二次Radon变换在高密度矩阵码识别中的应用

doi:10.3778/j.issn.1002-8331.2010.29.056

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (29): 192-195.DOI: 10.3778/j.issn.1002-8331.2010.29.056

• 图形、图像、模式识别 • 上一篇下一篇

二次Radon变换在高密度矩阵码识别中的应用

胡东红^1，2，马亲伟¹，汪浩¹，张玲¹，王莹¹

1.湖北大学物理学与电子技术学院，武汉 430062
2.华中科技大学数控中心，武汉 430074

收稿日期:2009-03-09 修回日期:2009-04-27 出版日期:2010-10-11 发布日期:2010-10-11
通讯作者: 胡东红

Application of high density to matrix symbology based on quadratic Radon transformation

HU Dong-hong^1，2，MA Qin-wei¹，WANG Hao¹，ZHANG Ling¹，WANG Ying¹

1.School of Physics and Electronic Technology，Hubei University，Wuhan 430062，China
2.Center of Numerical Control，Huazhong University of Science and Technology，Wuhan 430074，China

Received:2009-03-09 Revised:2009-04-27 Online:2010-10-11 Published:2010-10-11
Contact: HU Dong-hong

摘要/Abstract

摘要： 根据Radon变换的基本思想方法，提出了一种基于行差列差的二次Radon变换算法，采用该方法可以对矩阵式二维条码即使条码的模块仅占有2.3像素的情况下进行精确快速的识别，该算法主要用于高密度（亚像素级）的矩阵式二维条码QR Code，Data Matrix，Code93等二维条码的识别。

关键词: 图像处理, Radon变换, 行差列差, 二维条码

Abstract: According to the fundament of Radon transform，a new algorithm based on the quadratic transformation of row-difference and column-difference is proposed.By adopting this algorithm，the module of two-dimensional symbology can be recognized rapidly and accurately，even though the minimum module of the barcode is about only 2.3 pixels in size.This algorithm can be used in the two-dimensional matrix symbology with the level of high density（subpixel），such as QR Code，Data Matrix，and Code93.

Key words: image processing, Radon transform, row-difference and column-difference, two-dimensional symbology

中图分类号:

TP391

胡东红^1，2，马亲伟¹，汪浩¹，张玲¹，王莹¹. 二次Radon变换在高密度矩阵码识别中的应用[J]. 计算机工程与应用, 2010, 46(29): 192-195.

HU Dong-hong^1，2，MA Qin-wei¹，WANG Hao¹，ZHANG Ling¹，WANG Ying¹. Application of high density to matrix symbology based on quadratic Radon transformation[J]. Computer Engineering and Applications, 2010, 46(29): 192-195.

[1]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[5]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[6]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[7]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[8]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[9]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[10]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[11]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[12]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[13]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[14]	王凡，周国清，张荣庭，刘德全. 面向FPGA的连通域快速标记方法[J]. 计算机工程与应用, 2020, 56(22): 230-235.
[15]	潘卫华，杜旭. 基于改进自适应权重的三边滤波立体匹配算法[J]. 计算机工程与应用, 2020, 56(18): 186-192.

二次Radon变换在高密度矩阵码识别中的应用

Application of high density to matrix symbology based on quadratic Radon transformation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics