二维码识别中反色与低对比图片的预处理

先判断图像为何让二维码失效

二维码识别失败，不一定是图片“太暗”。反色、低对比度、阴影和不均匀光照破坏的是不同环节：反色会让定位点的黑白极性颠倒，低对比度会削弱码元边界，阴影和渐变光照则可能让同一张图中不同区域需要不同阈值。

二维码由规则排列的黑白模块组成。根据 ISO/IEC 18004，版本 1 的符号尺寸为 21×21 个模块，二维码版本每增加一级，边长增加 4 个模块。识别器需要从这些模块中找到三个定位点、寻像图形和连续的边界结构；只要边界被亮度变化或噪声切断，后续解码就可能失败。

灰度化是把 RGB 彩色像素转换为单通道亮度图，减少颜色信息对分割的干扰。常用的 BT.601 公式为 Y = 0.299R + 0.587G + 0.114B。它只保留亮暗关系，不会自动提高对比度。

全局二值化为整张图使用一个阈值；自适应二值化则在局部窗口内计算阈值，因此更适合阴影、渐变背景和反光图像。预处理的目标是恢复原本的黑白结构，而不是靠锐化或放大凭空补回已经丢失的模块细节。

用灰度化和局部阈值恢复码元边界

可以把处理流程拆成几个可复现的步骤：先读取原图，再转为灰度，检查亮度范围与直方图，最后根据光照情况选择阈值方法。OpenCV 中可使用 cv2.cvtColor 完成灰度化，使用 cv2.threshold 做全局阈值分割。

1. 保留原始图像，不要覆盖输入文件。
2. 使用 cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 转换为灰度图。
3. 观察灰度图是否存在明显的前景、背景双峰，以及二维码区域是否有阴影或亮度渐变。
4. 分布清晰时尝试 Otsu 大津法；存在阴影、渐变或反光时，优先尝试自适应阈值。

Otsu 方法会根据灰度直方图自动寻找一个全局阈值，适合前景与背景分布较清晰的图片。如果二维码一侧处于阴影中，单一阈值可能让亮处的背景被误判，或让暗处的浅色模块消失。这时可以使用 OpenCV 的 cv2.adaptiveThreshold，让每个局部区域按照自己的亮度计算阈值。

• 窗口大小：必须使用奇数，例如 11、15、21。窗口应覆盖多个二维码模块，但不能大到把局部光照变化平均掉。
• 常数 C：可从 2~10 试起。C 增大通常会改变前景判定的宽松程度，但最佳值取决于分辨率、噪声、亮度和模块尺寸。
• 阈值方法：均值阈值适合计算简单的局部平均值，高斯阈值会对窗口中心附近的像素赋予更高权重。

窗口不是越大越稳定。若二维码模块在图像中只有 4 个像素宽，窗口 21 可能跨过太多模块和背景；若模块宽度达到 20 像素，窗口 11 又可能不足以反映局部背景。实际测试可按 11、15、21 逐级比较，并检查定位点是否仍保持完整的黑白方块。

通过统计特征判断是否需要反色

普通二维码通常是深色码元配浅色背景，但反色二维码可能是浅色码元配深色背景。部分二维码识别器能够自动处理这种极性，部分实现则不一定可靠，因此不能假设识别器一定会自动取反。

反色判断可以使用边缘区域和中心区域的平均亮度。例如，先估计二维码所在区域，再比较四周静区与内部模块的亮暗关系。仅凭整张图片的平均亮度做判断并不稳妥，因为背景、阴影和裁剪范围都会改变统计结果。

1. 直接把原图交给二维码识别器尝试。
2. 对灰度图做 Otsu 二值化或自适应二值化，再次识别。
3. 若仍失败，对二值图取反后重新识别。
4. 记录使用的阈值方法、窗口大小和 C 值，避免无法复现。

取反不是提高对比度。它只会把亮像素变暗、把暗像素变亮；如果原图中黑色模块与背景的亮度差很小，反色后两者的差值仍然很小。反色适合解决黑白极性相反的问题，而自适应二值化、曝光调整或局部对比度处理，才可能缓解亮度不均造成的分割失败。

把多分支预处理接入识别流程

实际项目中，不必先猜一个“正确参数”，可以建立候选图像管线，让二维码识别器逐个尝试。OpenCV 提供的 QRCodeDetector 可用于测试这些候选结果；站内的二维码识别工具也适合快速验证处理后的图片。

1. 原图。
2. 灰度图。
3. Otsu 全局二值图。
4. 自适应均值阈值图，测试窗口 11、15、21。
5. 自适应高斯阈值图，测试 C=2、5、10。
6. 以上二值图对应的反色版本。

每个候选版本都交给识别器尝试，成功后立即停止；失败时记录分支和参数。这样可以区分“算法参数不合适”和“原图已经缺失信息”，也方便用同一组样本回归测试。

形态学操作只能适度使用。对于尺寸小于二维码模块宽度的孤立噪点，可以尝试 3×3 结构元素做开运算；对于细小断裂，可以尝试 3×3 内核做闭运算。若噪声尺寸已经接近模块宽度，或者模块本身只有几像素宽，形态学操作可能删除真实码元或改变模块宽度。

• 反色：生成反色候选图并重新解码。
• 阴影和渐变：使用自适应阈值，调整窗口大小。
• 孤立噪声：在噪声小于模块宽度时尝试 3×3 开运算。
• 模块断裂：谨慎尝试 3×3 闭运算。
• 模糊：不要依赖锐化补细节，优先重新拍摄或提高采样质量。
• 静区不足：补足二维码四周的空白边缘；实际可识别性还取决于静区、对比度和采样质量。

结果不能只看“是否返回字符串”。还应检查定位点是否完整、二维码边界是否连续，以及不同参数是否得到一致内容。若只有某一个极端参数成功，且定位点破损明显，应复核结果；如果多个分支都返回相同内容，可信度更高。

最终排查流程

1. 保留原图，并确认二维码四周没有被裁掉。
2. 生成灰度图，检查亮度范围、阴影和反光。
3. 依次生成 Otsu、自适应均值和自适应高斯二值图。
4. 为每张二值图生成反色版本。
5. 按顺序交给 QRCodeDetector 或二维码识别工具解码。
6. 记录成功分支、窗口大小、C 值和形态学操作。
7. 人工检查定位点、边界连续性和静区；对不一致结果重新采集图像。

如果所有候选版本都失败，问题可能不是极性或阈值，而是运动模糊、过曝、欠曝、模块尺寸过小，或二维码本身缺少足够静区。预处理能够重新组织已有的亮暗信息，不能从一片饱和白色或模糊边缘中恢复原始模块。