改進Niblack算法的光照不均勻QR碼識別研究

李 健，申利未，胡雅婷※，李瑞釗，任虹賓，丁小奇

改進Niblack算法的光照不均勻QR碼識別研究

李 健1,2，申利未1，胡雅婷1,2※，李瑞釗1，任虹賓1，丁小奇1

（1. 吉林農業大學信息技術學院，長春 130118；2. 吉林省生物信息學研究中心，長春 130118）

QR碼作為農產品可追溯體系的信息載體，一直是農業領域的科研熱點。在實際應用中，溯源環境的復雜多變易使設備采集到光照不均勻的QR碼圖像而增加解碼流程中二值化的難度，影響后續解碼。該文針對原始Niblack算法自適應性不足的缺陷，提出一種自適應鄰域窗口和修正系數的Niblack算法，該算法依據QR碼圖像的分辨率和灰度值，動態調整修正系數和鄰域窗口，進行自適應二值化處理。分別用改進Niblack算法，原始Niblack算法和Otsu算法處理設備無法識別的不同光照環境下、不同程度的光照不均勻QR碼圖像，試驗數據表明經改進算法處理后的識別成功率為74.2%，高出原始Niblack算法18.4%，高出Otsu算法71.7%，具有較高的魯棒性。這一結果對農產品在各種光照不均勻環境中的溯源提供了參考。

圖像處理；光照；識別；農產品可追溯體系；QR碼；二值化；Niblack算法

0 引 言

QR碼因具有信息存儲量大、保密性好、追蹤性高等特性[1]，被應用在農產品可追溯體系的終端，如趙麗等開發了基于手機二維條碼的農產品質量安全追溯系統[2]；孟猛等基于二維碼技術設計了熱帶水果質量安全追溯系統[3]；潘孜萍設計了基于二維碼的云冠橙質量防偽追溯系統[4]；董玉德等借助二維碼建立了基于農產品供應鏈的質量安全可追溯系統[5]。

在實際應用中，溯源環境復雜多變，易使設備采集到局部高亮或含有陰影的圖像。在二值化過程中，光照不均勻QR碼圖像的目標像素易被誤判為背景像素或背景像素被誤判為目標像素而丟失圖像信息，導致識別率降低，一定程度上限制了查詢者的訴求。圖像二值化算法根據閾值的選取可分為全局閾值法和局部閾值法[6]。以Otsu算法為代表的全局閾值法適用于灰度直方圖具有明顯雙峰[7]和光照均勻的圖像，在處理光照不均勻的圖像時保真度較低[8]。Niblack 算法作為一種局部閾值二值化算法在分割光照不均勻的圖像時能較好地保留圖像細節[9],但原始Niblack算法自適應性較低。針對這種情況，王麗麗等提出了自適應修正系數的Niblack算法[10]，能較好提取溫室中成熟的番茄；黃蒞辰提出了一種改進的Niblack算法，較好地分割了文本圖像的文字筆畫[11]；李鑫等提出了一種基于粒子群優化方法的 Niblack 設備紅外圖像分割算法，有效提高了電力設備紅外圖像分割的精度[12]；Tong等介紹了一種Niblack算法和FCM算法結合的二值化方法，相較于原始算法有更好的分割效果[13]。

上述改進的Nibalck算法在特定的環境中均有較好的分割效果，但分割效果依賴于對鄰域窗口或修正系數的預先設定。如果修正系數或鄰域窗口被預設為固定值，容易造成某種場景中使用的修正系數或鄰域窗口無法適用于另一種場景。為使QR碼在復雜光照溯源環境中被穩定識別，本文提出一種自適應鄰域窗口和修正系數的Niblack算法。

1 QR碼識別流程

QR碼識別的成功與否直接關系到溯源者能否獲取農產品的相關信息。QR碼識別流程主要包含圖像預處理和譯碼環節（如圖1）：

圖像預處理包括圖像校正、圖像灰度化和圖像二值化[14]。圖像校正>[15]用于校正采集到的扭曲畸變圖像。由于采集的QR碼圖像一般為彩色圖像，而在處理彩色圖像時既占用大量內存又消耗大量時間[16]。圖像灰度化能夠在保留圖像整體和局部亮度等級分布特征的同時，減少彩色圖像的信息量和后續的運算量[17]。圖像二值化[18]通過在灰度圖像上設定分割閾值，將灰度圖像中所有的像素點劃分到目標像素與背景像素2大類中。目標像素的灰度值置為0，視覺表現為黑色；背景像素的灰度值置為255，視覺表現為白色。當像素點的灰度值大于等于設定的分割閾值時，將被劃分到背景像素類；當小于設定的分割閾值時，將被劃分到目標像素類。

