CN112861870A - 指针式仪表图像矫正方法、系统及存储介质 - Google Patents
指针式仪表图像矫正方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112861870A CN112861870A CN202110144237.7A CN202110144237A CN112861870A CN 112861870 A CN112861870 A CN 112861870A CN 202110144237 A CN202110144237 A CN 202110144237A CN 112861870 A CN112861870 A CN 112861870A
- Authority
- CN
- China
- Prior art keywords
- instrument
- image
- elliptical
- boundary
- ellipse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000003702 image correction Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000003708 edge detection Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000036961 partial effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
- G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种指针式仪表图像矫正方法、系统及存储介质,通过获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;根据仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;根据仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;根据仪表的椭圆边界,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。本申请对指针式仪表图像对圆形仪表的非正视图像进行正圆形矫正,获得标准的正视图像,具有快捷、高效、鲁棒性强等特点,提高了后续仪表示数的识别准确性。
Description
技术领域
本申请属于仪器识别技术领域,具体地,涉及一种指针式仪表图像矫正方法、系统及存储介质。
背景技术
随着近年来深度学习理论的不断完善和发展,卷积神经网络由于其具有极强的表征学习能力,因而得到了迅猛的发展并被广泛应用于机器视觉、自然语言处理等多个学术领域,并在多项任务上展现出了惊人的效果,如物体分类、目标识别、机器翻译等。同时,卷积神经网络已被广泛应用于医学领域、工业领域、安全领域等。
指针式仪表在工业领域中被大量使用且类型繁多。其优点在于:对环境的极高适应能力,抗干扰能力强,尤其在环境恶劣的场合,如挖掘隧道、矿洞等场景;对监测数据的反应灵敏且迅速,延迟时间短。指针式仪表的读数操作往往由大量的专业的工作人员去执行。随着人工智能技术的发展,智能巡检机器人正逐步代替人工巡检,用于对工业设备的监测。智能巡检机器人使用相机采集设备、管道的仪表图像信息,并传送到控制后台进行仪表图像的后续分析和处理。
然而,在工厂中,各个仪表所处的空间位置各不相同,且巡检机器人只能按照规定路线以一定的角度对仪表进行拍摄;这将导致拍摄到的表盘图片发生透视而不再是正视图,严重影响了后续的图像特征提取、识别等图像处理工作。因此,对发生形变的表盘图像进行矫正,最大限度还原成正圆,具有非常大的现实意义。
发明内容
本发明提出了一种指针式仪表图像矫正方法及系统,旨在解决目前指针式仪表图像由于不是正视图造成示数识别不准确的问题。
根据本申请实施例的第一个方面,提供了一种指针式仪表图像矫正方法,具体包括以下步骤:
获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;
根据仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;
根据仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;
根据仪表的椭圆边界,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
在本申请一些实施方式中,根据仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界,具体包括:
将灰度图像进行高斯滤波,得到滤波后灰度图像;
根据滤波后灰度图像,进行图像灰度梯度计算,得到加强灰度图像;
根据加强灰度图像,对图像像素梯度进行非极大值抑制,得到边缘边界图像;
根据边缘边界图像,通过双阈值检测和边缘连接,得到仪表的边缘边界。
在本申请一些实施方式中,根据仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界,具体包括:
根据仪表的边缘边界的像素梯度,判断得到多条椭圆凹弧线以及椭圆凸弧线;
根据多条椭圆凹弧线以及椭圆凸弧线,通过椭圆性质拟合出多个拟合椭圆;
对多个拟合椭圆进行打分,得到拟合得分,剔除拟合得分小于分值阈值的椭圆,得到过滤后的多个拟合椭圆;将拟合得分最大值对应的拟合椭圆作为椭圆聚类的中心;
将过滤后的多个拟合椭圆,通过椭圆聚类得到仪表的椭圆边界。
在本申请一些实施方式中,根据仪表的边缘边界的像素梯度,判断得到多条椭圆凹弧线以及椭圆凸弧线,具体包括:
