CN117853882B - 一种用于智能水表的数据采集方法 - Google Patents
一种用于智能水表的数据采集方法 Download PDFInfo
- Publication number
- CN117853882B CN117853882B CN202410256727.XA CN202410256727A CN117853882B CN 117853882 B CN117853882 B CN 117853882B CN 202410256727 A CN202410256727 A CN 202410256727A CN 117853882 B CN117853882 B CN 117853882B
- Authority
- CN
- China
- Prior art keywords
- gamma
- target
- region
- peak value
- pixel 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000023320 Luma <angiosperm> Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明一般地涉及图像处理技术领域。更具体地，本发明涉及一种用于智能水表的数据采集方法，包括：得到水表显示屏图像的灰度图像；将灰度图像划分为多于一个的预定大小的像素区域，并获得各像素区域对应的灰度直方图；将像素区域分为阴影区域和非阴影区域；计算阴影区域的第一伽马系数，以及非阴影区域的第二伽马系数；得到灰度图像中的边缘线，并获得包含边缘线的目标像素区域；计算修正系数；对目标像素区域对应的第一伽马系数或第二伽马系数进行修正；对灰度图像进行分块伽马变换处理，得到增强图像；根据增强图像得到用水量数据。本发明改进伽马变换算法，对水表显示屏图像的明暗部分进行增强，从而增加数据采集的准确性。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地，本发明涉及一种用于智能水表的数据采集方法。
背景技术
水表作为民用三表之一，在社会面使用量十分巨大，更新迭代十分迅速。水表的计量单位统一，数据的准确可靠对于国计民生起着十分重要的作用。从前，获取水表的读数是由抄表人员通过肉眼观看用户的水表来获取的，而当用户外出时则难以与抄表人员当面确认抄表情况，在抄表人员记录的水表读数与用户记忆中的用水情况不匹配时，则容易导致双方发生争执，不利于社会的和谐。如今，随着计算机以及图像处理技术的不断发展，出现了基于图像识别的水表数据采集方法。
现有的基于图像识别的水表数据采集方法主要是通过摄像头对水表读数显示屏进行拍摄，然后利用计算机图像识别对采集到的图像进行处理，对图像中的用水量读数进行识别，并将识别到的数据同步到水表数据统计系统，完成水表数据采集。但是这种方法的识别结果十分依赖图像质量。若图像质量不佳，识别结果准确率无法保证。
发明内容
为解决上述可能因为水表显示屏图像图像质量不高，而使读取水表用水量的准确性降低的问题。为此，本发明提出了一种用于智能水表的数据采集方法，该方法包括：将水表显示屏图像进行灰度化处理，得到灰度图像；将所述灰度图像划分为多于一个的预定大小的像素区域，并获得各像素区域对应的灰度直方图；根据各像素区域的灰度直方图将像素区域分为阴影区域和非阴影区域；根据各像素区域的灰度直方图计算所述阴影区域的第一伽马系数γ 1，以及所述非阴影区域的第二伽马系数γ 2，其中0<γ 1<1<γ 2；通过边缘检测算法得到所述灰度图像中的边缘线，并获得包含所述边缘线的目标像素区域；根据目标像素区域计算修正系数b i；根据所述修正系数b i对所述目标像素区域对应的第一伽马系数γ 1或第二伽马系数γ 2进行修正，其中，响应于目标修正区域为阴影区域，将其对应的第一伽马系数γ 1修正为第三伽马系数γ 3：γ 3=b i×γ 1；响应于目标修正区域为非阴影区域，将其对应的第二伽马系数γ 2修正为第四伽马系数γ 4：γ 4=b i×γ 2；根据各像素区域对应的伽马系数对所述灰度图像进行分块伽马变换处理，得到增强图像，其中，所述伽马系数包括第一伽马系数γ 1、第二伽马系数γ 2、第三伽马系数γ 3以及第四伽马系数γ 4；将所述增强图像输入到用水量识别模型中，得到用水量数据，并将所述用水量数据同步到水表数据统计系统。
