CN113077392A - 一种针对指针表模糊照片的高准确度自动读数方法 - Google Patents

Abstract

本发明涉及人工智能技术中的机器视觉领域，涉及一种针对指针表模糊照片的高准确度自动读数方法，包括如下步骤：步骤1：输入图片、模板信息；所述图片为工业场景下用固定摄像头对指针表的实际拍摄照片；所述模板信息为基于该图片事先标定的关键点信息，包括表盘圆心坐标、量程零点/满刻度点/单位刻度点坐标；步骤2：图像预处理；步骤3：霍夫空间构建；步骤4：霍夫空间量化能量累加；步骤5：多最大值点提取；步骤6：最大值异常点剔除；步骤7：ρ‑θ加权平均；步骤8：确定刻度交点坐标；步骤9：输出指针表读数；采用过阈值像素点保留阈差值的灰度量化方式，并将量化灰度值参与霍夫空间能量累加，取代传统的单值累加。

Description

一种针对指针表模糊照片的高准确度自动读数方法

技术领域

本发明涉及人工智能技术中的机器视觉领域，特别是涉及一种针对指针表模糊照片的高准确度自动读数方法。

背景技术

指针表具有结构简单、价格低廉、不易受干扰等特点，在工业生产中的使用场景很多。随着图像处理技术的发展，指针表的自动读数技术获得越来越多的重视和研究，其读数速度和准确度也越来越高，并逐步取代人工读数，实现了工业生产效率的提高。目前指针表自动读数的方法主要有两大类：一类是基于深度学习的方法，采用卷积神经网络对大量数据集进行训练，实现指针刻度的自动识别；另一类是基于霍夫变换的方法，采用霍夫变换检测指针所在直线，并结合标注的模板信息换算出指针表读数。

基于霍夫变换的指针表读数方法因其复杂度低、易实现、不需要预先训练等优点，其成为目前工业应用的主流方法。其算法主要步骤有：图像预处理、霍夫直线检测、直线聚类和特征提取、基于模板计算读数等。其中图像预处理常包括图像灰度化、滤波、二值化、细化等若干步骤，最终输出用于霍夫直线检测的二值化图像。霍夫直线检测及后续的直线聚类等算法将拟合出一条指针所在直线，该直线结合模板信息，便可直接求得读数。该方法对于正常的指针表清晰照片，具有很高的读数准确度，所拟合的直线十分贴合指针中心，和人眼直接读数结果相当。但在实际工业生产中，常常因摄像头对焦不准或抖动，使得照片模糊，指针边缘难以分辨，此时传统的预处理手段难以纠正模糊产生的指针失真，所得二值化图像常表现为异常展宽的指针，使得霍夫变换所求直线距离指针中心偏离较多，读数准确度下降严重。

对于模糊指针表照片读数问题，现有技术多在图像预处理环节加以纠正，例如：对图像高通滤波处理后使用Canny算子进行边缘检测，提取指针的边缘信息，其后使用霍夫变换进行直线检测，并将检测到的多条直线进行聚类等后处理，最终得到唯一一条指针直线；另一种常用的方法是在霍夫变换之前进行细化操作，将二值化图像腐蚀、膨胀处理后细化指针特征，使图像中仅存在一条最长直线，后续霍夫变换时仅需寻找霍夫空间中能量值最大的点即为指针所在直线的参数。

以上两种现有技术对模糊度较低的照片，能够一定程度上纠正模糊引起的指针失真，读数准确度仍较高；但对模糊度较高的照片则读数准确度下降迅速，甚至读数完全错误，给实际工业生产带来很大隐患。

基于上述情况，亟需开发一种针对指针表模糊照片的高准确度自动读数方法，并将其应用于实际工业环境中，提高对照片图像质量的适应性。

发明内容

本发明提供一种针对指针表模糊照片的高准确度自动读数方法，用于解决传统算法对指针表模糊照片读数准确度下降严重的问题。

为实现上述目的，本发明提供了如下的技术方案：一种针对指针表模糊照片的高准确度自动读数方法，包括如下步骤：

步骤1：输入图片、模板信息；

所述图片为工业场景下用固定摄像头对指针表的实际拍摄照片；

所述模板信息为基于该图片事先标定的关键点信息，包括表盘圆心坐标、量程零点/满刻度点/单位刻度点坐标；

步骤2：图像预处理；

所述预处理包括图像灰度化、均值滤波去噪、改进高斯自适应二值化及有效域裁剪；其中改进高斯自适应二值化在传统高斯自适应二值化基础上，采用了过阈值像素点保留阈差值的灰度量化方式，如下式所示：