根据仪表的边缘边界的像素梯度,将梯度上升的相邻像素点相连接得到多条弧线,确定为椭圆凹弧线;将梯度下降的相邻像素点相连接得到多条弧线,确定为椭圆凸弧线;
其中,椭圆凹弧线concave以及椭圆凸弧线convex的具体描述公式为:
在本申请一些实施方式中,根据多条椭圆凹弧线以及椭圆凸弧线,通过椭圆性质拟合出多个拟合椭圆,具体包括:
根据仪表的边缘边界,预估得到仪表中心,以仪表中心为坐标原点得到直角坐标系;
根据多条椭圆凹弧线以及椭圆凸弧线在直角坐标系的位置,筛选出第一象限和第三象限的椭圆凸弧线,以及第二象限和第四象限的椭圆凹弧线;
将筛选出的椭圆凸弧线以及椭圆凹弧线进行拟合,得到多个拟合椭圆。
在本申请一些实施方式中,根据对多个拟合椭圆进行打分,得到拟合得分中,拟合得分具体包括:
确定拟合椭圆与对应的椭圆凹弧线以及椭圆凸弧线的重合度,重合度越高,拟合得分越高;
确定拟合椭圆与相邻拟合椭圆的重合度,重合度越高,拟合得分越高。
在本申请一些实施方式中,根据仪表的椭圆边界,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像,具体包括:
根据表盘旋转角度将仪表的椭圆边界进行旋转,使旋转角度为零;
根据仪表的椭圆边界,确定椭圆的长轴端点以及短轴端点,作为仪表的关键点;
根据仪表的关键点,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
根据本申请实施例的第二个方面,提供了一种指针式仪表图像矫正系统,具体包括:
图像获取模块:用于获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;
仪表边界获取模块:用于根据仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;
仪表椭圆检测模块:用于根据仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;
仪表矫正模块:用于根据仪表的椭圆边界,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
根据本申请实施例的第三个方面,提供了一种指针式仪表图像矫正设备,包括:
存储器:用于存储可执行指令;以及
处理器:用于与存储器连接以执行可执行指令从而完成指针式仪表图像矫正方法。
根据本申请实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现指针式仪表图像矫正方法。
采用本申请实施例中的指针式仪表图像矫正方法、系统及存储介质,通过获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;根据仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;根据仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;根据仪表的椭圆边界,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。本申请对指针式仪表图像对圆形仪表的非正视图像进行正圆形矫正,获得标准的正视图像,具有快捷、高效、鲁棒性强等特点,提高了后续仪表示数的识别准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1中示出了根据本申请实施例的指针式仪表图像矫正方法的步骤示意图;
图2中示出了根据本申请实施例的指针式仪表图像矫正方法中椭圆检测的流程示意图;
图3中示出了根据本申请实施例的指针式仪表图像矫正方法中图像矫正的流程示意图;
图4中示出了根据本申请实施例中判断弧线的凹凸性的原理示意图;
图5中示出了根据本申请实施例中筛选坐标系下不同象限内椭圆弧线的原理图;
图6中示出了根据本申请实施例中判定椭圆凹、凸弧线所属象限的原理图;
图7中示出了根据本申请实施例的指针式仪表图像矫正系统的结构示意图;
图8中示出了根据本申请实施例的指针式仪表图像矫正设备的结构示意图。
具体实施方式
在实现本申请的过程中,发明人发现巡检机器人按照规定路线以一定的角度对仪表进行拍摄,导致拍摄到的表盘图片发生变形不是正视图,严重影响了后续的图像特征提取、识别等图像处理工作。因此,对发生形变的表盘图像进行矫正,最大限度还原成正圆,具有非常大的现实意义。
基于此,本发明的指针式仪表图像矫正方法及系统,通过获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;根据所述仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;根据所述仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;所述仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;根据仪表的椭圆边界,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。本申请对指针式仪表图像对圆形仪表的非正视图像进行正圆形矫正,获得标准的正视图像,具有快捷、高效、鲁棒性强等特点,提高了后续仪表示数的识别准确性。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
图1中示出了根据本申请实施例的指针式仪表图像矫正方法的步骤示意图。
如图1所示,本申请实施例的指针式仪表图像矫正方法,具体包括以下步骤:
S101:获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像。
首先,根据巡检机器人等设备获取指针式仪表的拍摄图像,通过图像预处理,将原始拍摄图像转换为灰度图像。