在一个实施例中，根据各像素区域的灰度直方图将像素区域分为阴影区域和非阴影区域包括：获得各像素区域的灰度直方图的目标峰值，其中，所述目标峰值包括第一目标峰值F i1和第二目标峰值F i2，且第一目标峰值F i1不大于第二目标峰值F i2；将所有像素区域对应的目标峰值通过聚类算法分为三个类别的像素区域，所述三个类别的灰度值按照均值从小到大的顺序为A类灰度值、B类灰度值以及C类灰度值；响应于像素区域对应的目标峰值均属于A类灰度值，确定该像素区域为阴影区域；响应于像素区域对应的目标峰值中的一个峰值为A类灰度值，另一个峰值为B类灰度值，确定该像素区域为阴影区域；将不被确定为阴影区域的像素区域确定为非阴影区域。
在一个实施例中，获得各像素区域的灰度直方图的目标峰值包括：获得各像素区域的灰度直方图的峰值的数量；响应于像素区域的灰度直方图的峰值的数量不少于两个，将该灰度直方图的峰值按从大到小的顺序排列，确定第一个峰值为所述第二目标峰值F i2，并确定第二个峰值为所述第一目标峰值F i1；响应于像素区域的灰度直方图的峰值的数量为一个，确定该灰度直方图的峰值为该灰度直方图的第一目标峰值F i1以及第二目标峰值F i2。
在一个实施例中，根据各像素区域的灰度直方图计算所述阴影区域的第一伽马系数γ 1，以及所述非阴影区域的第二伽马系数γ 2包括：预设超参数β，其中，β＞1；计算所述阴影区域的第一伽马系数γ 1，其中所述第一伽马系数γ 1为：
exp为以自然函数e为底的指数函数，表示预设的初始伽马系数；计算所述阴影区域的第二伽马系数，其中所述第二伽马系数γ 2为：
。
在一个实施例中，根据目标像素区域计算修正系数b i包括：根据所述目标像素区域的梯度方向获取与目标像素区域相邻的第一相邻区域和第二相邻区域；计算所述第一相邻区域对应的目标峰值与目标像素区域对应的目标峰值的第一最小差值，其中，所述第一最小差值满足：
min（）函数用于取得和/>中的最小值，F ir表示第一相邻区域对应的目标峰值，F i1为所述第一目标峰值，F i2为所述第二目标峰值；计算所述第二相邻区域对应的目标峰值与目标像素区域对应的目标峰值的第二最小差值，其中，所述第二最小差值满足：
F il表示第二相邻区域对应的目标峰值，F i1为所述第一目标峰值，F i2为所述第二目标峰值；根据第一最小差值获得第一最佳匹配峰值A ir，根据第二最小差值获得第二最佳匹配峰值A il，其中，第一最佳匹配峰值A ir满足：A ir>0且，第二最佳匹配峰值A il满足：A il>0且/>。根据所述第一最佳匹配峰值A ir和所述第二最佳匹配峰值A il计算所述目标像素区域的修正系数b i。
在一个实施例中，根据所述目标像素区域的梯度方向获取与目标像素区域相邻的第一相邻区域和第二相邻区域包括：获得所述目标像素区域的梯度方向；计算所述梯度方向与水平方向的夹角；响应于所述夹角大于45度且小于等于90度，确定所述目标像素区域的左侧的一个像素区域为所述第一相邻区域，确定所述目标像素区域的右侧的一个像素区域为所述第二相邻区域；响应于所述夹角大于0度且小于等于45度，确定所述目标像素区域的上侧的一个像素区域为所述第一相邻区域，确定所述目标像素区域的下侧的一个像素区域为所述第二相邻区域。
在一个实施例中，根据所述第一最佳匹配峰值A ir和所述第二最佳匹配峰值A il计算所述目标像素区域的修正系数，并通过所述修正系数对目标像素区域的伽马系数修正包括：响应于目标像素区域的对应的第一最佳匹配峰值A ir不等于第二最佳匹配峰值A il，且第一最佳匹配峰值A ir和第二最佳匹配峰值A il均小于伽马系数阈值ω，计算目标像素区域对应的修正系数b i：
；
响应于目标像素区域的对应的第一最佳匹配峰值A ir等于第二最佳匹配峰值A il，或第一最佳匹配峰值A ir和第二最佳匹配峰值A il均不小于伽马系数阈值ω，得到目标像素区域对应的修正系数b i：b i=1。
在一个实施例中，根据各像素区域对应的伽马系数对所述灰度图像进行分块伽马变换处理，得到的第i个像素区域中第j个像素点的灰度值满足：
其中，表示所述灰度图像中的第i个像素区域中第j个像素点的灰度值，γ i表示所述灰度图像中的第i个像素区域对应的所述伽马系数。
在一个实施例中，还包括对分块伽马变换后生成的图像进行差值运算。
在一个实施例中，一种用于智能水表的数据采集方法还包括构建所述用水量识别模型：构建神经网络模型；获得数据集，所述数据集包括预定数量的所述增强图像，其中，各增强图像对应一个水表显示屏图像；对数据集中的各增强图像进行标注；所述神经网络模型通过标注后的数据集进行训练，得到所述用水量识别模型。
