摘要：在利用条码标尺定位测量的数字水准仪中，标尺条码图像的正确识别是实现水准测量的前提。远视距条码图像模糊严重，在直接利用边缘检测法识别条码失效时，首先对条码图像信号进行复原是必要的。采用正则化信号复原算法，并根据条码信号的特点，构建惩罚项抑制解的高频振荡。实验表明：用本文算法对条码信号复原后再进行识别，实现了视距为 62m 的正确水准测量，并达到了相当的精度。
引 言
数字水准仪是在自动安平水准仪的基础上发展起来的，它采用编码型条码标尺代替传统的刻线标尺，在仪器内装有图像传感器和数字图像识别处理系统对视场中的条码标尺图像进行识别定位，计算出水准仪水平轴对应于标尺的高度，从而实现水准测量。目前常用的条码识别的方法是对条码信号进行边缘检测[1][2]。在数字水准仪中，由于光学系统的视场角是固定的，为保证视距较小时视场中有足够的条码样本数，标尺上的条码图像的条空宽度不能太大。因此，当视距较大时，经过光学系统点扩散函数的卷积作用后，不仅条码信号的边缘模糊不清，而且相邻边缘的相互叠加将使得条码信号的边缘出现偏移现象[3]，导致直接利用边缘检测法进行条码识别时会出现很大的误差，甚至失效。如图 1 所示为视距 L=39m 时的数字水准仪图像传感器获得的条码标尺图像及其归一化信号，此时，直接使用边缘检测法已不能正确识别条码图像，因此，必须对条码信号进行复原。
1 条码图像信号复原算法
条码图像是由一系列不同宽度的条(黑色区域)和空(白色区域)组成的，因此，理想条码信号可表示为
式中P(u)称为惩罚函数。根据正则化原理：P(u)越小，则对高频振荡的抑制作用越强，即对信号的平滑作用越强，反之则越弱。因此需要选取合适的惩罚函数，使得在边缘区域不起平滑作用，而在非边缘区域有较强的平滑作用。
首先，利用信号的梯度来决定是否对信号进行平滑处理，即当| u|很小时，认为是理想信号的连续区域，应进行较大的平滑处理，当| u|较大时，认为是理想信号的边缘区域，应该不作平滑。由于条码信号为一维信号，因此惩罚函数的第一项可以为ε1(u′(x))2，其中 u′(x)表示 u 对 x 的导数，ε1为一正常数。
另外，根据条码信号的特点：条码信号值越接近0 或1 的地方，平滑作用应该越强，反之，在信号值越接近0.5 的地方，平滑作用应该越弱。因此，必须找一个在[0，1]上的连续函数(u)，满足
2 条码图像信号复原结果
实验时，先将数字水准仪图像传感器采集到的256 级灰度图像信号进行归一化，用F(x)表示256 级灰度图像信号，则归一化信号
式中min 和max 分别表示取最小值和最大值。
利用前面论述的复原方法对归一化后的条码图像信号进行复原。实验所用标尺上条码最小宽度为 1mm，最大宽度为9mm，数字水准仪光学系统有效口径为 3cm，焦距为 28cm。初始估计信号 u0可用观测信号 f(x)代替，点扩散函数宽度的初始估计
实验用Matlab 编制复原程序，程序中用“profile”命令进行计时，算法中的参数取值如表 1 所示。图 1所示的视距 L=39m 时的条码图像信号经本文算法复原后的复原结果如图2 所示，复原程序运行时间为0.58s。复原算法中误差品质随迭代次数的变化如图 3 所示，从图中可以看出，只需迭代 15~20 次就能满足复原精度要求。图 4 为视距 L=62m 时的原始条码图像信号与复原结果。
从图中可以看出：复原后的条码图像比原始图像要清晰得多，利用边缘检测法可以很容易地对条码进行识别与定位，且复原程序运行时间能够满足水准测量的要求。
3 水准测量实验结果
水准测量实验时，利用螺旋测微器(最小分度值为 0.01mm)调节条码标尺的垂直高度，对条码标尺图像分别进行直接识别定位和用本文中算法复原后再识别定位，计算出水准读数(数字水准仪水平视线对应于条码标尺的高度)h。视距 L=39m 时进行了 7 次水准测量实验，每次将标尺上升 H=2.000mm，实验结果如表2 所示，表中 h 指相邻水准读数之差。表中直接识别定位得到的 h 出现了与 H 不一致的值，说明此时对条码标尺图像直接识别定位已经失效;而用本文中的算法对条码标尺复原后再进行识别定位得到的 h 与 H 完全相符，其最大误差为 0.05mm，标准偏差为 0.03mm。视距 L=62m 时进行了 12 次水准测量实验，实验结果如表3 所示，此时，对条码标尺图像直接识别定位已经完全失效;而对条码标尺复原后再进行识别定位得到的h 与 H 仍然完全相符，其最大误差为0.12mm，标准偏差为0.07mm。
4 结 论
数字水准仪是利用边缘检测法对条码标尺图像进行识别定位来实现水准测量的。但直接对由图像传感器采集到的条码图像进行边缘检测只能实现视距小于 30m 时的水准测量。采用本文的条码信号复原技术后，使得视距达 62m 时仍能实现水准测量，对提高数字水准仪的精度和测量视距范围有较大的实用价值。
参考文献：
[1] Eugene Joseph，Theo Pavlidis. Waveform recogNItion with applic ation to bar CODes[A]. IEEE System，Man，andCybernetics Proceedings[C]. Charlottesville，Virginia，USA：IEEE，1991. 129-134.
[2] Theo Pavlidis，Jerome Swartz，Ynjiun P.Wang. Fundamentals of bar code information theory[J]. IEEE Computer，1990，23(4)：74-86.
[3] Eugene Joseph，Theo Pavlidis. Deblurring of Bilevel Waveforms[J]. IEEE Transaction on Image Processing，1993，2(2)：223-235.
[4] Wiliam Turin，Robert A.Boie. Bar Code Recovery via the EM Algorithm[J]. IEEE Transaction on Signal processing，1998，46(2)：354-363.
[5] 邹谋炎. 反卷积和信号复原[M]. 北京：国防工业出版社，2001.ZOU Mou-yan. Deconvolution and Signal Recovery[M]. Beijing：National Defence industry Press，2001.
[6] Selim Esedoglu. Blind deconvolution of bar code signals[J]. Inverse Problems，2004，20：121-135.
作者简介：王凤鹏(1981-)，男(汉族)，江西石城人，南京理工大学硕士毕业，主要研究方向：光电图像信号处理与应用。E-mail：wangfengpeng9201@sina.com
