QRCode解码实现（实验报告一）

最新推荐文章于 2024-08-24 07:31:24 发布

fwyynl

最新推荐文章于 2024-08-24 07:31:24 发布

阅读量3k

点赞数

分类专栏： python 文章标签： python opencv

本文链接：https://blog.csdn.net/qq_37003230/article/details/83508664

版权

python 专栏收录该内容

12 篇文章 0 订阅

订阅专栏

二维码识别原理：

可以从任意方向读取

QR码从360°任一方向均可快速读取。其奥秘就在于QR码中的3处定位图案，可以帮助QR码不受背景样式的影响，实现快速稳定的读取。

这里写图片描述

https://blog.csdn.net/u012611878/article/details/53167009

1.先用imread（）方法读入图像

第一个参数是路径第二个参数是灰度或彩色图像

0是灰度 1 是彩色

#1.读入图片
img = cv2.imread("barcode1.png",1)#值为0，读入灰度图
img_g = cv2.imread("barcode1.png",0)
#显示图片
cv2.imshow('img_gray',img_g)

得到灰度图

彩色图

2.转换为灰色空间

cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

效果和上文灰度图一样效果。

cvtColor方法中第二个参数转换

函数的作用是将一个图像从一个颜色空间转换到另一个颜色空间，但是从RGB向其他类型转换时，必须明确指出图像的颜色通道，前面我们也提到过，在opencv中，其默认的颜色制式排列是BGR而非RGB。所以对于24位颜色图像来说，前8-bit是蓝色，中间8-bit是绿色，最后8-bit是红色。
opencv中有多种色彩空间，包括 RGB、HSI、HSL、HSV、HSB、YCrCb、CIE XYZ、CIE Lab8种

3.提取边缘

edges=cv2.Canny(img_gray,100,200)

结果图

Canny边缘检测算法处理流程：

1) 使用高斯滤波器，以平滑图像，滤除噪声。

2) 计算图像中每个像素点的梯度强度和方向。

3) 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

4) 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

5) 通过抑制孤立的弱边缘最终完成边缘检测。

http://www.cnblogs.com/techyan1990/p/7291771.html

（1）gauss filter

高斯卷积核

图像处理：用一个模板和一幅图像进行卷积，对于图像上的一个点，让模板的原点和该点重合，然后模板上的点和图像上对应的点相乘，然后各点的积相加，就得到了该点的卷积值。对图像上的每个点都这样处理。由于大多数模板都是对称的，所以模板不旋转。卷积是一种积分运算，用来求两个曲线重叠区域面积。可以看作加权求和，可以用来消除噪声、特征增强。

把一个点的像素值用它周围的点的像素值的加权平均代替。

卷积是一种线性运算,图像处理中常见的mask运算都是卷积，广泛应用于图像滤波。

卷积在数据处理中用来平滑，卷积有平滑效应和展宽效应.

https://blog.csdn.net/weixin_39124778/article/details/78411314卷积核和模糊（平滑）详解（计算过程）
（2）Gx Gy梯度

（4）强弱边缘

（5）孤立点边缘

通过查看弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘点就可以保留为真实的边缘。

4.边缘嵌套轮廓提取

img_fc, contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE）

contours返回的是每个轮廓的点坐标

下面具体解释下hierarchy输出的矩阵参数的意义
其输出矩矩阵大小为NXM，其中N为轮廓的个数，M恒等于4，也就是说每一行的4个数，能够表示出轮廓间的相互关系，那么具体是怎样表示的呢

第一个数：表示同一级轮廓的下个轮廓的编号，如果这一级轮廓没有下一个轮廓，一般是这一级轮廓的最后一个的时候，则为-1

第二个数：表示同一级轮廓的上个轮廓的编号，如果这一级轮廓没有上一个轮廓，一般是这一级轮廓的第一个的时候，则为-1

第三个数：表示该轮廓包含的下一级轮廓的第一个的编号，假如没有，则为-1

第四个数：表示该轮廓的上一级轮廓的编号，假如没有上一级，则为-1

edge图可以看出有5个嵌套的是二维码

for i in range(len(contours)):#contours储存轮廓点坐标，几个轮廓
    k = i
    c = 0
    while hierarchy[k][2] != -1:
        #hierarchy每个元素中第三个参数表示是否有嵌套，子轮廓编号，-1即是没有
        k = hierarchy[k][2]
        #找到子轮廓继续向下一层找
        c = c + 1
    if c >= 5:
        found.append(i)#找到有5个子轮廓的最外层轮廓编号

定位了外轮廓

5.绘制三个小矩形的外界矩形

（1）普通轮廓

cv2.drawContours(img_dc, contours, i, (0, 255, 0), 2)

（2）最小外接矩形

举例画一个任意四边形的最小外接矩形，其中 cnt 代表该四边形的4个顶点坐标（点集里面有4个点）

cnt = np.array([[x1,y1],[x2,y2],[x3,y3],[x4,y4]]) # 必须是array数组的形式

rect = cv2.minAreaRect(cnt) # 得到最小外接矩形的（中心(x,y), (宽,高), 旋转角度）
box = cv2.cv.BoxPoints(rect) # cv2.boxPoints(rect) for OpenCV 3.x 获取最小外接矩形的4个顶点
box = np.int0(box)

QRMatrix（）类方法

****通用方法详解

cv2.waitKey(0)

cv2.waitKey() 是一个键盘绑定函数。需要指出的是它的时间尺度是毫
秒级。函数等待特定的几毫秒，看是否有键盘输入。特定的几毫秒之内，如果
按下任意键，这个函数会返回按键的ASCII 码值，程序将会继续运行。如果没
有键盘输入，返回值为-1，如果我们设置这个函数的参数为0，那它将会无限
期的等待键盘输入。它也可以被用来检测特定键是否被按下，例如按键a 是否
被按下，这个后面我们会接着讨论。

？？？？？？sys argv参数输入总是出错