S102:根据仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界。
具体的,本实施例中,使用自适应的边缘检测算法AdaptCanny对预处理后的灰度图进行边界检测,获取图像中的边界信息。
S102步骤中,具体的:
1)将灰度图像进行高斯滤波,得到滤波后灰度图像。
2)根据滤波后灰度图像,进行图像灰度梯度计算,得到加强灰度图像。
具体的,根据高斯滤波处理后的图像,计算图像在x和y方向上的soble变换,得到图像水平和垂直两个方向的梯度。根据得到的水平和垂直两个方向的梯度,计算x和y方向上的像素梯度的峰值。然后根据梯度峰值,计算像素梯度的直方图,并将梯度进行压缩,得到加强灰度图像。同时,根据像素梯度的直方图计算双阈值。
3)根据加强灰度图像,对图像像素梯度进行非极大值抑制,得到边缘边界图像。
4)根据边缘边界图像,利用经过后处理后的像素梯度信息,通过双阈值检测和边缘连接,得到仪表的边缘边界。
采用本申请的自适应边缘检测算法,灵活性高、速度快、效果好。
现有采用的Canny边缘检测算法,需要人为设定高低阈值,若高低阈值设置不当,往往得到很糟糕的结果。而本申请自适应边缘检测算法AdaptCanny能够根据图像的梯度直方图自适应计算高低阈值,因此灵活性更高、检测效果更好、定位更准、速度更快。
S103:根据仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度。
S103根据获得的边界信息,采用快速椭圆检测算法对图像中存在的椭圆进行拟合,并获取椭圆的圆心坐标、长轴长度、短轴长度以及盘转角等信息。
图2中示出了根据本申请实施例的指针式仪表图像矫正方法中椭圆检测的流程示意图。
具体的,在根据仪表的边缘边界,通过快速椭圆检测算法,获得仪表的椭圆边界,具体包括以下四个步骤:
步骤一、根据仪表的边缘边界的像素梯度,判断得到多条椭圆凹弧线以及椭圆凸弧线。
步骤二、根据多条椭圆凹弧线以及椭圆凸弧线,通过椭圆性质拟合出多个拟合椭圆。
步骤三、对多个拟合椭圆进行打分,得到拟合得分,剔除拟合得分小于分值阈值的椭圆,得到过滤后的多个拟合椭圆;将拟合得分最大值对应的拟合椭圆作为椭圆聚类的中心。
步骤四、将过滤后的多个拟合椭圆,通过椭圆聚类得到仪表的椭圆边界。
如图2所示,进一步的,在第一个步骤中,需要根据边界信息进行凹凸性检测。
具体的,需要根据仪表的边缘边界的像素梯度,将梯度上升的相邻像素点相连接得到多条弧线,确定为椭圆凹弧线;将梯度下降的相邻像素点相连接得到多条弧线,确定为椭圆凸弧线;
其中,椭圆凹弧线concave以及椭圆凸弧线convex的具体描述公式为:
图4中示出了根据本申请实施例中判断弧线的凹凸性的原理示意图。
当时,t沿着x方向递增,当时,I沿着y方向递增,此时,如图4中第二、四象限的弧线,t沿着x方向和y方向同时递增或递减时,此时像素梯度上升,判定相连接的弧线为椭圆凹弧线concave;相同原理,如图4中第一、三象限的弧线,像素梯度下降时,判定相连接的弧线为椭圆凸弧线convex。
图5中示出了根据本申请实施例中筛选坐标系下不同象限内椭圆弧线的原理说明图。
在判定了边界的凹凸性后,我们需要判定那些弧可能构成一个椭圆。以椭圆中心为原点构造一个直角坐标系,如图4所示。会发现第一象限和第三象限的弧是凸的,第二象限和第四象限的弧是凹的。y轴反向,所以与笛卡尔坐标系下函数图像看起来是相反的。如图5所示,如果凹弧位于第一和第三象限,凸弧位于第二和第四象限,则显然不能构成椭圆。因此对于检测出来的弧,我们只需保留位于第一、三象限的凸弧和第二、四象限的凹弧即可。
基于此,在步骤二中,需要判断上一步骤的椭圆凹弧线concave以及椭圆凸弧线convex属于哪一象限,筛选保留处于第一、三象限的凸弧和处于第二、四象限的凹弧,然后利用椭圆性质拟合出椭圆,最后估计出椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度等椭圆参数。
具体操作步骤如下:
(a)根据仪表的边缘边界,预估得到仪表中心,以仪表中心为坐标原点得到直角坐标系;(b)根据多条椭圆凹弧线以及椭圆凸弧线在直角坐标系的位置,筛选出第一象限和第三象限的椭圆凸弧线,以及第二象限和第四象限的椭圆凹弧线;(c)将筛选出的椭圆凸弧线以及椭圆凹弧线进行拟合,得到多个拟合椭圆。
具体的,在步骤(b)中,基于直角坐标系判断多条椭圆凹弧线以及椭圆凸弧线属于哪一象限时,本申请通过以下方法进行弧线所属象限的判定。
图6中示出了根据本申请实施例中判定椭圆凹、凸弧线所属象限的原理图。
如图6所示,以椭圆弧段的起点和终点为对角线,构建一个包含矩形。包含矩形被椭圆弧线划分为上区域U以及下区域O两个区域。
若椭圆凸弧线的上区域U面积小于下区域O面积时,此椭圆凸弧线处于第一象限;若圆凸弧线的上区域U面积大于下区域O面积时,此椭圆凸弧线处于第三象限。
同理的,若椭圆凹弧线的上区域U面积小于下区域O面积时,此椭圆凹弧线处于第二象限;若圆凹弧线的上区域U面积大于下区域O面积时,此椭圆凹弧线处于第四象限。
在步骤三中,对多个拟合椭圆进行打分,得到拟合得分,拟合得分具体包括:
确定拟合椭圆与对应的椭圆凹弧线以及椭圆凸弧线的重合度,重合度越高,拟合得分越高;确定拟合椭圆与相邻拟合椭圆的重合度,重合度越高,拟合得分越高。
具体实施时,根据拟合椭圆参数所使用的弧上的点落在拟合出的椭圆上的情况,对拟合的椭圆进行打分,根据拟合得分将拟合出的椭圆从高到低排列。并设置分值阈值,将小于分值阈值的椭圆剔除。
具体实施时,进行椭圆打分的步骤为:
选取待打分拟合椭圆对应凸弧和凹弧αa,αb,αc上的一组点(xi,yi),设f(x,y,εi)表示拟合的第i个椭圆的表达式。其中,
然后,定义一个集合B={(xi,yi):|f(xi,yi,εi)-1|<0.1},该集合B表示弧αa,αb,αc上靠近椭圆边界的点。
