CN107563374A - 一种数显式仪表数码管定位方法 - Google Patents
一种数显式仪表数码管定位方法 Download PDFInfo
- Publication number
- CN107563374A CN107563374A CN201710695872.8A CN201710695872A CN107563374A CN 107563374 A CN107563374 A CN 107563374A CN 201710695872 A CN201710695872 A CN 201710695872A CN 107563374 A CN107563374 A CN 107563374A
- Authority
- CN
- China
- Prior art keywords
- charactron
- digital display
- character
- display instrument
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种数显式仪表数码管定位方法,包括:根据数显式仪表数码管图片的RGB颜色空间,提取颜色特征图,对颜色特征图使用标记分水岭算法得到数码管字符粗定位区域;在数码管字符粗定位区域采用形态学算子进行邻域合并,并使用灰度拉伸归一化灰度级,然后使用大津阈值法和标记分水岭算法得到前景区域与背景区域,对前景区域使用投影分割得到数码管字符疑似区域;提取每个数码管字符疑似区域的局部二值特征,将所有的局部二值特征送入到分类器中,排除非数码管字符区域,得到数码管字符区域。本发明方法实现了无人值守变电站智能巡检系统中数显式仪表数码管的精确定位。
Description
技术领域
本发明属于图像处理和模式识别技术领域,更具体地,涉及一种数显式仪表数码管定位方法。
背景技术
随着工业自动化的发展,在无人值守变电站自动巡检和二次设备仪表监控系统中,为了实现无人智能巡检,需要对二次设备数显式仪表数码管进行定位与字符识别。准确的定位是字符识别的基础,并能提高自动巡检效率。
然而,现有技术存在无人值守变电站智能巡检系统中定位数显式仪表数码管不精确的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种数显式仪表数码管定位方法,由此解决现有技术存在无人值守变电站智能巡检系统中定位数显式仪表数码管不精确的技术问题。
为实现上述目的,本发明提供了一种数显式仪表数码管定位方法,包括:
(1)根据数显式仪表数码管图片的RGB颜色空间,提取颜色特征图,对颜色特征图使用标记分水岭算法得到数码管字符粗定位区域;
(2)在数码管字符粗定位区域采用形态学算子进行邻域合并,并使用灰度拉伸归一化灰度级,然后使用大津阈值和标记分水岭算法得到前景区域与背景区域,对前景区域使用投影分割得到数码管字符疑似区域;
(3)提取每个数码管字符疑似区域的局部二值特征,将所有的局部二值特征送入到分类器中,排除非数码管字符区域,得到数码管字符区域。
进一步的,步骤(1)的具体实施方式为:
分别用数显式仪表数码管图片的R通道、G通道和B通道的最大值减去最小值,得到颜色特征图,然后对颜色特征图使用标记分水岭算法,得到数码管字符粗定位区域。
进一步的,步骤(2)的具体实施方式为:
对数码管字符粗定位区域采用形态学算子进行邻域合并,并使用灰度拉伸归一化灰度级,使用大津阈值法得到阈值,阈值加上一个固定值d1得到上界m,阈值减去一个固定值d2得到下界n,将上界m和下界n作为标记分水岭算法的标记,大于上界的区域为前景区域,小于下界的区域为背景区域,再对前景区域进行投影分割得到数码管字符疑似区域。
进一步的,分类器为支持向量机或者决策树。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明针对数显式仪表数码管定位问题,在分析数码管颜色特征的基础上,使用标记分水岭算法实现数码管区域粗定位。接着采用形态学算子进行邻域合并,并使用灰度拉伸归一化灰度级。在此基础上,使用大津阈值法和标记分水岭算法结合实现图像分割,克服了大津阈值法只考虑图像灰度值信息,不考虑图像边界信息的缺点,实现了数码管字符区域的准确定位。
(2)为了进一步提高数码管定位的准确性,对于非字符区域则采用LBP特征(局部二值特征:Local Binary Pattern)提取和SVM(支持向量机:Support Vector Machine)分类算法进行排除,同时采用LBP特征和SVM分类器,避免了非数码管字符区域的干扰,大幅降低了数码管区域的搜索时间,实现了数码管字符区域的准确定位。本发明所提出的方法不仅适用于变电站二次设备智能巡检系统中,该方法也适用于其它场合的数显仪表图像定位与识别系统。
附图说明
图1是本发明实施例提供的一种数显式仪表数码管定位方法的流程图;
图2是本发明实施例1提供的数显式仪表数码管图片;