圖1 QR碼識別流程

二值化的關鍵在于閾值的選取[19]，圖像二值化的質量直接關系到QR碼識別的準確率[20]。

2 圖像二值化算法

2.1 最大類間方差法（Otsu法）

Otsu[21]法是一種經典的全局閾值分割，該算法于1979年基于最小二乘法原理推導出。依據圖像灰度分布和統計分布規律，Otsu算法能無監督自適應地選取最佳分割閾值[22]，因此被廣泛應用于各種需自動選取圖像閾值的問題之中[23]，算法的核心公式可表示為

圖2 原始圖像及Ostu算法分割圖像

分析圖2知，Otsu算法誤將許多背景像素點劃分為目標像素點，分割后的圖像有大片連續的黑色區域，QR碼仍然無法被識別，結果表明Otsu算法僅僅考慮了圖像的灰度信息,而未充分考慮圖像的空間信息[24]，在處理直方圖沒有明顯雙峰的光照不均勻QR碼圖像時，不能根據像素點周圍空間的灰度值信息動態地調整閾值，導致誤分率很高，分割后的圖片保真度較低，未能保留原始圖像的特征與重要信息,因此不適宜分割光照不均勻的QR碼圖像。

2.2 Niblack算法

從上述公式來看，對于每一個像素點，Niblack算法都能結合其附近的灰度值動態地計算出該像素點相對應的分割閾值。相較于Otsu算法，Niblack算法在分割光照不均勻的圖像時能達到更好的效果，如圖3所示

圖3 原始圖像，Ostu算法和Niblack算法處理后圖像

對于局部窗口，取值較小（如=3）時，領域內的像素點就會偏少，計算出的閾值就會有一定的局限性，分析圖4e可知分割后的圖像中背景區域有很明顯的條紋；取值較大（如=149）時，會失去“局部閾值”的意義，增大誤分的概率，如圖4f所示。

注：k為修正系數，w為領域窗口。

3 自適應鄰域窗口和修正系數的Niblack算法

由上述分析可知，傳統Niblack算法的自適應性較低，分割圖像的效果嚴重依賴對鄰域窗口和修正系數的預先設定。而在實際中，應用環境的復雜多變和QR碼尺寸的不同造成了圖像光照不均勻程度的不同和采集圖像分辨率的不同，因此用固定的修正系數和鄰域窗口值去分割各種分辨率不同且光照不均勻程度不同的QR碼圖像將難以達到理想效果。

基于以上問題，本文提出了一種自適應鄰域窗口和修正系數的Niblack算法，該算法依據QR碼圖像的分辨率指導鄰域窗口大小的選取,依據圖像整體與局部的灰度值信息動態地調整修正系數的值。算法可用如下公式表示：

由此，鄰域窗口和修正系數就由固定的值變成了根據圖像分辨率和圖像灰度值信息動態變化的值。當鄰域窗口內的灰度均值大于中心點像素的灰度值時，為了避免極端情況的出現（例如有5個像素的灰度值分別為3，7，6，9，200，則鄰域內的平均灰度值為45，而實際上大部分像素的灰度值沒有超過灰度均值，與此種情況相對應的很可能是強光照射導致圖像的局部區域過曝），根據式（10），修正系數此時會自動調整為負數，去抑制閾值的增加，從而達到削弱極端情況所導致的閾值偏大對分割效果產生負面影響的目的。同理，當中心點像素的灰度值大于鄰域窗口內的灰度均值時，極有可能是光線過暗導致圖片的部分區域有陰影，修正系數此時會自動調整為正數去主動增加閾值，從而減小背景像素被誤分為目標像素的概率。

用自適應鄰域窗口和修正系數的Niblack算法和原始Niblack算法分別處理分辨率為500′500、260′260和150′150的無法識別的光照不均勻QR碼圖像（圖5a，5b，5c），其中，原始算法鄰域窗口的取值為21，修正系數的取值為-0.2，原始Niblack算法的分割結果（圖5d, 5e，5f）和自適應鄰域窗口和修正系數的Niblack算法的分割結果（圖 5g，5h，5i）如下：

對比2種算法的二值化圖，可以直觀的感受到自適應鄰域窗口和修正系數的Niblack算法對QR碼編碼區域和定位區域的分割效果明顯好于原始Niblack算法，而這兩個區域正是解碼成功與否的關鍵。用流行的微信掃一掃功能分別對原始算法和自適應鄰域窗口和修正系數的Niblack算法分割后的圖像進行識別，結果表明，用自適應鄰域窗口和修正系數的Niblack算法處理后的QR圖像的識別時間都在毫秒級別，但原始Niblack算法處理后得到的圖5d不能被識別，圖5f能被識別出來，不過需要花費較長時間。

注：最后一行為自適應鄰域窗口和修正系數的Niblack算法分割圖。

4 試驗仿真及結果分析

4.1 樣本獲取與試驗設備

由于目前沒有權威的QR碼圖像集用以測試本文提出的情況,本文展示的光照不均勻QR碼圖像和試驗樣本均是由光照效果模擬算法仿真模擬所得。該算法以光源位置，光源作用半徑為變量，模擬了現實中在光照不足環境下采集的局部昏暗的QR碼圖像和在光照過強環境下采集的局部高亮的QR碼圖像。該光照模擬算法可表示為

式中為常數，用來控制光照不均勻的程度，表示光源的作用半徑，（0，0）光源的坐標。ori_img(，)表示坐標為(，)像素點的原始灰度值，img(，)表示受光照影響后坐標為(，) 像素點的灰度值。當式(13)的運算符號為加號時，模擬的是光照過強的環境，當為減號時，模擬的是光照不足的環境，即用該光照模擬算法處理后的圖像能模擬現實中在不同環境，不同光源照射位置和不同光照強度下獲取的光照不均勻圖像

4.2 結果對比與分析

為驗證本文所提出算法的優越性，分別采用Otsu算法、原始Niblack算法、自適應鄰域窗口和修正系數的Niblack算法去二值化上述的120張樣本圖像，其中原始Niblack算法鄰域窗口和修正系數的值設置為2.2節中展示的分割效果較好的21，-0.2。然后用比較流行的微信掃一掃功能去識別二值化后的QR碼圖像，最后得出經Otsu算法處理后能被識別的圖片數量為3張，經原始Niblack算法處理后能被識別的圖片數量為67張，經自適應鄰域窗口和修正系數的Niblack算法處理后能被識別的圖片數量為89張。試驗結果如表1所示：

表1 試驗結果

從表1的數據可以看出，原始Niblack算法相較于最大類間方差法（Otsu法）在處理光照不均勻的QR碼圖像時，具有很大的優勢，其原因在于最大類間方差法（Otsu法）的閾值是固定的，導致誤分率很高；而Niblack算法結合QR碼圖像的灰度信息和空間信息，動態調整閾值。由于原始Nibalck算法的鄰域窗口和修正系數選取的是2.2節中展示的分割效果較好的21，-0.2，是固定值，所以在處理4.1節中選取的不同分辨率，不同環境下采集和光照不均勻程度不同的QR碼圖像樣本時，就出現了在某一場景中使用的修正系數或鄰域窗口無法適用于另一種場景的情況，原始Niblack算法自適應能力低的缺點也隨之凸顯。但經自適應鄰域窗口和修正系數的Niblack算法處理后的QR碼圖像識別率達到74.2%，高出原始Niblack算法18.4%，高出Otsu算法71.7%，說明了改進算法在一定程度上克服了原始算法自適應低的缺點，減小了光照不均勻QR碼圖像在二值化過程中其背景像素被誤分為目標像素或目標像素被誤分為背景像素的概率。改進算法在分割不同分辨率和不同環境下采集的不同光照不均勻程度的圖像時展現出了較高的自適應性，使得分割后的二值化圖像較好的保留了原圖像的特征和重要信息；另一方面，自適應鄰域窗口和修正系數的Niblack算法的鄰域窗口會隨著原始圖像分辨率的增大而增大，這會增加運算量，所以在平均用時上會略長于原始算法。

