[发明专利]一种基于CNN的QR码寻像图形缺陷恢复方法

说明书

本发明公开了一种基于CNN的QR码寻像图形缺陷恢复方法，包括以下步骤：输入寻像图形缺失或者缺损一处的QR码灰度图，以无损的QR码灰度图作为标签，训练卷积神经网络；得到六层结构的卷积神经网络；将待恢复的图片输入到训练完成的卷积神经网络；经过处理可以得到寻像图形完整的QR码。该方法不需要额外的图片预处理，不用根据QR码版本号精心设计算法，简洁方便，易操作，恢复效果好，适应能力强。

技术领域

本发明涉及QR码领域，特别地，涉及一种基于CNN的QR码寻像图形缺陷恢复方法。

背景技术

目前对于QR码的寻像图形缺失其中一处的情况，手机等其他终端依然无法识别，对于目前现有公开的一些涉及这种寻像图形缺失一处情况的恢复处理的专利都是基于对QR码的结构的深入解析以及根据QR码版本号精心设计的算法来进行的。这一处理过程复杂，不易操作，恢复效果又不够好。

发明内容

为了克服现有技术的不足，本发明提供一种简洁方便，易操作，恢复效果好的基于CNN的QR码寻像图形缺陷恢复方法。

本发明解决其技术问题所采用的技术方案是：

一种基于CNN的QR码寻像图形缺陷恢复方法，包括以下步骤：

S1：输入寻像图形缺失或者缺损一处的QR码灰度图，以无损的QR码灰度图作为标签，训练卷积神经网络；

S2：得到六层的卷积神经网络；

S3：将待恢复的QR灰度图放入到六层的卷积神经网络之中；

S4：将每一层的输出结果进行处理；

S5：得到无缺损的QR码灰度图像。

优选地，所述六层的卷积神经网络前三层为卷积层和后三层为转置卷积层,前三层的卷积层将图片逐层变小，后三层的转置卷积层再将图片逐层变大。

优选地，所述卷积层和转置卷积层输出的结果分别进行批归一化和LeakReLU激活函数处理，收敛速度快，过程简单。

本发明的有益效果：

由上述方案可知，输入寻像图形缺失或者缺损一处的QR码灰度图，以无损的QR码灰度图作为标签，训练卷积神经网络，得到六层结构的卷积神经网络。将待恢复的图片输入到训练完成的卷积神经网络，经过处理可以得到寻像图形完整的QR码。该方法不需要额外的图片预处理，不用根据QR码版本号精心设计算法，简洁方便，易操作，恢复效果好，适应能力强。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明QR码结构图；

图2是本发明所用的卷积操作示意图；

图3是本发明所用的转置卷积操作示意图。

具体实施方式

参照图1、图2、图3，一种基于CNN的QR码寻像图形缺陷恢复方法，包括以下步骤：

一种基于CNN的QR码寻像图形缺陷恢复方法，包括以下步骤：S1：输入寻像图形缺失或者缺损一处的QR码灰度图，以无损的QR码灰度图作为标签，训练卷积神经网络；

S2：得到六层的卷积神经网络；

S3：将待恢复的QR灰度图放入到六层的卷积神经网络之中；

S4：将每一层的输出结果进行处理；

S5：得到无缺损的QR码灰度图像。

CNN为卷积神经网络的缩写，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。