其中，p为像素点的灰度值，T_g为该像素点的高斯自适应阈值，x、y为像素点坐标；

有效域裁剪旨在去除指针不能及的部分以及表盘圆心附近无效数据部分，仅保留环形数据有效区域，处理方法如下式所示：

其中，p为像素点的灰度值，x、y为像素点坐标，x₀、y₀为表盘圆心坐标，r_min为表盘圆心附近无效数据半径，根据实际表盘而定，常取值0～30；r_max为自圆心起有效指针长度，根据实际表盘而定，常取值50～150；

步骤3：霍夫空间构建；

所述的霍夫空间采用ρ-θ极坐标系，其中ρ为直线到表盘圆心的距离，θ为直线与x轴正方向夹角，θ∈[-90°，90°)，计算ρ在一定范围的霍夫空间能量，即ρ∈[-T_ρ，T_ρ]，T_ρ为有效距离阈值，常取值10～20，ρ、θ的量化步长Δρ、Δθ根据所需精度而定，通常分别取1和1°；

步骤4：霍夫空间量化能量累加；

将图像有效域中每个非零像素点映射到霍夫空间中，生成一条关于(ρ，θ)的曲线，如下式所示：

ρ＝(x-x₀)*cosθ+(y-y₀)*sinθ (3)

其中，ρ、θ分别对应霍夫空间中点的纵坐标与横坐标离散化值，x、y为有效像素点坐标，x₀、y₀为表盘圆心坐标，霍夫空间任一单元(ρ_i，θ_i)的能量采用灰度量化累加的方式，其霍夫能量值如下式所示：

其中，H为霍夫能量，p为像素点的灰度值，x、y为像素点坐标，(ρ_i，θ_i)为霍夫空间任一单元，且满足步骤3中所述ρ_i∈[-T_ρ，T_ρ]，θ_i∈[-90°，90°)；

步骤5：多最大值点提取；

所述多最大值点提取是指对霍夫空间进行霍夫能量排序并提取N个霍夫能量最大值点，其中N由以下公式近似得出，通常取5～50：

其中，

为指针平均宽度，α为指针近圆心尾端左右两点与指针顶点连线构成的夹角，Δρ、Δθ分别为ρ、θ的量化步长；

步骤6：最大值异常点剔除；

所述最大值异常点剔除算法采用2sigma法则，剔除所有最大值点中ρ或θ值位于2sigma分布以外的异常点，其中θ需要做±90°扩展，最终剩余M个有效最大值点；

步骤7：ρ-θ加权平均；

所述ρ-θ加权平均指将步骤6所得M个有效最大值点坐标进行加权平均，获得最终直线L₀的参数(ρ₀，θ₀)，由以下公式所示：

其中，H_i为第i个最大值点的霍夫能量，ρ_i、θ_i为别为第i个最大值点的ρ-θ参数；

步骤8：确定刻度交点坐标；

步骤9：输出指针表读数；

所述输出指针表读数，是指结合模板信息中的量程零点、满刻度点、单位刻度点坐标及步骤8中确定的刻度交点坐标，以均匀刻度划分或非均匀刻度划分的方式，基于四点与圆心连线互成角度关系，求得指针表读数并输出。

作为优选，所述步骤8：确定刻度交点坐标具体是指：

所述确定刻度交点坐标分三步进行：

d)基于模板信息，采用三点共圆的算法确定刻度圆方程；

e)将刻度圆方程与直线L₀联立求得两个交点坐标，记为U(x_u,y_u)和V(x_v,y_v)；

f)回溯图像有效域中过L₀的所有非零像素点集，求得其x坐标和y坐标的平均值，记为

和

此时刻度交点由以下四种情况确定：

1)θ₀∈[-45°，45°]，且

则U和V中x坐标较小者为最终刻度交点；

2)θ₀∈[-45°，45°]，且

则U和V中x坐标较大者为最终刻度交点；

3)θ₀∈[-90°，-45°)∪(45°，90°)，且

则U和V中y坐标较小者为最终刻度交点；

4)θ₀∈[-90°，-45°)∪(45°，90°)，且

则U和V中y坐标较大者为最终刻度交点。

其中，x₀、y₀为表盘圆心坐标。

本发明有益效果：本发明的针对指针表模糊照片的高准确度自动读数方法基于业界较常用的传统高斯自适应二值化+霍夫直线检测算法而进行改进，主要改进有以下两点：

1)改进高斯自适应二值化采用过阈值像素点保留阈差值的灰度量化方式，并将量化灰度值参与霍夫空间能量累加，取代传统的单值累加；此处改进确保了指针边缘及周边有效数据参与霍夫空间能量累加；对于模糊照片，指针边缘像素的梯度异常降低，像素灰度值较清晰照片可信度大幅下降，此时不宜二值化地令其参与或不参与霍夫空间能量累加，而应采取阈差值能量累加的方式，引入权重信息，提高准确度。

2)对霍夫空间采取多能量最大值点提取，并求其加权平均的方式直接获得最终直线的ρ-θ参数；经验证，该算法相比传统的k-means聚类方法或寻找指针双边缘直线的算法复杂度均低，且准确度未见降低。

附图说明

图1为本发明算法的流程图；

图2为传统算法与本发明算法处理指针表清晰照片和模糊照片的中间过程对比图；

图2a和图2b分别为准确读数均为0.521MPa时原始清晰和模糊指针表照片；

图2c、2e分别为传统算法预处理后图像；

图2d、2f分别为本发明算法预处理后图像；

图2g、2i分别为传统算法所得霍夫空间热度图；

图2h、2j分别为本发明算法所得霍夫空间热度图；

图2k、2m分别为传统算法所得指针线段指示图；

图2l、2n分别为本发明算法所得指针线段指示图；

图3为本发明算法对实施例的处理过程图；

图3a为原始指针表照片；

图3b为预处理后图像；

图3c为霍夫空间热度图；

图3d为刻度交点示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

现有技术的缺点表现为对照片图像质量的适应性不强，仅能准确读取清晰照片或模糊度较低的照片。造成此问题的根本原因在于，未能充分、合理地使用指针边缘及其周边的像素灰度信息，这些像素点在做霍夫空间能量累加时，被二值化地参与或不参与累加过程，所有参与能量累加的像素点权重均相同。而事实上，位于指针中心位置的高灰度值像素因其可信度高，应当拥有较高的累加权重；而指针边缘及其周边的像素，由于模糊带来了灰度失真，应当拥有较低的累加权重，而不宜一刀切地二值化处理。

无论是边缘化后直接进行霍夫直线检测，或者细化后进行霍夫直线检测，本质上均是采取了一刀切的方案，未能充分、合理地使用指针边缘及其周边的像素灰度信息，因此对于高度模糊照片的读数准确度很差，甚至发生读数错误。

基于上述情形，本发明对现有技术进行了改进，很大程度上提高了对照片图像质量的适应性，可以实现对高度模糊照片的较准确读数。

本发明的针对指针表模糊照片的高准确度自动读数方法在具体实施时，如图1所示，具体步骤表述如下：

步骤1：输入图片、模板信息。所述的图片是指工业场景下用固定摄像头对指针表的实际拍摄照片；所述的模板信息为事先标定的、基于该图片的关键点信息，包括表盘圆心坐标、量程零点/满刻度点/单位刻度点坐标等。

步骤2：图像预处理。所述的预处理包括图像灰度化、均值滤波去噪、改进高斯自适应二值化及有效域裁剪。其中改进高斯自适应二值化在传统高斯自适应二值化基础上，采用了过阈值像素点保留阈差值的灰度量化方式，如下式所示：

其中，p为像素点的灰度值，Tg为该像素点的高斯自适应阈值，x、y为像素点坐标。

有效域裁剪旨在去除指针不能及的部分以及表盘圆心附近无效数据部分，仅保留环形数据有效区域，从而进一步提高信噪比和结果准确度，处理方法如下式所示：

其中，p为像素点的灰度值，x、y为像素点坐标，x₀、y₀为表盘圆心坐标，r_min为表盘圆心附近无效数据半径，根据实际表盘而定，常取值0～30；r_max为自圆心起有效指针长度，根据实际表盘而定，常取值50～150。

步骤3：霍夫空间构建；所述的霍夫空间采用ρ-θ极坐标系，其中ρ为直线到表盘圆心的距离(有正负性)，θ为直线与x轴正方向夹角，θ∈[-90°，90°)；由于指针线段必过表盘圆心附近，为减少计算量和消除无效信息，本发明仅计算ρ在一定范围的霍夫空间能量，即ρ∈[-T_ρ，T_ρ]，T_ρ为有效距离阈值，常取值10～20。ρ、θ的量化步长Δρ、Δθ根据所需精度而定，通常分别取1和1°。

步骤4：霍夫空间量化能量累加；将图像有效域中每个非零像素点映射到霍夫空间中，生成一条关于(ρ，θ)的曲线，如下式所示：

ρ＝(x-x₀)*cosθ+(y-y₀)*sinθ (3)

其中，ρ、θ分别对应霍夫空间中点的纵坐标与横坐标离散化值(通常为θ全域按步长扫描、ρ按步长取近似值)，x、y为有效像素点坐标，x₀、y₀为表盘圆心坐标。霍夫空间任一单元(ρ_i，θ_i)的能量采用灰度量化累加的方式，其霍夫能量值如下式所示：

其中，H为霍夫能量，p为像素点的灰度值，x、y为像素点坐标，(ρ_i，θ_i)为霍夫空间任一单元，且满足步骤3中所述ρ_i∈[-T_ρ，T_ρ]，θ_i∈p-90°，90°)。

步骤5：多最大值点提取。所述的多最大值点提取是指对霍夫空间进行霍夫能量排序并提取N个霍夫能量最大值点，其中N由以下公式近似得出，通常取5～50：

其中，

为指针平均宽度，α为指针近圆心尾端左右两点与指针顶点连线构成的夹角，Δρ、Δθ分别为ρ、θ的量化步长。

步骤6：最大值异常点剔除。所述的最大值异常点剔除算法采用2sigma法则，剔除所有最大值点中ρ或θ值位于2sigma分布以外的异常点(其中θ需要做±90°扩展，以防止边缘数值突变)，最终剩余M个有效最大值点。

步骤7：ρ-θ加权平均。所述的ρ-θ加权平均指将步骤6所得M个有效最大值点坐标进行加权平均，获得最终直线L₀的参数(ρ₀，θ₀)，由以下公式所示：

其中，H_i为第i个最大值点的霍夫能量，ρ_i、θ_i为别为第i个最大值点的ρ-θ参数。

步骤8：确定刻度交点坐标。所述的确定刻度交点坐标分三步进行：a)基于模板信息，采用三点共圆的算法确定刻度圆方程；b)将刻度圆方程与直线L₀联立求得两个交点坐标，记为U(x_u,y_u)和V(x_v,y_v)；c)回溯图像有效域中过L₀的所有非零像素点集，求得其x坐标和y坐标的平均值，记为

和

此时刻度交点由以下四种情况确定：

1)θ₀∈[-45°，45°]，且

则U和V中x坐标较小者为最终刻度交点；

2)θ₀∈[-45°，45°]，且

则U和V中x坐标较大者为最终刻度交点；

3)θ₀∈[-90°，-4h°)∪(45°，90°)，且

则U和V中y坐标较小者为最终刻度交点；

4)θ₀∈[-90°，-45°)∪(45°，90°)，且

则U和V中y坐标较大者为最终刻度交点。

其中，x₀、y₀为表盘圆心坐标。

步骤9：输出指针表读数。所述的输出指针表读数，是指结合模板信息中的量程零点、满刻度点、单位刻度点坐标及步骤8中确定的刻度交点坐标，以均匀刻度划分或非均匀刻度划分(根据实际表盘而定)的方式，基于四点与圆心连线互成角度关系，求得指针表读数并输出。

图2给出了本发明所用算法和传统高斯自适应二值化+霍夫直线检测算法(下称传统算法)的性能对比案例，其中后者采取k-means聚类算法对直线簇进行参数提取：

其中，图2a为指针表清晰照片，图2b为同状态下的模糊照片；图2c、2e分别为传统算法预处理后图像，图2d、2f分别为本发明算法预处理后图像；图2g、2i分别为传统算法所得霍夫空间热度图，图2h、2j分别为本发明算法所得霍夫空间热度图；图2k、2m分别为传统算法所得指针线段指示图，图2l、2n分别为本发明算法所得指针线段指示图。该实验指针表的准确读数为0.521MPa，实际测得两种算法读数及准确度如下表所示：

实验条件	读数	准确度<sup>注</sup>
			清晰照片，传统算法	0.522	95％
清晰照片，本发明算法	0.521	100％
			模糊照片，传统算法	0.525	80％
模糊照片，本发明算法	0.522	95％

注：准确度＝(1-(|测试读数-准确读数|/最小刻度))×100％

如上表，对于清晰照片，传统算法读数亦较为准确，本发明算法优势不明显；但对于模糊照片，传统算法准确度迅速变差，而本发明算法准确度依然很好。

通过对比霍夫空间热度图可知，传统算法对于模糊照片(图2i)的能量分布明显发散，与清晰照片(图2g)差距显著，红色高能量区域面积大，真实指针对应直线簇的霍夫空间单元信噪比低，因此难以准确获取真实直线的参数；而本发明算法对于模糊照片(图2j)的能量分布仍较为收敛，与清晰照片(图2h)无明显差异，红色高能量区域面积小，真实指针对应直线簇的霍夫空间单元几乎填满高能量区域，因此通过加权平均即可准确获得真实直线的参数。以上即是本发明算法对于模糊照片保持高准确度读数的根本原因。

值得一提的是，本发明算法相比业界大多数常用算法，复杂度基本相当甚至略有降低，易于工程实现且可满足工程实时性需求，十分有利于工业场合的实际应用。

以下结合实施例对本发明作进一步说明：

1)输入图片和模板信息。原始照片如图3a所示，为一高度模糊的指针表照片，宽高分别为320像素和240像素。事先标定的模板信息如下：表盘圆心坐标为(170,121)、量程零点坐标为(100,188)，满刻度点(10kg/cm²)坐标为(241,187)，单位刻度点(1kg/cm²)坐标为(78,155)，为二段刻度划分表，即0～1kg/cm²段使用非均匀划分，1～10kg/cm²段使用均匀划分。

2)图像预处理。对原始图片进行图像灰度化、均值滤波去噪、改进高斯自适应二值化及有效域裁剪后，所得图像如图3b所示。结合实际表盘信息，设定圆心附近无效数据半径r_min＝10，自圆心起有效指针长度r_max＝110。

3)构建霍夫空间。结合实际精度需求，设定量化步长Δρ、Δθ分别为1和1°，并设定有效距离阈值T_ρ为15。

4)霍夫空间量化能量累加。依照公式(3)和公式(4)对霍夫空间所有单元进行能量累加，所得霍夫空间热度图如图3c所示。

5)多最大值点提取。在本实施例中，指针平均宽度

约为5，指针近圆心尾端左右两点与指针顶点连线构成的夹角α约为4°，根据公式(5)求得最大值点提取数N＝20。图3c白框处即为提取的最大值点。

6)最大值异常点剔除。将提取的20个最大值点采用2sigma法则剔除其中ρ或θ值位于2sigma分布以外的异常点。本实施例中无异常点，剩余有效最大值点个数M＝20。

7)ρ-θ加权平均。根据公式(6)和公式(7)将剩余20个最大值点的横纵坐标进行加权平均，求得到最终直线L₀的参数(ρ₀，θ₀)为(2,14°)。

8)确定刻度交点坐标。如图3d所示，已标出基于模板信息，采用三点共圆的算法确定的刻度圆以及将刻度圆与直线L₀联立求得的两个交点U和V。在本实施例中，θ₀为14°且求得图像有效域中过L₀的所有非零像素点集x坐标平均值

为155，符合步骤8中所述四种情况的第一种，故确认U为最终刻度交点，其坐标为(75,147)。

9)输出指针表读数。在本实施例中，刻度交点位于1～10kg/cm²均匀划分段，故作以下三条连线：l₁：单位刻度点与圆心；l₂：刻度交点与圆心；l₃：满刻度点与圆心。求得l₁与l₂夹角∠l₁l₂＝4.98°，l₁与l₃夹角∠l₁l₃＝243.19°，则：

该读数与现场实际观测读数相一致，准确度很高。

本发明实施例所述的内容仅仅是对发明构思的实现形式的举例，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (2)

1.一种针对指针表模糊照片的高准确度自动读数方法，其特征在于：包括如下步骤：

步骤1：输入图片、模板信息；

所述图片为工业场景下用固定摄像头对指针表的实际拍摄照片；

所述模板信息为基于该图片事先标定的关键点信息，包括表盘圆心坐标、量程零点/满刻度点/单位刻度点坐标；

步骤2：图像预处理；

所述预处理包括图像灰度化、均值滤波去噪、改进高斯自适应二值化及有效域裁剪；其中改进高斯自适应二值化在传统高斯自适应二值化基础上，采用了过阈值像素点保留阈差值的灰度量化方式，如下式所示：

其中，p为像素点的灰度值，T_g为该像素点的高斯自适应阈值，x、y为像素点坐标；

有效域裁剪旨在去除指针不能及的部分以及表盘圆心附近无效数据部分，仅保留环形数据有效区域，处理方法如下式所示：

其中，p为像素点的灰度值，x、y为像素点坐标，x₀、y₀为表盘圆心坐标，r_min为表盘圆心附近无效数据半径，根据实际表盘而定，常取值0～30；r_max为自圆心起有效指针长度，根据实际表盘而定，常取值50～150；

步骤3：霍夫空间构建；

所述的霍夫空间采用ρ-θ极坐标系，其中ρ为直线到表盘圆心的距离，θ为直线与x轴正方向夹角，θ∈[-90°，90°)，计算ρ在一定范围的霍夫空间能量，即ρ∈[-T_ρ，T_ρ]，T_ρ为有效距离阈值，常取值10～20，ρ、θ的量化步长Δρ、Δθ根据所需精度而定，通常分别取1和1°；

步骤4：霍夫空间量化能量累加；

将图像有效域中每个非零像素点映射到霍夫空间中，生成一条关于(ρ，θ坐的曲线，如下式所示：

ρ＝(x-x₀)*cosθ+(y-y₀)*sinθ (3)

其中，ρ、θ分别对应霍夫空间中点的纵坐标与横坐标离散化值，x、y为有效像素点坐标，x₀、y₀为表盘圆心坐标，霍夫空间任一单元(ρ_i，θ_i)的能量采用灰度量化累加的方式，其霍夫能量值如下式所示：

其中，H为霍夫能量，p为像素点的灰度值，x、y为像素点坐标，(ρ_i，θ_i坐为霍夫空间任一单元，且满足步骤3中所述ρi∈[-T_ρ，T_ρ]，θ_i∈[-90°，90°)；

步骤5：多最大值点提取；

所述多最大值点提取是指对霍夫空间进行霍夫能量排序并提取N个霍夫能量最大值点，其中N由以下公式近似得出，通常取5～50：

其中，

为指针平均宽度，α为指针近圆心尾端左右两点与指针顶点连线构成的夹角，Δρ、Δθ分别为ρ、θ的量化步长；

步骤6：最大值异常点剔除；

所述最大值异常点剔除算法采用2sigma法则，剔除所有最大值点中ρ或θ值位于2sigma分布以外的异常点，其中θ需要做±90°扩展，最终剩余M个有效最大值点；

步骤7：ρ-θ加权平均；

所述ρ-θ加权平均指将步骤6所得M个有效最大值点坐标进行加权平均，获得最终直线L₀的参数(ρ₀，θ₀)，由以下公式所示：

其中，H_i为第i个最大值点的霍夫能量，ρ_i、θ_i为别为第i个最大值点的ρ-θ参数；

步骤8：确定刻度交点坐标；

步骤9：输出指针表读数；

所述输出指针表读数，是指结合模板信息中的量程零点、满刻度点、单位刻度点坐标及步骤8中确定的刻度交点坐标，以均匀刻度划分或非均匀刻度划分的方式，基于四点与圆心连线互成角度关系，求得指针表读数并输出。

2.根据权利要求1所述的针对指针表模糊照片的高准确度自动读数方法，其特征在于：所述步骤8：确定刻度交点坐标具体是指：

所述确定刻度交点坐标分三步进行：

a)基于模板信息，采用三点共圆的算法确定刻度圆方程；

b)将刻度圆方程与直线L₀联立求得两个交点坐标，记为U(x_u,y_u)和V(x_v,y_v)；

c)回溯图像有效域中过L₀的所有非零像素点集，求得其刻坐标和y坐标的平均值，记为

和

此时刻度交点由以下四种情况确定：

1)θ₀∈[-45°，45°]，且

则U和V中x坐标较小者为最终刻度交点；

2)θ₀∈[-45°，45°]，且

则U和V中x坐标较大者为最终刻度交点；

3)θ₀∈[-90°，-45°)∪(45°，90°)，且

则U和V中y坐标较小者为最终刻度交点；

4)θ₀∈[-90°，-45°)∪(45°，90°)，且

则U和V中y坐标较大者为最终刻度交点；

其中，x₀、y₀为表盘圆心坐标。

Images