根据集合B,计算拟合的椭圆的得分σ,计算方法为:
在对多个拟合的椭圆完成打分后,若得分σ小于设定的分值阈值,则舍弃这个椭圆。
在本实施例中,设定分数阈值为0.4。
最后进行步骤四,将过滤后的多个拟合椭圆,通过椭圆聚类得到仪表的椭圆边界。由于图像中真实存在的椭圆可能被检测多次,得到多个相似的椭圆。因此需要对检测到的椭圆进行聚类,并将聚类中心的椭圆作为最终的输出结果。聚类方法为:
在完成对椭圆的打分和筛选后,按照递减的顺序,根据得分对椭圆进行排序。选取得分最高的椭圆作为聚类的中心,与其他椭圆分别比较他们的中心、长短轴以及旋转角。若满足条件,则这两个椭圆归为一类。
通过对拟合椭圆的打分以及聚类后,还包括对椭圆进行后处理的椭圆筛选,得到唯一的仪表的椭圆边界。
具体的,限定椭圆中心所处的区域以及长短轴的长度,且椭圆得分需要大于一定阈值。若椭圆不满足条件,则将椭圆的得分设置为0。筛选完成后,选取得分最高的椭圆用于后续的矫正。
在具体实施中,椭圆中心被限定在以图像中心为中心,边长为50像素值的正方形区域内,半长轴长度不得小于图像宽度的2/3,半短轴的长度不得长于图像宽度的2/3。分数筛选阈值设定为0.8。
进一步的,在步骤(a)预估得到仪表中心时,本申请根据椭圆凹、凸弧线估计椭圆中心点,作为仪表中心。
基于椭圆的性质,椭圆内一组平行弦的中点连线必过椭圆中心点。因此,基于两段椭圆弧线即可得到椭圆中心点。
采用椭圆凹弧线a和椭圆凸弧线b,计算椭圆中心点的主要步骤为:
首先,弧a和弧b按照坐标排定方向,弧a分为a1和a2两段,弧b分为b1和b2两段。
然后,取出弧b的前半段1和弧a的前半段a1,连接两端弧线上的点的线段作为基准弦,利用夹逼方法求出一组平行弦。同理利用弧a的后半段a2和弧b的后半段b2,利用夹逼方法求出另一组平行弦。
最后,计算两组平行弦中点连线的交点,即为椭圆中心C。
本实施例中,可利用三段不同象限的椭圆弧,两两组合求出多个椭圆的中心点,然后选取多个椭圆中心点的中心位置作为仪表中心。
同时,通过判断多个椭圆中心点之间距离,可以判定相应的椭圆弧线是否属于同一拟合椭圆,进一步提高了椭圆拟合精准度。例如椭圆中心点之间距离当小于阈值时,则相应的椭圆弧线属于同一拟合椭圆。
本申请采用快速椭圆检测算法进行椭圆拟合,运算量低、效率高。
现有的椭圆检测中使用Hough变换进行椭圆拟合,需要在像素级别上进行大量运算,因此运算量大、效率低。相比,本申请的快速椭圆检测算法,在弧级别上进行椭圆拟合,极大的减小了运算量,并提高的检测效率,且大大提高了椭圆拟合准确度。进而得到更加准确的仪表的椭圆边界。
S104:根据仪表的椭圆边界,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
图3中示出了根据本申请实施例的指针式仪表图像矫正方法中图像矫正的整体流程示意图。
如图3所示,S104步骤具体包括:
首先,根据表盘旋转角度将仪表的椭圆边界进行旋转,使旋转角度为零。
然后,根据仪表的椭圆边界,计算并确定椭圆的长轴端点以及短轴端点,将四个端点作为仪表的关键点。
最后,根据仪表的四个关键点,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
具体的,将表盘图像进行透视变换,将其投影到一个宽高比一样的预设好的正圆的图像上,例如,448:448的正圆区域,使发生畸变的表盘校正成一个448:448的正圆表盘。
本申请中的透视变换(Perspective Transformation)是将图片投影到一个新的视平面(Viewing Plane),也称作投影映射(Projective Mapping)。
本申请中的关键点对透视变换十分重要,关键点的选择以及原图中关键点和变换后图片中关键点的对应关系决定了透视变换的效果。
综合的,如图3所示,本申请指针式仪表图像矫正方法流程主要包括以下几个阶段:预处理阶段、椭圆检测阶段、后处理阶段以及矫正阶段。
预处理阶段:将图像转换为灰度图并进行高斯平滑(高斯模糊)。
椭圆检测阶段:使用自适应边缘检测算法检测边缘,根据边缘检测弧,对弧进行筛选保留1,3象限的凸弧和2,4象限的凹弧;根据凸弧和凹弧拟合椭圆参数对拟合出的椭圆进行打分和筛选;对筛选后的椭圆进行聚类,将聚类中心的椭圆作为最终的检测结果输出。
后处理阶段:对检测到的椭圆进行筛选,选出最符合表盘边缘的椭圆。
矫正阶段:根据检测到的椭圆参数对图像进行旋转,并计算关键点;根据关键点进行投影变换,转变为正视图,输出矫正后的图片。
本申请在图像预处理阶段,现有方案往往通过增加二值化操作来凸显表盘边界信息。但由于图片的曝光程度、对比度、以及表盘的外观都各不相同,因此,需要根据图片的特征设置阈值,以达到最佳的效果。且在边缘检测阶段使用Canny算法同样需要人为根据图片特征来设置高低阈值,以达到最佳效果。因此,现有技术的方案需要对每一张图片进行专门的人工调整,灵活度较差。本申请无需上述人工调参过程,能够适应各种曝光条件、对比度的仪表图片,具有更高的灵活性。
采用本申请实施例中的指针式仪表图像矫正方法,通过获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;根据所述仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;根据所述仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;根据仪表的椭圆边界,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。本申请对指针式仪表图像对圆形仪表的非正视图像进行正圆形矫正,获得标准的正视图像,具有快捷、高效、鲁棒性强等特点,提高了后续仪表示数的识别准确性。
实施例2
本实施例提供了一种指针式仪表图像矫正系统,对于本实施例的指针式仪表图像矫正系统中未披露的细节,请参照其它实施例中的指针式仪表图像矫正方法的具体实施内容。