5 結 論

1）針對原始Niblack算法自適應能力低的缺點，本文提出了一種自適應鄰域窗口和修正系數的Niblack算法，該算法依據QR碼圖像的分辨率調整鄰域窗口的大小,依據圖像整體與局部的灰度值信息動態調整修正系數，來降低傳統算法鄰域窗口和修正系數值固定對圖像二值化造成的負面影響，實現對不同環境下、不同分辨率和不同光照不均勻程度QR碼圖像的自適應分割。

2）通過試驗驗證，經自適應鄰域窗口和修正系數的Niblack算法處理后的QR碼圖像識別率為74.2%，高出原始算法18.4%，高出最大類間方差法（Otsu法）71.7%。這一結果表明本文提出的算法具有較高的魯棒性，對應用在復雜溯源環境中的QR碼識別有一定的借鑒意義。

3）自適應鄰域窗口和修正系數的Niblack算法對鄰域窗口的選取會隨著原始圖像分辨率的增大而增大，這將導致圖像分割時間的加長，這是該算法需要進一步改進的地方。

[1] 唐艷薇，郭中華，李樹慶，等. 基于QR碼的清真牛羊肉質量安全信息追溯系統的設計實現[J]. 江蘇農業科學，2014，42(10)：395－397.

[2] 趙麗，邢斌，李文勇，等. 基于手機二維條碼識別的農產品質量安全追溯系統[J]. 農業機械學報，2012，43(7)：124－129. Zhao Li, Xing Bin, Li Wenyong, et al. Agricultural products quality and safety traceability system based on two- dimension barcode recognition of mobile phones[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(7): 124－129. (in Chinese with English abstract)

[3] 孟猛，孫繼華，鄧志聲. 基于二維碼技術的熱帶水果質量安全追溯系統設計與實現[J]. 包裝工程，2014，35(5)：13－20.Meng Meng, Sun Jihua, Deng Zhisheng. Design and realization of tropical fruit quality safety traceability system based on 2-Dimensional code techonology[J]. Packaging Engineering, 2014, 35(5): 13－20. (in Chinese with English abstract)

[4] 潘孜萍. 基于二維碼的云冠橙質量防偽追溯系統設計與實現[D]. 濟南：山東大學，2015.Pan Ziping. Design and Implementation of Yunguan Orange Quality Anti-counterfeiting Traceability System Based on Two-dimensional Code[D]. Jinan: Shandong Unive-rs-ity-, 2015. (in Chinese with English abstract)

[5] 董玉德，丁保勇，張國偉，等. 基于農產品供應鏈的質量安全可追溯系統[J]. 農業工程學報，2016，32(1)：280－285. Dong Yude, Ding Baoyong, Zhang Guowei et al. Quality and safety traceability system based on agricultural product supply chain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 280－285. (in Chinese with English abstract)

[6] 梁盛輝. 復雜環境下手持設備QR碼清晰化解碼技術的研究與應用[D]. 杭州：浙江工業大學，2016.Liang Shenghui. Research and Application on the Clarity of QR Code Decoding Technology of Handheld Devices in Complex Environment[D]. Hangzhou: Zhejiang University of Technology, 2016. (in Chinese with English abstract)

[7] 孫俊，宋佳，武小紅，等. 基于改進Otsu算法的生菜葉片圖像分割方法[J]. 江蘇大學學報(自然科學版)，2018，39(2)：179－184.Sun Jun, Song Jia, Wu Xiaohong, et al. Image segmentation method of lettuce leaf based on improved Otsu algorithm[J]. Journal of Jiangsu University (Natural Science Edition), 2018, 39(2): 179－184. (in Chinese with English abstract)

[8] 彭啟偉，羅旺，馮敏，等. 改進二維Otsu法和果蠅算法結合的圖像分割方法[J]. 計算機應用，2017，37(S2)：193－197. Peng Qiwei, Luo Wang, Feng Min, et al. Novel method for image segmentation based on improved two-dimensional Otsu and fruit fly algorithm[J]. Journal of Computer Applications, 2017, 37(S2): 193－197. (in Chinese with English abstract)

[9] 石為人，方莉，陳舒涵. 基于改進Otsu和Niblack的圖像二值化方法[J]. 世界科技研究與發展，2013，35(3)：395－398. Shi Weiren, Fang Li Chen Shuhan. Algorithm for image binarization based on improved Otsu and Niblack [J]. World Sci-Tech R & D, 2013, 35(3): 395－398. (in Chinese with English abstract)

