该博客介绍了在条形码区域检测中，放弃形态学方法，转而利用条形码的梯度方向信息。通过将图像分割成小块并分析每个块的方向，找到充满条形码信息的块，再合并这些块来确定条形码区域。文章展示了将图像以200x200像素分割的效果，并提及实际应用中不必设置如此大的块。区域分块代码段解释了如何根据指定尺寸分割图像。
基于OpenCV的条形码区域检测（三）
根据 基于OpenCV的条形码区域检测（二） 中的测试结果可以得知，基于形态学的条形码区域检测是十分不可靠的。所以就考虑到了不使用形态学的方法，改为利用条形码的方向信息
上图是一张Code128码的图像(白底黑码)，根据它的梯度图可以看到它在条码条带边缘的强度特别高(根据Sobel算子得到的X方向的梯度gx，Y方向的梯度gy，那么该像素点上的强度就是 sqrt(gx^2 + gy^2) ，再通过对其进行归一化于[0,255]的灰度值的区间内的表现就为强度越高就越亮，在图像上的表现就为白色)。
根据这个想法，如果我们将一张图片分成特别多的小区块，然后再观察每个区块内的方向信息，如果区块尺寸合适，那么将会出现条码区域完全充满一个区块内，如果我们能够得知那些小的区块是条码区域的话，只要将这些小区块合并起来，那么得到的区域就是条码区域了！
上图就是将一张500W像素的图像以200×200的区块大小分割的效果，已经可以看到想要的效果了，这里为了展示故而将区块尺寸设置的偏大，在实际运用中并不需要设置的这么大。
上图可以看到条码区域的效果非常的好，当然上图并不是简单地将将分块后的图进行Sobel强度计算然后再Threshold那么直接，具体的操作在后面会详细地解释。
区域分块代码：
最低0.47元/天 解锁文章
扫一扫
628
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