图3是本发明实施例1提供的数显式仪表数码管定位结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种数显式仪表数码管定位方法,包括:
(1)根据数显式仪表数码管图片的RGB颜色空间,提取颜色特征图,对颜色特征图使用标记分水岭算法得到数码管字符粗定位区域;
(2)对数码管字符粗定位区域使用形态学的闭运算,填充一些孔洞,找到每一个块连通域,计算每一个块连通域之间的距离,如果y方向距离小于10,x方向距离小于其相互宽度和的一半,则将其合并为1块区域,并使用灰度拉伸归一化每个区域的像素点的灰度级,然后使用大津阈值法和标记分水岭算法得到前景区域与背景区域,对前景区域使用投影分割得到数码管字符疑似区域;
(3)提取数码管字符疑似区域的局部二值特征,将局部二值特征送入到分类器中,排除非数码管字符区域,得到数码管字符区域。
本发明实施例优选SVM作为分类器,因为在目前实验中,样本数目不多,而SVM在小样本训练集上能够得到比其它算法好的结果。因为其本身的优化目标是结构化风险最小,使其具有优秀的泛化能力。因此目前支持向量机成为目前最常用,效果好的分类器之一。
本发明实施例步骤(1)提供的标记分水岭算法,包括:
(1-1)首先标记颜色特征图中每一个像素点的像素值,像素值为255是颜色特征图的前景区域,像素值为127时为颜色特征图的背景区域,0为颜色特征图的未标记像素点;
(1-2)选取颜色特征图的前景区域和颜色特征图的背景区域的邻接像素点加入到队列queue中,queue是一个256大小的指针数组按照邻接像素点的邻接像素值和标记像素点的像素值之间的差值来加入到对应的指针中;
(1-3)按照距离的大小,从0到255遍历队列中的所有像素点;如果当前像素点的邻接像素点中只有一个像素点已经被标记,那么就把它标记为相同的标记,如果有两个及以上的标记,就把这个像素点标记为分水岭即为边界,如果这个像素点不是分水岭,需要继续处理这个像素点的邻接像素点,直到所有的像素点都处理完,得到所有像素值标记为255的像素点为数码管字符粗定位区域。
本发明实施例步骤(2)包括:
(2-1)对数码管字符粗定位区域使用形态学的闭运算,填充一些孔洞,找到每一个块连通域,计算每一个块连通域之间的距离,如果y方向距离小于10,x方向距离小于其相互宽度和的一半,则将其合并为1块区域,并使用灰度拉伸归一化每个区域的像素点的灰度级;
(2-2)对于经过步骤(2-1)处理后的数码管字符粗定位区域,使用大津阈值法得到阈值,阈值加上一个固定值d1得到上界m,阈值减去一个固定值d2得到下界n,将上界m和下界n作为标记分水岭算法的标记,大于上界的区域为前景区域,小于下界的区域为背景区域,再对前景区域进行投影分割得到数码管字符疑似区域。
实施例1
本发明实施例1的数显式仪表数码管图片,如图2所示,经过以下几个步骤实现数显式仪表数码管定位:
步骤(1):在RBG颜色空间,用三个通道(R,G,B)的最大值减去最小值,得到颜色特征图。在特征图上选择选择像素灰度值大于100的为前景区域,选择像素灰度值小于50的为背景区域,其他像素为未知区域。之后使用标记分水岭算法,标记分水岭算法的前景区域,即数码管字符的粗定位区域。
步骤(2):对步骤(1)得到的每个数码管粗定位区域,先使用灰度拉伸归一化每个区域的灰度级。在归一化的基础上,通过大津阈值法求出图像分割的阈值,记为C。将灰度值大于C+80的区域标记为前景区域,将灰度值小于C-50的区域标记为背景区域,其他的像素标记为不确定区域。然后通过分水岭算法得到前景和背景分离的图片。之后,再进行投影分割得到疑似数码管字符区域。
步骤(3):对步骤(2)得到的每个疑似数码管字符区域,先将图像归一化为32*48像素,分为2行3列,大小为16*16像素的6个小区域;然后对于区域中每个像素,提取等价模式的LBP特征,计算每一个小区域的统计直方图,再对区域做归一化处理;由每个小区域的统计直方图可得维度为58的特征向量,总共有6个区域,共348维的特征向量,将其输入到SVM中,对图像进行二元分类,排除非数码管字符区域,实现数显式仪表数码管的准确定位。定位结果如图3所示。
表1分别展示了现有技术通过大津阈值法正确分割数以及本发明实施例1使用大津阈值法和标记分水岭算法结合的正确分割数,可以看出,仅仅大津阈值法的正确率为86.8%,而本发明实施例1使用大津阈值法和标记分水岭算法结合的正确率为97.6%。本发明主要面向数显式仪表数码管定位,方法逻辑清晰,在RBG颜色空间,提取数码管的特征图,将大津阈值法和标记分水岭算法结合实现图像分割,克服了大津阈值法只考虑图像灰度值信息,不考虑图像边界信息的缺点,并采用LBP特征和SVM分类器,将非数码管字符区域排除,避免了非数码管字符区域的干扰,实现了数码管字符区域的准确定位。
表1
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种数显式仪表数码管定位方法,其特征在于,包括:
(1)根据数显式仪表数码管图片的RGB颜色空间,提取颜色特征图,对颜色特征图使用标记分水岭算法得到数码管字符粗定位区域;