[10] 王麗麗，魏舒，趙博，等. 基于Niblack自適應修正系數的溫室成熟番茄目標提取方法[J]. 農業工程學報，2017，33(增刊1)：322－327. Wang Lili, Wei Shu, Zhao Bo, et al. Target extraction method of ripe tomato in greenhouse based on Niblack self-adaptive adjustment parameter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1): 322－327. (in Chinese with English abstract)

[11] 黃蒞辰. 非均勻光照下文本圖像分割算法研究[D]. 長沙：湖南科技大學，2015. Huang Lichen. Segmentation Algorithm Research for Non-uniform Illumination Document Image[D]. Changsha: Hunan University of Science and Technology,2015.(in Chinese with English abstract)

[12] 李鑫，崔昊楊，霍思佳，等. 基于粒子群優化法的Niblack電力設備紅外圖像分割[J]. 紅外技術，2018，40(8)：780－785.Li Xin, Cui Haoyang, Huo Sijia, et al. Niblack’s method for infrared image segmentation of electrical equipment improved by particle swarm optimization[J]. Infrared Technology, 2018, 40(8): 780－785. (in Chinese with English abstract)

[13] Tong Lijing, Chen Kan, Zhang Yan. Document image binariza-tion based on NFCM[C].International Congress on Image and Sig-nal Processing, 2009: 1769－1773.

[14] 王雄華，張昕，朱同林. 快速定位的QR碼校正方法[J].計算機工程與設計，2015，36(8)：2185－2190. Wang Xionghua, Zhang Xin, Zhu Tonglin. QR code correction method by rcal-time location[J]. Computer Engineering and Design, 2015,36(8): 2185－2190. (in Chinese with English abstract)

[15] Ahmed M T, Farag A A. Nonmetric calibration of camera lens distortion: Differential methods and robust robust estima-tion[J]. IEEE Transactions on Image Processing, 2005, 14 (8): 1215－1230

[16] 段茵. 基于QR二維碼的識別技術研究與實現[D]. 西安：西安理工大學，2018.Duan Yin. Research and Implementation of Recognition Technology Based on QR Code[D]. Xi'an: Xi'an University of Technology, 2018. (in Chinese with English abstract)

[17] 阮秋琦. 數字圖像處理學[M]. 北京：電子科學出版社，2007.

[18] Mala C, Sridevi M. Multilevel threshold selection for image segmentation using soft computing techniques[J]. Soft Computing, 2016, 20 (5): 1793－1810.

[19] 楊佳麗，高美鳳. QR碼圖像二值化的研究[J]. 計算機工程與應用，2009，45(35)：176－178,195. Yang Jiali, Gao Meifeng. Research on binarization algorithm for QR code[J]. Computer Engineering and Applications, 2009, 45(35): 176－178,195. (in Chinese with English abstract)

[20] 甘志堅，方俊彬，關賀元，等. 復雜光照下QR碼圖像二值化算法研究及應用[J]. 應用光學，2018，39(5)：667－673. Gan Zhijian, Fang Junbin, Guan Heyuan, et al. Research and application of binarization algorithm of QR code image under complex illumination[J]. Journal of Applied Optics, 2018, 39(5): 667－673. (in Chinese with English abstract)

[21] Otsu N. A threshold selection method from gray level histogram[J]. IEEE Trans. On Systems, Man and Cybernetic SMC, 1979, 9(1): 62－66.

[22] 屈衛鋒，徐越，牛磊磊，等. 光照不均QR二維碼圖像的高效處理方法研究[J]. 軟件，2015，36(6)：47－52. Qu Weifeng, Xu Yue, Niu Leilei, et al. A study of an efficient method for the processing of uneven illumination QR code images[J]. Computer Engineering & Software, 2015, 36(6): 47－52. (in Chinese with English abstract)

[23] 蔡健榮，周小軍，李玉良，等. 基于機器視覺自然場景下成熟柑橘識別[J]. 農業工程學報，2008，24(1)：175－178. Cai Jianrong, Zhou Xiaojun, Li Yuliang et al. Recognition of mature oranges in natural scene based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(1): 175－178. (in Chinese with English abstract)

[24] 徐超，黃風華，毛政元. 一種改進的二維Otsu閾值分割算法[J]. 電子技術應用，2016，42(12)：108－111. Xu Chao, Huang Fenghua, Mao Zhengyuan. An improved two-dimensional Otsu thresholding segmentation method[J]. Application of Electronic Technique, 2016, 42(12): 108－111. (in Chinese with English abstract)

[25] Niblack W. An introduction to digital image processing[M]. Denmark: Strandberg Publishing Company, 1985.