图7中示出了根据本申请实施例的指针式仪表图像矫正系统的结构示意图。
如图7所示,本申请实施例的指针式仪表图像矫正系统,具体包括图像获取模块10、仪表边界获取模块20、仪表椭圆检测模块30以及仪表矫正模块40。
具体的,
图像获取模块10:用于获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像。
根据巡检机器人等设备获取指针式仪表的拍摄图像,通过图像预处理,将原始拍摄图像转换为灰度图像。
仪表边界获取模块20:用于根据仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界。
具体的,本实施例中,使用自适应的边缘检测算法AdaptCanny对预处理后的灰度图进行边界检测,获取图像中的边界信息。
具体的:1)将灰度图像进行高斯滤波,得到滤波后灰度图像。2)根据滤波后灰度图像,进行图像灰度梯度计算,得到加强灰度图像。具体的,根据高斯滤波处理后的图像,计算图像在x和y方向上的soble变换,得到图像水平和垂直两个方向的梯度。根据得到的水平和垂直两个方向的梯度,计算x和y方向上的像素梯度的峰值。然后根据梯度峰值,计算像素梯度的直方图,并将梯度进行压缩,得到加强灰度图像。同时,根据像素梯度的直方图计算双阈值。3)根据加强灰度图像,对图像像素梯度进行非极大值抑制,得到边缘边界图像。4)根据边缘边界图像,利用经过后处理后的像素梯度信息,通过双阈值检测和边缘连接,得到仪表的边缘边界。
采用本申请的自适应边缘检测算法,灵活性高、速度快、效果好。
现有采用的Canny边缘检测算法,需要人为设定高低阈值,若高低阈值设置不当,往往得到很糟糕的结果。而本申请自适应边缘检测算法AdaptCanny能够根据图像的梯度直方图自适应计算高低阈值,因此灵活性更高、检测效果更好、定位更准、速度更快。
仪表椭圆检测模块30:用于根据仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度。
在根据仪表的边缘边界,通过快速椭圆检测算法,获得仪表的椭圆边界,具体包括以下四个步骤:
步骤一、根据仪表的边缘边界的像素梯度,判断得到多条椭圆凹弧线以及椭圆凸弧线。
首先,需要根据边界信息进行凹凸性检测。
具体的,需要根据仪表的边缘边界的像素梯度,将梯度上升的相邻像素点相连接得到多条弧线,确定为椭圆凹弧线;将梯度下降的相邻像素点相连接得到多条弧线,确定为椭圆凸弧线;
其中,椭圆凹弧线concave以及椭圆凸弧线convex的具体描述公式为:
步骤二、根据多条椭圆凹弧线以及椭圆凸弧线,通过椭圆性质拟合出多个拟合椭圆。
首选,需要判断上一步骤的椭圆凹弧线concave以及椭圆凸弧线convex属于哪一象限,筛选保留处于第一、三象限的凸弧和处于第二、四象限的凹弧,然后利用椭圆性质拟合出椭圆,最后估计出椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度等椭圆参数。
具体操作步骤如下:
(a)根据仪表的边缘边界,预估得到仪表中心,以仪表中心为坐标原点得到直角坐标系;(b)根据多条椭圆凹弧线以及椭圆凸弧线在直角坐标系的位置,筛选出第一象限和第三象限的椭圆凸弧线,以及第二象限和第四象限的椭圆凹弧线;(c)将筛选出的椭圆凸弧线以及椭圆凹弧线进行拟合,得到多个拟合椭圆。
基于直角坐标系判断多条椭圆凹弧线以及椭圆凸弧线属于哪一象限时,本申请通过以下方法进行弧线所属象限的判定。
如图6所示,以椭圆弧段的起点和终点为对角线,构建一个包含矩形。包含矩形被椭圆弧线划分为上区域U以及下区域O两个区域。
若椭圆凸弧线的上区域U面积小于下区域O面积时,此椭圆凸弧线处于第一象限;若圆凸弧线的上区域U面积大于下区域O面积时,此椭圆凸弧线处于第三象限。
同理的,若椭圆凹弧线的上区域U面积小于下区域O面积时,此椭圆凹弧线处于第二象限;若圆凹弧线的上区域U面积大于下区域O面积时,此椭圆凹弧线处于第四象限。
步骤三、对多个拟合椭圆进行打分,得到拟合得分,剔除拟合得分小于分值阈值的椭圆,得到过滤后的多个拟合椭圆;将拟合得分最大值对应的拟合椭圆作为椭圆聚类的中心。
具体的,拟合得分具体包括:
确定拟合椭圆与对应的椭圆凹弧线以及椭圆凸弧线的重合度,重合度越高,拟合得分越高;确定拟合椭圆与相邻拟合椭圆的重合度,重合度越高,拟合得分越高。
具体实施时,根据拟合椭圆参数所使用的弧上的点落在拟合出的椭圆上的情况,对拟合的椭圆进行打分,根据拟合得分将拟合出的椭圆从高到低排列。
并设置分值阈值,将小于分值阈值的椭圆剔除。
具体实施时,进行椭圆打分的步骤为:
选取待打分拟合椭圆对应凸弧和凹弧αa,αb,αc上的一组点(xi,yi),设f(x,y,εi)表示拟合的第i个椭圆的表达式。其中,
然后,定义一个集合B={(xi,yi):|f(xi,yi,εi)-1|<0.1},该集合B表示弧αa,αb,αc上靠近椭圆边界的点。
根据集合B,计算拟合的椭圆的得分σ,计算方法为:
在对多个拟合的椭圆完成打分后,若得分σ小于设定的分值阈值,则舍弃这个椭圆。
在本实施例中,设定分数阈值为0.4。
最后进行步骤四,将过滤后的多个拟合椭圆,通过椭圆聚类得到仪表的椭圆边界。由于图像中真实存在的椭圆可能被检测多次,得到多个相似的椭圆。因此需要对检测到的椭圆进行聚类,并将聚类中心的椭圆作为最终的输出结果。聚类方法为:
在完成对椭圆的打分和筛选后,按照递减的顺序,根据得分对椭圆进行排序。选取得分最高的椭圆作为聚类的中心,与其他椭圆分别比较他们的中心、长短轴以及旋转角。若满足条件,则这两个椭圆归为一类。
通过对拟合椭圆的打分以及聚类后,还包括对椭圆进行后处理的椭圆筛选,得到唯一的仪表的椭圆边界。
具体的,限定椭圆中心所处的区域以及长短轴的长度,且椭圆得分需要大于一定阈值。若椭圆不满足条件,则将椭圆的得分设置为0。筛选完成后,选取得分最高的椭圆用于后续的矫正。