(2)对数码管字符粗定位区域采用形态学算子进行邻域合并,并使用灰度拉伸归一化灰度级,然后使用大津阈值法和标记分水岭算法得到前景区域与背景区域,对前景区域使用投影分割得到数码管字符疑似区域;
(3)提取数码管字符疑似区域的局部二值特征,将局部二值特征送入到分类器中,排除非数码管字符区域,得到数码管字符区域。
2.如权利要求1所述的一种数显式仪表数码管定位方法,其特征在于,所述步骤(1)的具体实施方式为:
分别用数显式仪表数码管图片的R通道、G通道和B通道的最大值减去最小值,得到颜色特征图,然后对颜色特征图使用标记分水岭算法,得到数码管字符粗定位区域。
3.如权利要求1或2所述的一种数显式仪表数码管定位方法,其特征在于,所述步骤(2)的具体实施方式为:
对数码管字符粗定位区域采用形态学算子进行邻域合并,并使用灰度拉伸归一化灰度级,使用大津阈值法得到阈值,阈值加上一个固定值d1得到上界m,阈值减去一个固定值d2得到下界n,将上界m和下界n作为标记分水岭算法的标记,大于上界的区域为前景区域,小于下界的区域为背景区域,再对前景区域进行投影分割得到数码管字符疑似区域。
4.如权利要求1或2所述的一种数显式仪表数码管定位方法,其特征在于,所述分类器为支持向量机或者决策树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710695872.8A CN107563374B (zh) | 2017-08-14 | 2017-08-14 | 一种数显式仪表数码管定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710695872.8A CN107563374B (zh) | 2017-08-14 | 2017-08-14 | 一种数显式仪表数码管定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563374A true CN107563374A (zh) | 2018-01-09 |
CN107563374B CN107563374B (zh) | 2020-07-10 |
Family
ID=60975470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710695872.8A Active CN107563374B (zh) | 2017-08-14 | 2017-08-14 | 一种数显式仪表数码管定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563374B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255344A (zh) * | 2018-08-15 | 2019-01-22 | 华中科技大学 | 一种基于机器视觉的数显式仪表定位与读数识别方法 |
CN109271985A (zh) * | 2018-09-07 | 2019-01-25 | 广东中粤电力科技有限公司 | 一种数字仪表读数图像识别方法及系统 |
CN115239692A (zh) * | 2022-08-12 | 2022-10-25 | 广东科学技术职业学院 | 一种基于图像识别技术的电子元器件检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010109863A (ja) * | 2008-10-31 | 2010-05-13 | Sharp Corp | 撮像装置及び携帯機器 |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
CN106909941A (zh) * | 2017-02-27 | 2017-06-30 | 广东工业大学 | 基于机器视觉的多表字符识别系统及方法 |
-
2017
- 2017-08-14 CN CN201710695872.8A patent/CN107563374B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010109863A (ja) * | 2008-10-31 | 2010-05-13 | Sharp Corp | 撮像装置及び携帯機器 |
CN105005766A (zh) * | 2015-07-01 | 2015-10-28 | 深圳市迈科龙电子有限公司 | 一种车身颜色识别方法 |
CN106909941A (zh) * | 2017-02-27 | 2017-06-30 | 广东工业大学 | 基于机器视觉的多表字符识别系统及方法 |
Non-Patent Citations (2)
Title |
---|
宋薇: ""数字仪表液晶显示识别设计"", 《计算机光盘软件与应用》 * |