Research on illumination uneven QR code recognition based on improved Niblack algorithm

Li Jian1,2, Shen Liwei1, Hu Yating1,2※, Li Ruizhao1, Ren Hongbin, Ding Xiaoqi1

(1.,130118,;2.130118,)

As the information carrier of agricultural product traceability system, QR code has always been a research hotspot in the agricultural field. In practical applications, the complexity of the traceability environment makes it easy for the QR code scanner to acquire locally highlighted or shaded QR code images. In the process of binarization, the target pixels of these uneven illumination QR code images are easily misjudged as background pixels or background pixels are misjudged as target pixels which cause the image information lost, resulting in lower recognition rate, this limits the inquirer to some extent. According to the selection of the threshold, the image binarization algorithms can be divided into global threshold methods and local threshold methods. By setting the segmentation threshold on the grayscale image, all the pixels in the grayscale image are divided into two categories: The target pixel and the background pixel. The gray value of the target pixel is set to 0, and the visual representation is black; the gray value of the background pixel is set to 255, and the visual representation is white. When the gray value of the pixel is greater or equal to the set segmentation threshold, it will be divided into the background pixel class; when it is smaller the set segmentation threshold, it will be divided into the target pixel class. The global threshold method represented by the Otsu algorithm is suitable for an image with a clear bimodal and uniform illumination in a gray histogram, but since the threshold is a fixed value, the fidelity is low when processing an image with uneven illumination. As a local threshold method, the Niblack algorithm can dynamically calculate the neighborhood center threshold in combination with the gray mean and variance in the neighborhood window. That is, for each pixel, the Niblack algorithm can calculate the corresponding threshold. Therefore, there is a good effect in splitting an image with uneven illumination, but the segmentation effect depends on the preset of the local window and the correction coefficient value. Since the correction coefficient and neighborhood window are fixed values selected according to experience, it is easy to cause the correction coefficient or neighborhood window used in some scenes to be unsuitable for another scene, so the original Niblack algorithm is less versatile. This paper proposes a Niblack algorithm that adaptive neighborhood window and correction coefficient. The algorithm dynamically adjusts the size of the neighborhood window according to the resolution of the QR code image, according to the gray mean and variance of the pixel points in the neighborhood window. The gray value information of the whole image is dynamically adjusted and corrected to realize adaptive binarization processing. Experiments show that compared with the original Niblack algorithm, the algorithm can more effectively segment the uneven light QR code image that the device cannot recognize. After the algorithm is processed, the recognition success rate of the unrecognizable QR code image reaches 74.2%, which is 18.4% higher than the original Niblack algorithm and is 71.7% higher than Otsu algorithm. The study has certain reference significance for the traceability of agricultural products in the uneven illumination environment.

image processing;illumination; recognition; agricultural products traceability system; QR code; binarization; Niblack algorithm

10.11975/j.issn.1002-6819.2019.13.022

TP391.4

A

1002-6819(2019)-13-0191-06

2019-03-22

2019-06-28

國家自然科學基金項目（41601454）

李 健，博士，副教授，主要從事生物信息學、物聯網方面研究。Email：liemperor@163.com

胡雅婷，博士，副教授，主要從事模式識別、農業大數據方面研究。Email：huyating79@163.com。

李 健，申利未，胡雅婷,李瑞釗，任虹賓，丁小奇. 改進Niblack算法的光照不均勻QR碼識別研究[J]. 農業工程學報，2019，35(13)：191－196. doi：10.11975/j.issn.1002-6819.2019.13.022 http://www.tcsae.org

Li Jian, Shen Liwei, Hu Yating, Li Ruizhao, Ren Hongbin, Ding Xiaoqi.Research on illumination uneven QR code recognition based on improved Niblack algorithm [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 191－196. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.13.022 http://www.tcsae.org