基于OpenCV的條形碼檢測
發(fā)布時間:2021-05-27 15:02:29
在日常生活中,經(jīng)常會看到條形碼的應(yīng)用,比如超市買東西的生活,圖書館借書的時候... ...
那么這些東西是如何做到準(zhǔn)確檢測出條形碼的位置呢?
這就是今天要介紹的內(nèi)容了。
這篇文章的目標(biāo)是演示使用計算機視覺和圖像處理技術(shù)實現(xiàn)條形碼的檢測。
通過本篇文章的學(xué)習(xí),我們能學(xué)到的內(nèi)容包括:
1、圖像處理中常用的一些操作流程,包括濾波、閾值化處理、膨脹、腐蝕和輪廓查找等
2、更重要的一點,希望通過這個案例,能夠幫助大家建立分析問題和處理問題的思路
需要注意的是,這個算法并不適用于所有的條形碼,但是它應(yīng)該能給你一個基本的直覺,告訴你應(yīng)該應(yīng)用什么類型的技術(shù)。
對于下面這個例子,我們將檢測下圖中的條形碼:
目標(biāo):
找到條形碼的位置,而去除掉干擾的因素。
思路:
利用條形碼的自身特點,一般都是矩形形狀,而且條碼的條帶是黑色的,矩形區(qū)域是白色的。
首先,需要搭建好需要的開發(fā)環(huán)境,Opencv,Qt5.9或Vs2017。
接下來寫代碼:
首先將需要的頭文件添加到項目中,并將要識別的圖片路徑添加進來。
接下來進行實際的圖像處理:
首先我們先讀入圖片并將其轉(zhuǎn)換為灰度圖;
然后我們使用Scharr操作符去構(gòu)造圖片在水平和垂直方向上的梯度幅值表示。
這里,我們用Scharr算子的x方向梯度減去y方向的梯度。通過這個相減操作,我們就只剩下了高水平梯度和低垂直梯度的圖像區(qū)域。
我們上述原始圖像的梯度表示如下圖所示
請注意梯度操作是如何檢測出圖片的條形碼區(qū)域的。接下來的步驟是如何過濾掉圖片中的噪聲,重點關(guān)注條形碼區(qū)域。
我們做的第一件事是使用一個卷積核大小為9x9的均值濾波作用于梯度圖片。對圖片進行這個操作將有助于平滑圖片中的高頻噪聲。
然后我將模糊化后的圖片進行閾值化,在梯度圖片中,所有的像素點的灰度值低于120的將設(shè)為0(黑色),其余設(shè)為255(白色)。
模糊和閾值化處理后的輸出結(jié)果如下:
然而,正如你所看到的上圖閾值化圖片,在條形碼的垂直方向上存在這間隙。為了縮小這些間隙,并使得我們的算法更加容易的檢測出條形碼的“斑點”狀區(qū)域,我們需要執(zhí)行一些基礎(chǔ)的形態(tài)學(xué)操作:
我們通過使用函數(shù)cv2.getStructuringElement構(gòu)造一個矩形核。這個核的寬度大于高度,因此允許我們縮小條形碼垂直條帶之間的間隙。
當(dāng)然,現(xiàn)在圖片中非條形碼的區(qū)域存在著很多斑點,這將會干擾輪廓的檢測。
現(xiàn)在,我們繼續(xù)嘗試移除這些小的斑點。
我們現(xiàn)在要做的是進行6次腐蝕操作,然后再進行6次膨脹操作。腐蝕操作將會“腐蝕”掉圖片中的白色像素點,因此將會清除這些小的斑點,而膨脹操作將會“擴張”剩余的白色像素,并使白色區(qū)域變長。
如果在腐蝕過程中去除了小的斑點,則在膨脹的過程中不會再次出現(xiàn)。
在一系列的腐蝕和膨脹操作之后,這些小斑點已經(jīng)被成功的移除了,只剩下條形碼的區(qū)域。
最后尋找一下圖片中條形碼的區(qū)域的輪廓。
幸運的是,OpenCV中提供了相應(yīng)的接口,可以很容易地找到圖像中的最大輪廓,如果我們正確地完成了圖像處理步驟,它應(yīng)該會對應(yīng)于條形碼區(qū)域。
然后,我們確定最大輪廓的最小的邊界框,并最后顯示檢測到的條形碼。
正如我們下圖所示,我們已經(jīng)成功的檢測到條形碼
這樣,條形碼的檢測就已經(jīng)完成了!
想了解更多嵌入式知識就來西安盛圖科技!
- 上一篇:Android 界面布局-LinearLayout
- 下一篇:什么是去中心化