java 实现一维条码图片识别 开发总结
花了半天时间，搞定了条码图片的分析和识别，java 实现的，容错率还是挺高的；
对不住了，最近项目太近啊，要想的事情太多了，我就只有贴代码了，代码仅供参考，只实现了EAN-13码，只要有了这个思路和去噪算法，可以扩展其他的识别算法！ 其实最关键的就是解决降噪的问题，我采用方差降噪法，算法简单，效率也高，成功率也不错！
另外关于摄像头扫描条码，google 上有个知名的开源项目，做的很好，基本上现在android 的程序都用的他；
代码如下
/**
* 用来识别EAN13方式编码的图片
* 图片高度像素必须大于 30px，宽度像素必须大于 200px
* 图片区域内只包含条码和空白部分，且左右两端的空白部分必须在 10%-20%左右
* @author tangkf
*/
public class EAN13Reader {
static int HEIGHT = 6; //截取的样本图像像素高度
static int BW_MID = 100; //判断黑白的阀值
static int [][] LEFT_TABLE_INT = new int[] []{
{3,2,1,1},{2,2,2,1},{2,1,2,2},{1,4,1,1},{1,1,3,2},
{1,2,3,1},{1,1,1,4},{1,3,1,2},{1,2,1,3},{3,1,1,2},
{1,1,2,3},{1,2,2,2},{2,2,1,2},{1,1,4,1},{2,3,1,1},
{1,3,2,1},{4,1,1,1},{3,1,2,1},{3,1,2,1},{2,1,1,3}
};
static int [][] RIGHT_TABLE_INT = new int[] []{
{3,2,1,1},{2,2,2,1},{2,1,2,2},{1,4,1,1},{1,1,3,2},
{1,2,3,1},{1,1,1,4},{1,3,1,2},{1,2,1,3},{3,1,1,2}
};
/**
* 测试
* @author tangkf
* @param args
*/
public static void main(String[] args) {
long a = System.currentTimeMillis();
String src = "f:/tm-01.jpg";
BufferedImage img = getImg(src);
long b = System.currentTimeMillis();
System.err.println("读取图片耗时："+(b-a)+" ms");
System.out.println("解码结果："+getRealValue(img));
long c = System.currentTimeMillis();
System.err.println("图片解码耗时："+(c-b)+" ms");
}
/**
* 根据条码图像区域返回条码数据
* @author tangkf
* @param img 图像区域
* @return
*/
public static String getRealValue(BufferedImage img){
int w = img.getWidth();
int h = img.getHeight();
int y = (int)(h/2);
if(y<HEIGHT){
return "无法识别的条码";
}
if(h>HEIGHT*2) y= (int)(h/2)-(HEIGHT/2); else y = 1;
StringBuffer valuestr = new StringBuffer("");
int chg = 0; //记录颜色变化次数
int gvn = 0; //记录实际取值次数（每变化一次取值一次）
int ln = 0; //记录同色连续像素的数量
int uprv= -1; //记录上次的像素取值
int xdv = 0; //参考底色，取前8个像素的颜色作为底色参考值
int[] gvalue = new int[4]; //临时记录一组数字
for(int i=0;i<w;i++){
int v = 0; //记录取值为深色的次数
//高度取HEIGHT个像素,并求平均值，如果平均值为浅色，那么取0，否则取1
for(int j=y;j<y+HEIGHT;j++){
int prgb = getValue(img.getRGB(i,j));
xdv += prgb;
if(prgb<BW_MID-80) v+=1; //累加该列为深色的像素个数
}
int rv = 0;
if(i<8){
//取参考颜色样本，默认都为0
rv = 0;
BW_MID = xdv/((i+1)*(HEIGHT)); //不断变换参考样本值
}else{
rv = v>HEIGHT/2?1:0; //n个以上的像素为深色，就表示该列为深色
}
if(rv==uprv){
ln++;
}else{
chg++; //变化次数+1
if(chg>1 && chg<6){
//起始符号
gvalue[(chg-2)%4] = ln;
if((chg-1)%4==0){
valuestr.append(getSTDValue(gvalue, LEFT_TABLE_INT));
//System.err.println(gvalue[0]+""+gvalue[1]+gvalue[2]+gvalue[3]);
}
}
if((chg>5 && chg<30)|| (chg>34 && chg<59)){
gvn++;
if(gvn%4==0){
gvalue[(gvn-1)%4] = ln;
if(gvn<=24){
valuestr.append(getSTDValue(gvalue, LEFT_TABLE_INT));
//valuestr.append(ln+ " RV:"+ getSTDValue(gvalue, LEFT_TABLE_INT) + "\n");
}else{
valuestr.append(getSTDValue(gvalue, RIGHT_TABLE_INT));
//valuestr.append(ln+ " RV:"+ getSTDValue(gvalue, RIGHT_TABLE_INT) + "\n");
}
}else {
gvalue[(gvn-1)%4] = ln;
}
}
ln = 1;
}
uprv = rv;
}
return valuestr.toString();
}
/**
* 由一组样本与基准表通过方差和的方式去噪求值
* @param mvalues
* @param STDTABLE
* @return
*/
public static int getSTDValue(final int[] mvalues,int[][] STDTABLE){
int rvalue = 0;
int fx = 0;
for(int i=0;i<STDTABLE.length;i++){
int[] svalues = LEFT_TABLE_INT[i]; //基准值
int[] xvalue = new int[4];
for(int j=0;j<mvalues.length;j++){
xvalue[j] = (int)((double)mvalues[j]/svalues[j]+0.5);
}
int tmp = getFX(xvalue);
if(i==0){
fx = tmp;
}else{
if(tmp<fx){
fx = tmp;
rvalue = i>9?i-10:i;
}
}
}
return rvalue;
}
/**
* 求一组样本数的方差和(针对所有样本数都相同的情况简化算法)
* @param numlist
*/
public static int getFX(int[] numlist){
if(numlist.length<1) return 0;
int fx = 0;
double avg = 0;
for(int i=0;i<numlist.length;i++){
avg += numlist[i];
}
avg = (int)((double)avg/numlist.length+0.5);
for(int i=0;i<numlist.length;i++){
fx += (numlist[i]-avg)*(numlist[i]-avg);
}
return fx;
}
/**
* 由色彩值返回单色信号 1 或 0
* @param rgb
* @return
*/
public static int getValue(int rgb){
int r = (rgb>>16)&255;
int g = (rgb>>8)&255;
int b = rgb&255;
double avg = 0.299*r+0.587*g+0.114*b; //判断黑白
return (int)avg;
}
/**
* 读取图片
* @param srcImg
* @return
*/
public static BufferedImage getImg(String srcImg){
BufferedImage img = null;
try {
img = ImageIO.read(new File(srcImg));
} catch (IOException e) {
e.printStackTrace();
}
return img;
}
}