一种Mamba网络模型的二维码图像超分辨率重建方法
本发明涉及机器视觉与图像处理,具体而言,涉及一种面向二维码图像超分辨率的小波状态空间网络及方法,用于将低分辨率二维码图像重建为高分辨率二维码图像,以提升二维码识别场景中模块边界、定位图形、时序图形和编码网格的结构完整性。
背景技术:
1、二维码图像是物流分拣、产品溯源、移动支付、电子票据、工业视觉识别和移动终端扫码等场景中的重要信息载体,其识别准确率直接影响业务流程的效率与可靠性。在远距离拍摄、低成本摄像头采集、压缩传输、运动抖动以及嵌入式扫描设备中,二维码图像容易出现空间分辨率不足、模块边界模糊、定位图形细节缺失和时序图形不连续等问题,导致解码器难以稳定定位符号区域并恢复编码矩阵。
2、现有自然图像超分辨率方法通常以视觉纹理真实感和感知质量为优化目标,而二维码图像具有严格排列的离散黑白模块、固定定位图形、校正图形、时序图形和纠错编码规则。对于二维码超分辨率而言,重建结果不仅需要视觉上清晰,更需要保持模块边界、静区边界和编码网格的几何一致性。若重建过程中产生伪纹理、边界过平滑、模块粘连或模块位置偏移,即使主观视觉效果较好,也可能破坏二维码的可解码性。
3、目前可用于二维码超分辨率的深度图像重建方法主要可概括为两类:一类为transformer类方法,通过自注意力、窗口注意力或跨窗口注意力建立远距离上下文关系,代表性研究如liang等提出的《swinir: image restoration using swin transformer》,其利用swin transformer结构提升图像恢复与超分辨率质量;另一类为普通状态空间模型类方法,即以mamba等选择性状态空间模型为基础,通过序列扫描方式建模长程依赖,代表性研究如guo等提出的《mambair: a simple baseline for image restoration withstate-space model》,其将状态空间模型用于图像恢复任务以兼顾长程建模能力和计算效率。上述两类方法均可提升一般图像的超分辨率质量,但其设计目标主要面向自然图像纹理和视觉清晰度,未充分考虑二维码作为机器可读图像的结构约束。transformer类方法容易依据通用纹理相似性传播伪纹理,窗口划分或补丁嵌入还可能破坏二维码模块的规则网格边界;普通状态空间模型类方法虽然具有较低复杂度的长程建模能力,但若直接采用通用二维扫描或固定路径展开,仍未显式区分二维码低频网格结构与高频模块边缘。与此同时,已有二维码处理研究也表明,二维码在任意拍摄角度、复杂背景和低质量采集条件下的定位与识别稳定性,是二维码处理技术中的重要问题。例如,belussi和hirata在《fast qrcode detection in arbitrarily acquired images》中针对任意采集图像中的二维码快速检测进行研究,说明二维码识别不仅依赖解码规则本身,还受到图像采集质量、定位图形清晰度和模块边界可分离性的影响;kato、deguchi、takahashi、ide和murase在《lowresolution qr-code recognition by applying super-resolution using theproperty of qr-codes》中提出利用二维码二值结构特性进行超分辨率重建以改善低分辨率识别效果。因此,仍需要一种同时兼顾低频结构保持、高频边界恢复和实际推理效率的二维码图像超分辨率技术方案,以在提升清晰度的同时保持模块几何一致性和可解码性。
技术实现思路
1、本发明的目的在于提供一种mamba网络模型的二维码图像超分辨率重建方法,以解决现有低分辨率二维码图像在超分辨率重建过程中由于未充分考虑二维码独有的结构约束,容易出现模块粘连、边界断裂、定位图形失真、时序图形不连续、伪纹理扩散以及黑白网格结构不一致,从而导致重建后的图像可解码性和识别稳定性差的技术问题。
2、为了解决上述的问题,本发明采取的技术方案如下:
3、一种mamba网络模型的二维码图像超分辨率重建方法,包括:
4、步骤s1:对输入的低分辨率二维码图像进行上采样,得到与目标分辨率尺寸一致的初始图像,将所述初始图像作为全局残差分支,并通过头部映射模块将所述初始图像映射为浅层图像特征;
5、步骤s2:对所述浅层图像特征执行离散小波变换,分解得到低频主干子带和多个方向高频子带;将所述低频主干子带输入低频结构建模模块进行处理,并将所述方向高频子带输入高频特征处理模块进行处理;通过重复执行所述离散小波变换和处理过程,获得多尺度下的低频主干特征以及对应的方向高频子带;
6、步骤s3:对各尺度下的所述方向高频子带进行通道拼接和压缩处理,得到统一高频表示;利用桥接网络对所述统一高频表示进行增强和融合后,重新拆分为增强后的方向高频子带,并将所述增强后的方向高频子带与对应尺度的所述低频主干特征共同构成跨尺度传递的桥接特征集合;
7、步骤s4:按照由深层尺度到浅层尺度的顺序,在每一级解码中将所述桥接特征集合中对应尺度的所述低频主干特征与所述增强后的方向高频子带进行拼接,通过逆小波变换恢复上一尺度空间分辨率,并经解码端高频细化模块进行边界纹理细化;逐级重复解码过程直至特征恢复至所述目标分辨率的尺寸,得到解码后的特征;
8、步骤s5:通过尾部映射模块将所述解码后的特征映射为超分辨率残差图像,并将所述超分辨率残差图像与所述全局残差分支相加,输出高分辨率二维码图像。
9、进一步地,所述低频结构建模模块采用梯度直方图先验引导的状态空间建模,具体包括:根据sobel梯度计算输入特征的梯度幅值和梯度方向,形成结构先验;根据所述梯度幅值和梯度方向对具有相似结构关系的像素或图像块进行动态排序;将排序后的序列输入状态空间建模单元进行特征增强;将所述状态空间建模单元输出的特征输入前馈网络,所述前馈网络采用多尺度深度卷积和膨胀卷积分支。
10、进一步地,所述高频特征处理模块包括全局状态空间路径和局部高频卷积路径;所述全局状态空间路径由卷积层、层归一化和视觉状态空间模块组成;所述局部高频卷积路径由深度卷积、膨胀卷积或多尺度卷积组成;所述高频特征处理模块通过逐位置软门控权重,自适应融合所述全局状态空间路径输出的特征与所述局部高频卷积路径输出的特征。
11、进一步地,所述多个方向高频子带包括水平、垂直和对角方向高频子带;对三个所述方向高频子带进行通道维拼接后,通过1×1卷积压缩为所述统一高频表示。
12、进一步地,所述桥接网络采用inception式特征前馈网络结构,包括方形卷积分支、水平条形卷积分支、垂直条形卷积分支和恒等分支;所述桥接网络还包括软门控融合单元,所述软门控融合单元用于根据二维码区域内容自适应调节各分支的增强强度进行融合。
13、进一步地,在恢复上一尺度空间分辨率的步骤中,先保留所述低频主干特征所表达的几何骨架,再将所述增强后的方向高频子带按照所述逆小波变换所需的子带顺序与所述低频主干特征进行拼接;对拼接后的特征执行所述逆小波变换,同时完成空间分辨率恢复和方向边缘回填。
14、进一步地,所述解码端高频细化模块包含状态空间模型、空间卷积和深度卷积分支,并结合门控与残差结构,用于抑制伪纹理并强化黑白跳变以分离相邻的二维码模块。
15、进一步地,在所述步骤s1中,采用四倍双三次插值对输入的所述低分辨率二维码图像进行上采样,以得到所述初始图像。
16、与现有技术相比,本发明的有益效果是:
17、(1)本发明按照二维码图像的前向处理过程,通过离散小波变换将图像特征显式分解为低频主干子带和方向高频子带并分别进行网络建模,跨尺度传递至解码端后再通过逆小波逐级融合。该设计使得模型在频域层面能够同时受低频几何骨架和方向高频边缘的共同约束,既保持了二维码整体的网格结构,又实现了局部模块边缘的精确细化,有效避免了普通网络直接上采样或简单跳跃连接容易导致的边界断裂、模块粘连和伪纹理扩散问题,大幅提升了高分辨率重建图像的清晰度和结构可解码性。
18、(2)本发明在低频分支中采用梯度直方图先验引导的状态空间建模,能够利用梯度幅值和方向对具有相似结构关系的特征进行动态排序,增强了定位图形、时序图形和数据模块之间的跨区域依赖,保障了二维码长程几何布局的完整性。
19、(3)本发明在高频分支中采用全局状态空间路径与局部高频卷积路径相融合的处理方式,通过软门控权重自适应调节,能够兼顾二维码长程结构的一致性与局部角点、细窄线条的边缘增强。
20、(4)本发明通过inception式桥接网络对方向高频特征进行多尺度增强,利用多种不同方向的卷积分支同时捕获点状角点、水平时序和垂直边缘,并根据区域内容自适应调节不同区域(如平滑静区与密集数据区)的增强强度,保证了高频细节重建的准确性。
21、(5)本发明在逐级解码过程中,先保留低频几何骨架,再将增强后的高频子带按需拼接进行逆小波变换,在恢复空间分辨率的同时完成了方向边缘回填;配合多尺度卷积进行边界纹理细化,能够强力抑制伪纹理并强化黑白跳变,有效分离相邻的二维码模块,显著提高了实际应用中的二维码定位、采样和解码稳定性。
22、为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com