王洪元 等: ""基于先验知识和标记分水岭的车牌定位算法"", 《常州大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255344A (zh) * | 2018-08-15 | 2019-01-22 | 华中科技大学 | 一种基于机器视觉的数显式仪表定位与读数识别方法 |
CN109255344B (zh) * | 2018-08-15 | 2022-02-18 | 华中科技大学 | 一种基于机器视觉的数显式仪表定位与读数识别方法 |
CN109271985A (zh) * | 2018-09-07 | 2019-01-25 | 广东中粤电力科技有限公司 | 一种数字仪表读数图像识别方法及系统 |
CN115239692A (zh) * | 2022-08-12 | 2022-10-25 | 广东科学技术职业学院 | 一种基于图像识别技术的电子元器件检测方法及系统 |
CN115239692B (zh) * | 2022-08-12 | 2023-06-27 | 广东科学技术职业学院 | 一种基于图像识别技术的电子元器件检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107563374B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985464B (zh) | 面向法院判决文书的多尺度学习的文字识别方法及系统 | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
Shen et al. | Improving OCR performance with background image elimination | |
JP4857173B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN102819728A (zh) | 一种基于分类模板匹配的交通标志检测方法 | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
JP2016517587A (ja) | モバイル装置を用いて取込まれたデジタル画像におけるオブジェクトの分類 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
JP2016516245A (ja) | モバイル装置を用いた画像内のオブジェクトの分類 | |
CN106709530A (zh) | 基于视频的车牌识别方法 | |
CN107688806A (zh) | 一种基于仿射变换的自由场景文本检测方法 | |
CN101122952A (zh) | 一种图片文字检测的方法 | |
Chen et al. | Detection and Recognition of Traffic Signs Based on HSV Vision Model and Shape features. | |
Xu et al. | Graphics and scene text classification in video | |
US20150010233A1 (en) | Method Of Improving Contrast For Text Extraction And Recognition Applications | |
CN107563374A (zh) | 一种数显式仪表数码管定位方法 | |
Uchida et al. | A keypoint-based approach toward scenery character detection | |
CN112101108B (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN111401364B (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
US9965678B2 (en) | Method for recognizing table and flowchart in document images | |
CN106033534A (zh) | 基于直线检测的电子阅卷方法 | |
Raghunandan et al. | New sharpness features for image type classification based on textual information | |
JP5027201B2 (ja) | テロップ文字領域検出方法,テロップ文字領域検出装置およびテロップ文字領域検出プログラム | |
CN111797830A (zh) | 票据图像快速红章检测方法、系统、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |