Hopfield神經網絡在二維碼污損復原中的應用*

袁紅春， 侍倩倩

(上海海洋大學 信息學院，上海 201306)

?

Hopfield神經網絡在二維碼污損復原中的應用*

袁紅春， 侍倩倩

(上海海洋大學 信息學院，上海 201306)

針對傳統Hopfield神經網絡記憶功能的局限性,以Hopfield神經網絡的理論知識為依據，提出了一種改進的Hopfield神經網絡。在學習階段，通過對連接關系矩陣的修正來提高網絡的記憶能力。運用Matlab為工具，設計了一個可以對信息進行聯想記憶的網絡，實現了不同污損程度二維碼的復原。對改進前后網絡的復原結果進行了比較分析，結果表明：改進后的Hopfield神經網絡對污損二維碼的復原較好。

離散； Hopfield神經網絡； 聯想記憶； 快速反應二維碼； Matlab

0　引　言

在信息迅速發展的今天，二維碼憑其自身的高容量、高密度、高糾錯能力等優點，廣泛應用于各行各業。二維碼很大程度上改善了人們的生活方式，推動了社會現代化發展。然而在運輸，印刷過程中，二維碼容易出現污漬或損壞的情況，影響后期二維碼的識別。因此,如何對污損二維碼進行準確識別很有研究價值。

國外的研究學者對二維碼的研究主要偏向于二維碼抗破壞的研究，在文獻[1]中，提出一種被稱為HoloBarcode的二維碼，當這種二維碼圖像表面產生破損的情況下，依然能夠正確地識別二維碼中所存儲的信息。文獻[2]不僅實現了二維碼的預處理，還完成了對二維碼冗余長度的仿真。

本文利用離散型Hopfield神經網絡的聯想記憶功能對目前應用較為廣泛的QR二維碼污損圖像做了進一步研究，并討論了復原后QR二維碼的識別率。實驗結果表明，改進的Hopfield神經網絡對污損在一定范圍內的QR二維碼的復原效果較好。

1　基本理論

1.1QR二維碼

在1994年9月，日本Denso公司研制了一種新的矩陣式二維碼符號，即QR二維碼[3]。一般情況下，一個完整的QR二維碼組成結構如圖1所示。

圖1　QR二維碼結構Fig 1　QR 2D code structure

QR二維碼由特定幾何圖形根據一定的規律組合而成。文字數值等信息由這些特定的圖形表示。QR二維碼利用糾錯算法生成糾錯碼字，這些糾錯碼字添加在數據碼字之后，達到了糾錯功能。當二維碼破損在糾錯能力范圍以內時，仍能正確的識別。

二維碼的識別過程較為復雜，首先對圖像進行預處理，讀取格式信息、版本信息，消除掩膜[4]。然后糾錯碼字進行錯誤檢驗，糾正錯誤碼字后進行數據碼字譯碼，最終輸出二維碼所存儲的信息。識別流程如圖2所示。

圖2　QR二維碼識別過程Fig 2　Recognition process of QR 2D code

1.2離散Hopfield神經網絡

在1982年，Hopfield神經網絡被提出。它是一種單層的反饋網絡[5]。網絡中信號的傳遞方向不僅向前，同時信號在神經元之間也有傳遞。

Hopfield J J最早提出的網絡是二值神經網絡，神經元的輸出只取1和0，所以,也稱離散Hopfield神經網絡(discrete hopfield neural network，DHNN)[6]。

1.2.1網絡拓撲結構

DHNN結構如圖3所示。從DHNN的結構可以看出：任意神經元i與j間的突觸權值為Wij，神經元之間的聯接是對稱的，即Wij=Wji，神經元自身沒有聯接，即Wii=0。因此，DHNN采用的是對稱連接，自身沒有反饋。

圖3　離散Hopfield網絡拓撲結構Fig 3　Topology structure of discrete Hopfield network

當網絡中神經元個數為n時，網絡的學習方式如下

(1)

式中bi為閾值或偏差；yi為輸出；ui為輸入。對應神經元i的輸出狀態為

yi(t+1)=f(ui(t))

(2)

式中二值函數f可以取階躍函數u(t)或符號函數Sgn(t)。如果取Sgn(t)函數，則t+1時刻，網絡的輸出yi(t+1)取離散值1或0，即

(3)

1.2.2Hopfield網絡穩定性判斷

穩定性是網絡性能的一個重要指標。離散Hopfield神經網絡工作過程中，能量值越來越小，直至達到最小值[7]。這時網絡達到穩定狀態，輸出結果。

“能量函數”定義為

(4)

2　Hopfield神經網絡算法改進

傳統的Hopfield神經網絡存在的缺點在于神經元的值經常在振蕩，一個神經元的值減小到最小需要很多次狀態變化[8]。對于多個非正交的學習模式，無法正確的回憶。

wi,j(t+1)=wij(t)+Δwij(t)

(5)

3　實驗設計

3.1改進Hopfield神經網絡的二維碼污損復原

當Hopfield網絡進行聯想記憶時，需要先訓練網絡，確定網絡穩定時的權重，將所要學習記憶的信息保存在網絡中[9]。當網絡權值確定以后，向網絡中輸入不完整或者部分錯誤數據時，網絡可以根據記憶，輸出完整的信息。

改進Hopfield神經網絡設計步驟如下：

2)設計網絡的權值。按照改進Hopfield神經網絡算法的學習規則，計算網絡權值矩陣w。當yk(t)≠Uk時，按照公式(9)修正，直到Δwij(t)=0。

3.2思路分析

QR二維碼的版本、種類較多。由于數據量過大，不便于神經網絡實現。為了方便實驗的進行，選取版本號為1糾錯等級為L的QR二維碼作為訓練樣本(糾錯等級L水平，7 %的字碼可被修正)。測試樣均本來自訓練樣本，用畫圖工具對其進行不同程度的污損。采用Matlab來模擬離散Hopfield神經網絡對污損QR二維碼圖像進行復原。首先對樣本圖像進行灰度處理，得到灰度矩陣，通過替換灰度矩陣中的值得到標準的二值矩陣。由所得的標準矩陣按照改進后的學習規則創建神經網絡。在網絡達到平穩狀態時，假設取10個訓練樣本，每個QR二維碼由80×80的黑白圖像表示，每張圖像6400個像素點，用1表示白，0表示黑。由于標準矩陣較大，在訓練時對樣本逐列進行訓練，根據樣本數量共建立80個網絡。仿真實驗中網絡的一個神經元代表樣本一列80個像素點，一個網絡包含10個神經元(即10個穩態)，網絡對這10個穩態具有聯想記憶的功能。對污損的測試樣本進行預處理，得到標準的二值矩陣。將測試樣本的二值矩陣輸入網絡，網絡根據穩態得到的權重輸出聯想記憶向量，從而實現對污損二維碼圖像的復原。

3.4實驗結果與分析

經過改進的網絡訓練后，無法識別的二維碼圖像能正確的識別出來，識別效果較為理想。當位置探測圖形和校正圖形污損時，通過網絡訓練后能很好的復原，達到正確識別的目的，如圖4所示。由于訓練樣本的版本和糾錯等級確定后，位置探測圖形和校正圖形的位置、數量也隨之確定下來，網絡訓練后不存在偏差，因此本實驗主要針對數據區。當數據區域污損面積達12 %時，改進前和改進后網絡的訓練結果如圖5、圖6所示。

圖4　定位圖像污損仿真結果Fig 4　Simulation results of positioning image stained

圖5　改進前數據區污損12 %仿真結果Fig 5　Simulation results of data area stained by 12 % before the algorithm improved

圖6　改進后數據區污損12 %仿真結果Fig 6　Simulation results of data area stained by 12 % after the algorithm improved

表1給出了數據區不同污染率的識別情況。

表1　不同污染率識別情況

4　結束語

本文提出了一種改進Hopfield神經網絡對污損QR二維碼圖像進行復原，并進行了仿真。在學習階段，通過對連接關系矩陣進行修正，彌補了傳統Hopfield網絡學習規則對非正交學習模式無法正確回憶，提高了網絡運行效率。改進前和改進后的結果對比表明：算法改進后，污損圖像的識別效率有很大的改善。算法改進前當數據區污損面積大于15 %的時候，開始出現無法識別的情況。算法改進后，當數據區污損面積小于21 %的情況下均能正確的識別，且在污損面積小于23 %的情況下，仍有90 %的幾率正確的識別。直到污損面積大于23 %，恢復后的QR二維碼圖像識別性能較差。實驗中，仍存在一些缺點和不足，如訓練樣本和測試樣本有限制(為了實驗方便選取了版本1糾錯等級為L的QR二維碼)，且實驗中神經網絡結構設計上還有待進一步改進。因此，有待提出新的設計方法，進一步提高污損二維的識別率。

[1]Spagnolo G S,Cozzella L,Santis M D.New 2D barcode solution based on computer generated holograms:Holographic barcode[C]∥2012 the 5th International Symposium on Communications Control and Signal Processing(ISCCSP),IEEE,2012:1-5.

[2]Wakahara T,Yamamoto N.Image processing of 2-dimensional barcode[C]∥International Conference on Network-based Information Systems,IEEE Computer Society,2011:484-490.

[3]黃吉蘭．二維條碼QR Code編碼原理及實現[J]．電腦知識與技術，2013，9(12)：2904-2908．

[4]鄧瀟瀟．二維條形碼QR Code的圖像識別[J]．消費電子，2014 (2)：225-225．

[5]朱凱，王正林．精通Matlab神經網絡[M]．北京：電子工業出版社,2010．

[6]金燦．基于離散Hopfield神經網絡的數字識別實現[J]．計算機時代，2012 (3)：1-3.

[7]尹敏，蔡吳瓊．Hopfield神經網絡在字符識別中的應用[J]．電腦知識與技術，2013,9(21):4925-4928．

[8]閆玉蓮.一種改進的Hopfield神經網絡對TSP問題的求解方法[J].閩南師范大學學報:自然科學版,2014,27(3):37-43.

[9]賈花萍．Hopfield神經網絡在車牌照字符識別中的應用[J]．計算機與數字工程，2012，40(4)：85-86．

侍倩倩，通訊作者，E—mail:395933116@qq.com。

Application of Hopfield neural network in recovery of stained two-dimensional code*

YUAN Hong-chun, SHI Qian-qian

(College of Information Technology,Shanghai Ocean University,Shanghai 201306，China)

Aiming at limitations of memory function of traditional Hopfield neural network,an improved Hopfield neural network is presented based on theoretical knowledge of Hopfield neural network.Through modifying connection relations matrix in learning phase increase memory ability of network.Design a neural network with associative memory function using Matlab as tool,implement recovery of different degree of stained two-dimensional code.Recovery results of network before and after improvement are compared and analyzed,and results show that the improved Hopfield neural network is better for the recovery of stained two-dimensional code.

discrete; Hopfield neural network; associative memory; QR 2D code; Matlab

2015—10—16

上海市科委支撐計劃資助項目(14391901400)

TP 391.41

A

1000—9787(2016)08—0151—04

袁紅春(1971-),男,上海人,教授,博士,主要研究方向為神經網絡、專家系統、智能信息處理。

DOI:10.13873/J.1000—9787(2016)08—0151—04