Я пытаюсь сделать сканер штрих-кода в Matlab. В штрих-коде каждая белая полоса равна 1, а каждая черная полоса равна 0. Я пытаюсь получить эти полосы. Но вот проблема:
как вы можете видеть, полосы не имеют одинаковой ширины, один раз они составляют 3 пикселя ... затем 2 пикселя и т. д. ... И, что еще хуже, они также различаются по изображениям. Итак, мой вопрос. Как я могу получить значения этих баров, не зная ширины 1 бара. Или как мне дать им все одинаковую ширину. (2 одинаковых бара могут быть рядом друг с другом). Невозможно обнаружить переход между полосами, потому что возможен переход через определенное количество пикселей... а затем может быть другая полоса или та же полоса. Но поскольку невозможно узнать это определенное количество пикселей, невозможно обнаружить переход. Также невозможно работать с каким-либо окном, потому что полосы не имеют стандартной ширины. Итак, как я могу нормализовать это?
Штрих-код: 
Спасибо заранее!
Ответ 1 · рейтинг 2 · yuk
Предположим, что столбики строго вертикальны (как в вашем примере). Вот возможный рабочий процесс:
%# read the file
filename = 'CW4li.jpg';
x = imread(filename);
%# convert to grayscale
x = rgb2gray(x);
%# get only the bars area
xend = find(diff(sum(x,2)),1);
x(xend:end,:) = [];
%# sum intensities along the bars
xsum = sum(x);
%# threshold the image by half of all pixels intensities
th = ( max(xsum)-min(xsum) ) / 2;
xth = xsum > th;
%# find widths
xstart = find(diff(xth)>0);
xstop = find(diff(xth)<0);
if xstart(1) > xstop(1)
xstart = [1 xstart];
end
if xstart(end) > xstop(end)
xstop = [xstop numel(xth)];
end
xwidth = xstop-xstart;
%# look at the histogram
hist(xwidth,1:12)
%# it's clear that single bar has 2 pixels (can be automated), so
barwidth = xwidth / 2;
ОБНОВЛЕНИЕ
Чтобы получить относительную ширину полосы, мы можем разделить ширину в пикселях на минимальную ширину полосы:
barwidth = xwidth ./ min(xwidth);
Я считаю хорошим предположением, что всегда будет полоса шириной 1.
Если вы не получите целочисленное значение (например, из-за шума), попробуйте округлить числа до ближайшего целого числа и получить остатки. Вы можете суммировать эти остатки, чтобы получить оценку качества распознавания.
Некоторый алгоритм кластеризации (например, кластеризация k-mean) также может работать хорошо.
