二維碼相關的開源專案很多,但若想理解背後的圖像處理流程,從零開始實作會是很好的練習。本文以 QRCode 為例,記錄如何使用 OpenCV 進行預處理、邊緣檢測、輪廓分析與定位標記驗證,最後找出二維碼所在區域。

QRCode 由多個功能區組成,包括定位標記、分隔線、時間軌跡、對齊標記、格式資訊、資料區與錯誤修正區。其中,定位標記位於三個角落,是快速找出二維碼位置的重要依據。
不同版本的 QRCode 對應不同尺寸。最小版本為 21 乘 21 模組,最大常見版本可到 177 乘 177 模組。尺寸越大,可承載的資料量通常也越高。

在 OpenCV 中,輪廓可理解為一段連續的像素邊界。輪廓之間存在父子與同層關係,例如外輪廓與內輪廓、父輪廓與子輪廓。findContours 會回傳輪廓集合與層級資訊,而 drawContours 則可把結果繪製到影像上,方便除錯。
常見的擷取模式包括只取最外層、列出所有輪廓但不保留層級、以二層結構組織,或完整保留嵌套關係。若目標是找出定位標記,通常需要保留較完整的層級資訊。
影像矩源自物理與統計學中的矩概念,在圖像處理中則用來描述像素分布。零階原點矩可視為面積或灰階總和,一階原點矩則與幾何中心有關。中心矩則是相對於幾何中心的分布統計,因此具有平移不變性。

透過原點矩與中心矩,可以進一步構造具有平移、縮放與旋轉不變性的特徵。這些概念在二維碼定位與形狀分析中經常被使用。



初步流程可以這樣設計:先載入影像並進行去噪,接著用 Canny 偵測邊緣,再從邊緣結果中尋找具有多層嵌套的輪廓,以取得可能的定位標記。若找到的候選數量不是三個,就需要利用時間軌跡進一步篩選。

OpenCV 預設使用 BGR 通道,可先轉成灰階影像,再進行高斯模糊以降低雜訊。接著使用 Canny 函數偵測邊緣。Canny 的步驟包含平滑、計算梯度、非極大值抑制、雙閾值與滯後處理,目的是取得清楚且連續的邊緣。

邊緣圖能去除大部分色彩與紋理干擾,讓後續輪廓分析更穩定。
QRCode 的定位標記在輪廓中通常會形成多層結構。若一條邊緣被識別為外輪廓與內輪廓,定位標記就可能出現約六層嵌套。因此,可以遍歷層級關係,取出嵌套深度足夠的候選輪廓。

接著把候選輪廓繪製出來,檢查是否落在三個角落。若候選數量過多,就需要更進一步的幾何與灰階驗證。




在理想情況下,應該只找到三個定位標記。但實際影像可能因雜訊、反射或其他圖形而出現額外候選。此時可利用定位標記之間的時間軌跡進行驗證。

作法是先取得每個候選標記的最小矩形包圍盒,再將彼此頂點兩兩連線,找出最短的兩條線。若連線上的像素呈現黑白均勻相間,較符合時間軌跡的特徵。


為了判斷黑白相間,可先將影像二值化,再沿著連線取樣。若端點落在包圍盒外緣,可能取到旁邊資料區的像素,導致判斷失敗。此時可將端點向內修正,讓取樣線更貼近定位標記內側的黑色區域。


修正後,像素序列會呈現較規則的長短交替,這正是時間軌跡的重要特徵。
判斷方式可先去除開頭與結尾的連續白色像素,再把相鄰同色像素合併計數。若計數組長度過短,或各段長度差異過大,就不是有效的時間軌跡。透過這種方式,可以排除多餘候選,只留下真正有效的定位標記。
取得三個有效定位標記後,可將它們的輪廓合併,計算最小矩形包圍盒,這個範圍通常就是二維碼所在區域。後續若進行仿射變換與座標修正,就能以這個結果為基礎。

這個過程看似繞了一圈,但其實每一步都在解決真實影像中的雜訊與誤差。從灰階轉換、邊緣檢測、輪廓層級、時間軌跡驗證,到最終定位,OpenCV 提供的函數能讓我們把抽象的圖像處理概念落實成可執行的流程。
對初學者而言,這類練習的價值不只在於完成二維碼識別,更在於理解每個步驟為何存在,以及如何在錯誤與例外中逐步修正。