在具体实施中,椭圆中心被限定在以图像中心为中心,边长为50像素值的正方形区域内,半长轴长度不得小于图像宽度的2/3,半短轴的长度不得长于图像宽度的2/3。分数筛选阈值设定为0.8。
进一步的,在步骤(a)预估得到仪表中心时,本申请根据椭圆凹、凸弧线估计椭圆中心点,作为仪表中心。
采用椭圆凹弧线a和椭圆凸弧线b,计算椭圆中心点的主要步骤为:
首先,弧a和弧b按照坐标排定方向,弧a分为a1和a2两段,弧b分为b1和b2两段。
然后,取出弧b的前半段1和弧a的前半段a1,连接两端弧线上的点的线段作为基准弦,利用夹逼方法求出一组平行弦。同理利用弧a的后半段a2和弧b的后半段b2,利用夹逼方法求出另一组平行弦。
最后,计算两组平行弦中点连线的交点,即为椭圆中心C。
本实施例中,可利用三段不同象限的椭圆弧,两两组合求出多个椭圆的中心点,然后选取多个椭圆中心点的中心位置作为仪表中心。
同时,通过判断多个椭圆中心点之间距离,可以判定相应的椭圆弧线是否属于同一拟合椭圆,进一步提高了椭圆拟合精准度。例如椭圆中心点之间距离当小于阈值时,则相应的椭圆弧线属于同一拟合椭圆。
本申请采用快速椭圆检测算法进行椭圆拟合,运算量低、效率高。
现有的椭圆检测中使用Hough变换进行椭圆拟合,需要在像素级别上进行大量运算,因此运算量大、效率低。相比,本申请的快速椭圆检测算法,在弧级别上进行椭圆拟合,极大的减小了运算量,并提高的检测效率,且大大提高了椭圆拟合准确度。进而得到更加准确的仪表的椭圆边界。
仪表矫正模块40:用于根据仪表的椭圆边界,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
具体的,首先,根据表盘旋转角度将仪表的椭圆边界进行旋转,使旋转角度为零。然后,根据仪表的椭圆边界,计算并确定椭圆的长轴端点以及短轴端点,将四个端点作为仪表的关键点。最后,根据仪表的四个关键点,通过透视变换,将仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
采用本申请实施例中的指针式仪表图像矫正系统,通过图像获取模块10获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;仪表边界获取模块20根据所述仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;仪表椭圆检测模块30根据所述仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;仪表矫正模块40根据仪表的椭圆边界,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。本申请对指针式仪表图像对圆形仪表的非正视图像进行正圆形矫正,获得标准的正视图像,具有快捷、高效、鲁棒性强等特点,提高了后续仪表示数的识别准确性。
实施例3
本实施例提供了一种指针式仪表图像矫正设备,对于本实施例的指针式仪表图像矫正设备中未披露的细节,请参照其它实施例中的指针式仪表图像矫正方法或系统具体的实施内容。
图8中示出了根据本申请实施例的指针式仪表图像矫正设备400的结构示意图。
如图8所示,指针式仪表图像矫正设备400,包括:
存储器402:用于存储可执行指令;以及
处理器401:用于与存储器402连接以执行可执行指令从而完成运动矢量预测方法。
本领域技术人员可以理解,示意图8仅仅是指针式仪表图像矫正设备400的示例,并不构成对指针式仪表图像矫正设备400的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如指针式仪表图像矫正设备400还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等,处理器401是指针式仪表图像矫正设备400的控制中心,利用各种接口和线路连接整个指针式仪表图像矫正设备400的各个部分。
存储器402可用于存储计算机可读指令,处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块,以及调用存储在存储器402内的数据,实现指针式仪表图像矫正设备400的各种功能。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据指针式仪表图像矫正设备400使用所创建的数据等。此外,存储器402可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)或其他非易失性/易失性存储器件。
指针式仪表图像矫正设备400集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现其他实施例中的指针式仪表图像矫正方法。
本申请实施例中的指针式仪表图像矫正设备及计算机存储介质,通过获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;根据所述仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;根据所述仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;根据仪表的椭圆边界,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。本申请对指针式仪表图像对圆形仪表的非正视图像进行正圆形矫正,获得标准的正视图像,具有快捷、高效、鲁棒性强等特点,提高了后续仪表示数的识别准确性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种指针式仪表图像矫正方法,包括以下步骤:
