基于深度学习的二维条码图像超分辨方法技术

本发明专利技术涉及一种基于深度学习的二维条码图像超分辨重建方法，采用生成模型G和判别模型D组成的网络作为二维条码图像重建的模型。对于生成模型G设计了残差密度块，并且去除了块内的批规范化操作BN。判别模型D采用深度卷积网络。本发明专利技术还引入了损失和EM距离对损失函数进行了优化。在建立的训练样本集下训练网络，训练完成后将需要进行超分辨重建的低分辨率二维条码图像输入到训练好的生成模型G中，生成模型G会输出相对应的超分辨率二维条码图像。本发明专利技术通过对网络模型的搭建和损失函数的优化，得到更优的网络结构，从而提高了低分辨率二维条码图像的超分辨重建的质量。

【技术实现步骤摘要】
基于深度学习的二维条码图像超分辨方法
本专利技术涉及人工智能和图像处理领域，具体涉及一种基于深度学习的二维条码图像超分辨方法。
技术介绍
二维条码是用按一定规律分布的黑白相间的几何图形间的组合来记录数据符号和信息的，而且在编码上巧妙的与计算机内部的逻辑基础0和1的比特流概念结合，使用与二进制相对应的几何形体组合表示文字数值信息，然后在通过条码识别技术识别条码信息，从而达到信息的识读。同时二维条码具有信息容量大、可靠性高保密防伪性强、易于制作、陈本低廉等优点。在科学技术快速发展的形势下,二维条码技术作为数据自动采集的手段被广泛的应用于物流仓储、工业盘点、服装行业、移动支付类、通道闸机、小区门禁和智能家居设备等地方。但是也存在着一些问题，比如，在采集二维条码图像进行识别的时候，因为采集的图像分辨率不足，导致难以识别。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于深度学习的二维条码图像超分辨方法，搭建的网络模型有利于网络结构学习到更多的二维条码图像细节特征，能够更好的将低分辨的二维条码图像重建成清晰的二维条码超分辨图像本文档来自技高网...

【技术保护点】
1.一种基于深度学习的二维条码图像超分辨方法，其特征在于，包括以下步骤：/n步骤S1:采集具有高分辨率的二维条码图像，并进行预处理，得到训练集和测试集；/n步骤S2:构建用于二维条码图像超分辨重建的卷积神经网络模型，并优化损失函数；/n步骤S3:根据训练集训练优化后的卷积神经网络模型；/n步骤S4：将待超分辨重建的低分辨率二维条码图像输入到训练好的卷积神经网络模型，得到重建后的超分辨率二维条码图像。/n

【技术特征摘要】
1.一种基于深度学习的二维条码图像超分辨方法，其特征在于，包括以下步骤：
步骤S1:采集具有高分辨率的二维条码图像，并进行预处理，得到训练集和测试集；
步骤S2:构建用于二维条码图像超分辨重建的卷积神经网络模型，并优化损失函数；
步骤S3:根据训练集训练优化后的卷积神经网络模型；
步骤S4：将待超分辨重建的低分辨率二维条码图像输入到训练好的卷积神经网络模型，得到重建后的超分辨率二维条码图像。


2.根据权利要求1所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述步骤S1具体为：
步骤S11:采集二维条码图像，并筛选掉模糊的二维条码图像，整理出具有高分辨率的二维条码图像；
步骤S12:根据得到的具有高分辨率的二维条码图像，将预设比例的图像作为真实二维条码图像即训练集；将剩余的图像通过下采样得到对应的低分辨率的二维条码图像即为测试集；
步骤S13:将训练集中的图像做若干角度的翻转，得到扩大N倍的训练集。


3.根据权利要求1所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述用于二维条码图像超分辨重建的卷积神经网络模型由生成模型G和判别模型D两部分组成。


4.根据权利要求3所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述生成模型G包括五个模块的内层卷积、16个残差密度块、PRelu激活函数；且残差密度块之间运用了密度连接方法指导信息传递，块与块之间用残差学习的方法，并去除了块内的批规范化操作BN。


5.根据权利要求3所述的基于深度学习的二维条码图像超分辨方法，其特征在于：所...

【专利技术属性】
技术研发人员：何炳蔚，张清何，胡自添，张立伟，林立雄，陈彦杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35