QuaggaJS在给定图像中定位条形码的工作原理
这篇博文将介绍QuaggaJS在给定图像中定位条形码的工作原理，QuaggaJS是一种用JavaScript编写的高级条形码读取器。gitHub地址
在下面的图片中，蓝色矩形突出显示了条形码的位置，并显示了一条红线，说明扫描成功。这篇博文将介绍蓝色矩形及其确定方式。
一、介绍
条形码定位器的主要目的是在图像中找到看起来像条形码的图案。条形码通常以黑条和中间的空白为特征。条形码的整体大小取决于编码信息的数量（Code128）；但是，条形码也可以固定宽度（EAN13）。
二、步骤
1. 创建图像的二进制表示
创建一个二进制图像（需要条形码与背景的分离效果较好）
最简单的方法是将全局阈值设置为127，并为每个像素确定比阈值亮（> =
127）还是暗（<127）。尽管此方法可能是最简单的实现方法，但结果通常并不令人满意，因为它没有考虑整个图像的照度变化。为了解决图像中亮度的变化，Otsu的方法更好一些，该方法对源图像的直方图进行操作，并尝试将前景与背景分离。
2. 将图像切成网格（20 x 15个单元）
二进制图像作为一个整体没有提供太多有关其内容的信息。为了理解图像中包含的结构，必须将图像分成较小的部分，然后将其相互独立地描述。并将所得的描述与我们的假设**（彼此接近且方向相似的直线）**进行比较，并考虑将其作进一步处理或丢弃。
当假定图像的长宽比为4：3时，将二进制图像切成20 x 15个单元的网格工作良好。
检测每一行中小格中的线，如果大多数线彼此平行，则将计算平均角度。
3. 提取每个细胞的骨架
首先将宽度标准化为1px，这是借助称为骨架化的方法完成的。 此方法尝试消除每个条形的重量。只要有未处理的像素，我就可以通过连续腐蚀和膨胀内容来实现此任务。
该图像清楚地显示了条形码的位置，并且代码条减小到了其最小宽度1px。 由于算法的特性，在条形码的边界上引入了一些伪像。但是，这应该不会给我们带来太大的麻烦，因为我们允许正在处理的数据中存在一定的错误。
- 将骨架分成几部分
- 组件标签
- 计算每个零件的旋转
- 确定电池质量（旋转均匀性）
- 查找旋转相似的连接单元
- 创建连接单元的边界框
4. 组件标记
为了确定每个单元格是否包含平行线，必须将骨架化内容（理想情况下包含感兴趣区域的直线）分离为单独的片段（线）。这可以通过应用一种称为连接组件标记的技术来实现，该技术将给定的区域分割成单独的元件。在条形码模式的情况下，一个单元格中的所有行都被分割成一行，然后通过它们的旋转来加权。
由于组件标记在计算方面通常相当昂贵，因此快速算法对于创建实时应用程序至关重要。经过一定的研究，我找到了Fu Chang，Chun Jen Chen和Chi Jen Lu在CodeProject上的论文“基于轮廓跟踪技术的线性时间分量标注算法”的一个实现。
应用组件标记算法后，结果如图：
如前所述，每一个细胞都是单独处理的，这就是为什么每一种颜色在整个细胞中重复使用的原因。单元中每个组件的颜色都是唯一的，表示算法给定的标签。下图显示了两个提取单元的放大版本。左一个表示可能的条形码区域，而右一个不包含太多，但噪声。
每个标签可以被视为条形码模式的可能条。为了能够对这种表示进行分类，需要计算每个条的定量值，然后将其与其他组件进行比较。
5. 确定组件的方向
单元内单个元件的方向由中心图像矩计算。这种方法通常用于提取有关二值图像方向的信息。在这种情况下，二值图像由标记的组件表示。每个分量都可以看作是它自己的二值图像，其中的中心图像矩可以被计算出来。
如下式所示，二值图像的方向（表示为θ）可由其中心矩（μ）确定。
根据原始矩阵M，质心(x,y) 等计算，由于我们需要高达二阶的图像矩，下面的列表显示了每个矩的计算。x和y上的和表示整个图像上的迭代，而I（x，y）表示x，y位置的像素值。在这种情况下，值可以是0或1，因为我们在二值图像上操作。
在此步骤之后，将为每个组件指定一个具有确定角度值的属性。
6. 测定细胞质量
现在，每个单元都包含具有各自方向的组件，我们可以开始根据这些属性对单元进行分类。
首先，不含或只含一种成分的细胞被立即丢弃，不用于进一步加工。此外，未覆盖至少6px（M00）的组件不包括在有关受影响单元的任何后续计算中。此预过滤列表用作确定单个单元中组件角度均匀性的基础。
对于条形码，单元格中的每个组件应彼此平行。但是，由于噪声、失真和其他影响，情况并非总是如此。
应用简单的聚类技术，找出包含条形码模式的组件之间的相似性。首先，对所有的角度按一定的阈值进行聚类，然后选择成员数最多的聚类。只有当这个簇的成员大小大于初始集的3/4时，这个单元才被认为是条形码模式的一部分。
从现在起，此单元格称为修补程序，其中包含以下信息：
- 索引（网格中的唯一标识符）
- 定义单元的边界框
- 所有组件及其相关力矩
- 平均角度（从簇计算）
- 指向方向的向量
下图突出显示了分类为条形码模式的补丁（单元）。
从上图中可以看出，有些细胞被错误地归类为条形码模式的一部分。只需找到相邻区域（由多个细胞组成）并丢弃所有剩余区域，即可检测到这些假阳性。
7. 查找连接的单元格
基本上，细胞可以被认为是条形码的一部分，如果他们是邻居和共享共同的属性。这个分组是通过一个简单的递归组件标记算法来完成的，该算法使用方向相似性进行操作。
为了将组件视为标签的成员，其向量必须指向与其相邻向量相同的方向。考虑到变形和其他几何影响引起的偏差，方向偏差可高达5%。下图显示了连接的单元格，其中颜色定义了到特定组的链接。
唯一一组包含多个块的是黄色块。有时甚至相邻细胞的颜色也不同。如果这些组件块的方向差异过大（>5%），就会发生这种情况。
8. 选择组
接下来，我们将尝试识别那些最有可能包含条形码的组。由于一个图像中可以同时存在多个条形码，因此首先对组进行排序，然后根据其成员数（补丁）进行过滤。
在该示例中，仅黄色区域保留下来了，进入下一步骤；
8. 创建边界框
最后，可以获得概述条形码位置所需的所有信息。在最后一步中，将创建一个最小边界框，该边界框跨越一个组中的所有补丁块。首先，计算包含补丁块的平均角度，然后用该平均角度旋转细胞。然后，通过使用所有补丁块的最外角来计算边界框。
最后，将边界框反向旋转以将其变换回原点。结果如下图所示。
如上图所示，边界框正好位于打印条形码图案的位置。
感谢你阅读我的阅读，我希望你喜欢它，就像当我学习新事物时感受到的每一次乐趣。