获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;
根据所述仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;
根据所述仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;所述仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;
根据仪表的椭圆边界,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
2.根据权利要求1所述的指针式仪表图像矫正方法,其特征在于,所述根据所述仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界,具体包括:
将所述灰度图像进行高斯滤波,得到滤波后灰度图像;
根据所述滤波后灰度图像,进行图像灰度梯度计算,得到加强灰度图像;
根据所述加强灰度图像,对图像像素梯度进行非极大值抑制,得到边缘边界图像;
根据所述边缘边界图像,通过双阈值检测和边缘连接,得到仪表的边缘边界。
3.根据权利要求1所述的指针式仪表图像矫正方法,其特征在于,所述根据所述仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界,具体包括:
根据所述仪表的边缘边界的像素梯度,判断得到多条椭圆凹弧线以及椭圆凸弧线;
根据所述多条椭圆凹弧线以及椭圆凸弧线,通过椭圆性质拟合出多个拟合椭圆;
对所述多个拟合椭圆进行打分,得到拟合得分,剔除拟合得分小于分值阈值的椭圆,得到过滤后的多个拟合椭圆;将拟合得分最大值对应的拟合椭圆作为椭圆聚类的中心;
将所述过滤后的多个拟合椭圆,通过椭圆聚类得到仪表的椭圆边界。
5.根据权利要求3所述的指针式仪表图像矫正方法,其特征在于,所述根据所述多条椭圆凹弧线以及椭圆凸弧线,通过椭圆性质拟合出多个拟合椭圆,具体包括:
根据所述仪表的边缘边界,预估得到仪表中心,以所述仪表中心为坐标原点得到直角坐标系;
根据所述多条椭圆凹弧线以及椭圆凸弧线在直角坐标系的位置,筛选出第一象限和第三象限的椭圆凸弧线,以及第二象限和第四象限的椭圆凹弧线;
将所述筛选出的椭圆凸弧线以及椭圆凹弧线进行拟合,得到多个拟合椭圆。
6.根据权利要求3所述的指针式仪表图像矫正方法,其特征在于,所述对所述多个拟合椭圆进行打分,得到拟合得分中,所述拟合得分具体包括:
确定所述拟合椭圆与对应的椭圆凹弧线以及椭圆凸弧线的重合度,重合度越高,拟合得分越高;
确定所述拟合椭圆与相邻拟合椭圆的重合度,重合度越高,拟合得分越高。
7.根据权利要求1所述的指针式仪表图像矫正方法,其特征在于,所述根据仪表的椭圆边界,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像,具体包括:
根据表盘旋转角度将仪表的椭圆边界进行旋转,使旋转角度为零;
根据仪表的椭圆边界,确定椭圆的长轴端点以及短轴端点,作为仪表的关键点;
根据所述仪表的关键点,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
8.一种指针式仪表图像矫正系统,其特征在于,具体包括:
图像获取模块:用于获取指针式仪表的图像,进行图像预处理,得到仪表的灰度图像;
仪表边界获取模块:用于根据所述仪表的灰度图像,通过自适应边缘检测,获得仪表的边缘边界;
仪表椭圆检测模块:用于根据所述仪表的边缘边界,通过椭圆检测,获得仪表的椭圆边界;所述仪表的椭圆边界包括椭圆圆心位置、椭圆长轴长度、椭圆短轴长度以及表盘旋转角度;
仪表矫正模块:用于根据仪表的椭圆边界,通过透视变换,将所述仪表的椭圆边界对应的仪表椭圆图像投影至正圆区域,得到矫正图像。
9.一种指针式仪表图像矫正设备,其特征在于,包括:
存储器:用于存储可执行指令;以及
处理器:用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-7任一项所述的指针式仪表图像矫正方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;计算机程序被处理器执行以实现如权利要求1-7任一项所述的指针式仪表图像矫正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110144237.7A CN112861870B (zh) | 2021-02-02 | 2021-02-02 | 指针式仪表图像矫正方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110144237.7A CN112861870B (zh) | 2021-02-02 | 2021-02-02 | 指针式仪表图像矫正方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861870A true CN112861870A (zh) | 2021-05-28 |
CN112861870B CN112861870B (zh) | 2023-10-24 |
Family
ID=75987669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110144237.7A Active CN112861870B (zh) | 2021-02-02 | 2021-02-02 | 指针式仪表图像矫正方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861870B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343969A (zh) * | 2021-06-21 | 2021-09-03 | 重庆科技学院 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
