比具有下面的優(yōu)點：由于現有的超分辨率重建方法沒有針對性，因此很難在對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知識，對其結構特征深入了解，選取針對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，可以很好的刻畫二維條碼的結構信息。同時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聯，可以很好地重建出高分辨率的二維條碼圖像。實驗表明，本發(fā)明能有效地對低分辨率的二維條碼圖像進行超分辨率重建，保留了很多二維條碼圖像的高頻信息，提高了重建的質量。附圖說明圖1為本發(fā)明的流程圖；圖2是本發(fā)明中用以字典學習的訓練樣本集；圖3是本發(fā)明在仿真實驗中使用的低分辨QRCode二維碼測試圖像；圖4是本發(fā)明在仿真實驗中得到的高分辨QRCode二維碼重建圖像；圖5是現有的雙三次差值Bicubic在實驗中得到的高分辨重建圖像；圖6是現有的Yang等人提出的方法在實驗中得到的高分辨重建圖像；圖7是現有的Polatkan等人提出的方法在實驗中得到的高分辨重建圖像。具體實施方式下面結合附圖對本發(fā)明作更進一步的說明。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，解決對低分辨率QRCode二維碼圖像的超分辨率重建問題。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，來反映QRCode二維碼圖像的結構信息，得到QRCode二維碼圖像的特征塊。然后通過字典學習算法，得到低分辨率圖像塊和對應的高分辨率圖像塊的學習字典。利用稀疏表示理論對輸入的低分辨圖像特征塊進行稀疏編碼，再結合學習字典，獲得輸入的低分辨率圖像塊對應的高分辨率圖像塊。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，實現對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、保留大量高頻細節(jié)的高分辨率QRCode二維碼圖像，適用于對QRCode二維碼圖像進行超分辨重建。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，參照圖1，本發(fā)明的具體實現步驟如下：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構信息。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)為窗口中心點坐標，gc為中心點灰度值，p為窗口內除中心點外其余點的個數。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°八個方向卷積核作用于圖像塊的結果；3)選擇水平和垂直兩個二階梯度作為另外兩個圖像特征，這兩個濾波器定義為：H1＝[1,0,-2,0,1],H2＝[1,0,-2,0,1]T.4)以上三步中提取的四個特征，共同組成QRCode二維碼圖像的特征矩陣。步驟2，學習字典的訓練，具體步驟如下：1)獲取訓練樣本集，用以訓練字典。構成字典的訓練樣本集的步驟如圖2所示。2)對訓練集中的高分辨圖像塊和低分辨圖像塊分別進行稀疏編碼，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的訓練字典，μ為正則化參數。聯合這兩個目標函數，將XL和YH的稀疏表示統一到同一個編碼框架中，再經過矩陣合并和變量替換，結果為：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。3)求解上一步中目標函數的最優(yōu)解，得到高、低分辨率字典?？梢酝ㄟ^下述方法求解：先固定DC，采用OMP算法求解稀疏表示α，再固定求解出來的α，采用K-SVD算法計算DC的最優(yōu)解，不斷重復，直至收斂。步驟3，生成高分辨QRCode二維碼圖像的初始估計，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)對每一個低分辨率圖像塊進行稀疏編碼，即min||FDLα-Fx||22+μ||α||1,]]>其中，F為步驟1中所述的特征抽取器。求解該目標函數，即可得到每一個低分辨率圖像塊稀疏表示的最優(yōu)估計值，即稀疏系數；3)通過公式y＝DHα*得到上述每一個低分辨率圖像塊對應的高分辨率圖像塊，α*即為上一步中求解出的稀疏系數。4)至此，可將上一步中得到的高分辨率圖像塊合成起來，得到經過初步估計的高分辨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)對重建的QRCode二維碼圖像施加全局約束。考慮實際的成像過程，高分辨率圖像降質成低分辨率圖像的過程一般是經過下采樣和圖像模糊的結果。由于前述步驟都是對圖像塊進行操作，缺乏對整個圖像的約束，容易使得整個圖像不自然。因此，考慮實際成像來對全局加以約束，可以獲得更貼近真實的重建結果。全局約束的目標函數可表示為：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)通過反向投影算法，計算最終的高分辨率QRCode二維碼圖像，即可得本發(fā)明對輸入的低分辨QRCode二維碼圖像的超分辨重建結果。實施例本發(fā)明的效果可以通過以下實驗具體說明：1、實驗條件：實驗所用的計算機配置為IntelCorei7/3.60GHz/8G，編程平臺為MATLABR2012b。實驗所用的QRCode二維碼測試圖像如圖3所示。2、實驗內容本實驗具體分為四個實驗：一、利用本發(fā)明對低分辨QRCode二維碼圖像進行超分辨重建，結果如圖4所示；二、利用雙三次差值Bicubic方法進行超分辨重建，結果如圖5所示；三、利用Yang等人在文獻“Yang,Jianchao,etal."Imagesuper-resolutionviasparserepresentation."ImageProcessing,IEEETransactionson19.11(2010):2861-2873.”中提出的方法對低分辨QRCode二維碼圖像進行超分辨重建，結果如圖6所示；四、利用Polatkan等人在文獻“Polatkan,Gungor,etal."Abayesiannonparametricapproachtoimagesuper-resolution."PatternAnalysisandMachineIntelligence,IEEETransactionson37.2(2015):346-358.”中提出的方法對低分辨QRCode二維碼圖像進行超分辨重建，結果如圖7所示；在實驗中，利用峰值信噪比PSNR作為指標來評價重建質量。對于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表示存儲一個像素灰度值所用的位數，對于本發(fā)明中的QRCode二維碼圖像來說，n取8。用PSNR來評價圖像質量時，其值越高，表示重建的質量越好。利用本發(fā)明和現有的另外三種方法對圖3進行放大倍數為2×2的超分辨率重建，利用PSNR指標和重建圖像的視覺效果來評價重建效果。3、實驗結果分析對圖3，本發(fā)明得到的重建結果的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，有更好的重建質量。除了PSNR指標外，我們從視覺效果方面來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于平滑，看起來模糊。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)選實施方式，應當指出：對于本
技術領域：
的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。當前第1頁1 2 3