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。

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：

找到條形碼的位置，而去除掉干擾的因素。

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！

西安盛圖科技

高端IT培訓(xùn)第一品牌