CN114037992A (zh) * | 2021-10-28 | 2022-02-11 | 软通动力信息技术(集团)股份有限公司 | 仪表示数识别方法、装置、电子设备及存储介质 |
CN114166141A (zh) * | 2021-11-23 | 2022-03-11 | 中国直升机设计研究所 | 一种直升机高速旋转桨叶图像的多圆形标记检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292871A (zh) * | 2017-06-08 | 2017-10-24 | 国网青海省电力公司检修公司 | 一种变电站圆形仪表的实时矫正算法 |
CN111488874A (zh) * | 2020-04-03 | 2020-08-04 | 中国农业大学 | 一种指针式仪表倾斜校正方法及系统 |
CN111931776A (zh) * | 2020-10-16 | 2020-11-13 | 江西小马机器人有限公司 | 一种基于深度学习的双指针仪表读数方法 |
-
2021
- 2021-02-02 CN CN202110144237.7A patent/CN112861870B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292871A (zh) * | 2017-06-08 | 2017-10-24 | 国网青海省电力公司检修公司 | 一种变电站圆形仪表的实时矫正算法 |
CN111488874A (zh) * | 2020-04-03 | 2020-08-04 | 中国农业大学 | 一种指针式仪表倾斜校正方法及系统 |
CN111931776A (zh) * | 2020-10-16 | 2020-11-13 | 江西小马机器人有限公司 | 一种基于深度学习的双指针仪表读数方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343969A (zh) * | 2021-06-21 | 2021-09-03 | 重庆科技学院 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
CN114037992A (zh) * | 2021-10-28 | 2022-02-11 | 软通动力信息技术(集团)股份有限公司 | 仪表示数识别方法、装置、电子设备及存储介质 |
CN114166141A (zh) * | 2021-11-23 | 2022-03-11 | 中国直升机设计研究所 | 一种直升机高速旋转桨叶图像的多圆形标记检测方法 |
CN114166141B (zh) * | 2021-11-23 | 2023-05-26 | 中国直升机设计研究所 | 一种直升机高速旋转桨叶图像的多圆形标记检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112861870B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN107609557B (zh) | 一种指针式仪表读数识别方法 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN111899334B (zh) | 一种基于点线特征的视觉同步定位与地图构建方法及装置 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
US20230267619A1 (en) | Method and system of recognizing object edges and computer-readable storage medium | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN108491498A (zh) | 一种基于多特征检测的卡口图像目标搜索方法 | |
CN112966711A (zh) | 基于卷积神经网络的指针式仪表示数识别方法及系统 | |
CN108229500A (zh) | 一种基于函数拟合的sift误匹配点剔除法 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
CN101369309A (zh) | 基于主动表观模型和外耳长轴的人耳图像归一化方法 | |
CN114612490B (zh) | 一种基于显微镜图像的栅藻类细胞统计方法 | |
CN112085709A (zh) | 一种图像对比方法及设备 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
CN114037992A (zh) | 仪表示数识别方法、装置、电子设备及存储介质 | |
CN114445482A (zh) | 基于Libra-RCNN和椭圆形状特征的图像中目标检测方法及系统 | |
CN112364881A (zh) | 一种进阶采样一致性图像匹配算法 | |
CN112560839A (zh) | 指针式仪表读数的自动识别方法及系统 | |
CN115311287B (zh) | 一种共轨喷油器生产异常检测方法 | |
CN110031471B (zh) | 大口径光学元件表面缺陷增长分析方法、系统、装置 | |
CN110766728A (zh) | 基于深度学习的组合图像特征精确匹配算法 |
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 |