本发明的有益效果为：
本发明将水表的灰度图像划分为大小相同的像素区域，并根据像素区域的灰度直方图将各像素区域归类为阴影区域或非阴影区域，以便于根据像素区域的所属的类别（阴影区域或非阴影区域）以不同的方式对各像素区域的伽马系数进行修正。修正的依据为各像素区域对应的灰度直方图的峰值，因此各像素区域的伽马系数通常不同，且可以使图像的对比度更高。其中，修正得到的阴影区域的伽马系数小于1、非阴影区域的伽马系数大于1，使得对灰度图像进行伽马变换时，阴影区域和非阴影区域的对比度都得到增强。
但是，考虑到阴影的边缘（明暗交界处）因为阴影区域和非阴影区域的对比度都得到增强，从而使边缘线更加明显，不仅导致一些视觉上的不连续性，还会降低识别水表数据的准确度。因此本发明根据灰度图像的边缘线所经过的像素区域的相邻像素区域判断经过该像素区域是否为阴影的边缘线，进而调整阴影的边缘线所经过的像素区域的对比度，即对阴影的边界模糊处理（减小对比度），具体为：减小阴影的边界经过的伽马系数，使得阴影区域最终灰度值增大，与非阴影区域灰度值减小，进而减小阴影区域与非阴影区域灰度值的差别
综上所述，本发明通过对阴影的特征进行分析，改进伽马变换算法，对图像进行增强，增强图像的对比度，减弱阴影造成的影响，从而在后续的识别过程中增加读数识别的准确性。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是根据本发明的实施例的一种用于智能水表的数据采集方法的步骤流程图；
图2是根据本发明的实施例的步骤S3的流程图；
图3是根据本发明的实施例的步骤S4的流程图；
图4是根据本发明的实施例的步骤S6的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
图1是根据本发明的实施例的一种用于智能水表的数据采集方法的步骤流程图。
如图1所示，一种用于智能水表的数据采集方法包括步骤S1至步骤S9。
步骤S1：将水表显示屏图像进行灰度化处理，得到灰度图像。
特别地，水表显示屏图像为彩色图像，而为了突出水表显示屏的亮度特征，便于区分出水表显示屏的阴影和非阴影部分，需要对彩色的水表显示屏图像进行灰度处理，得到只包含亮度信息的灰度图像。灰度图像的每个像素点的值（灰度值）表示其亮度级别，值为0的像素表示黑色，值为255的像素表示白色，而介于0和255之间的像素表示不同亮度的灰色，且值越大，像素的亮度越倾向于白色。
在一个实施例中，对水表显示屏图像的每个像素的RGB值进行加权平均或TU-R601-2 luma转换公式，计算出水表显示屏图像中每个像素对应的灰度值。
步骤S2：将所述灰度图像划分为多于一个的预定大小的像素区域，并获得各像素区域对应的灰度直方图。
其中，像素区域为一个正方形的包括预定个数像素点的区域。预定大小的像素区域可以为包括64个像素点的正方形像素区域，还可以为包括81个像素点的正方形像素区域，也可以为包括100个像素点的正方形像素区域。
再者，灰度直方图对灰度图像中像素亮度级别的统计分析，显示了每个亮度级别在整个图像中的像素数量。灰度直方图是一种可视化工具，用于显示图像的亮度分布情况。
步骤S3：根据各像素区域的灰度直方图将像素区域分为阴影区域和非阴影区域。
特别地，在包含阴影的图像中，被阴影覆盖的区域，背景亮度相对较暗，因此对应像素的灰度值较小；没有阴影的地方背景亮度相对较亮，对应像素的灰度值较大。因此非阴影区域与阴影区域的局部灰度直方图分布有不同的偏向。具体来说，在同一张图片上，有阴影区域的灰度直方图及其中的峰值偏左；在没有阴影的区域的灰度直方图及其中的峰值偏右。基于此，根据像素区域的灰度直方图的峰值可以判断像素区域是否是有阴影的区域。
其中，阴影区域和非阴影区域均为像素区域。阴影区域为：在图像中处于阴影部分的像素区域。非阴影区域为：在图像中不处于阴影部分的像素区域。
步骤S4：根据各像素区域的灰度直方图计算所述阴影区域的第一伽马系数γ 1，以及所述非阴影区域的第二伽马系数γ 2，其中0<γ 1<1<γ 2。
其中，伽马系数是一种用于衡量图像的亮度响应特性的参数。伽马系数可以用于对图像进行校正和增强，从而达到更好的视觉效果。当伽马系数γ<1时，输出图像中亮度低于中间灰度级别的像素值会得到增强，而亮度高于中间灰度级别的像素值会被抑制。而当伽马系数γ>1时，输出图像中亮度高于中间灰度级别的像素值会得到增强，而亮度低于中间灰度级别的像素值会被抑制。为了对阴影部分的灰度图像增强，其对应的伽马系数应该小于1；为了对非阴影部分的灰度图像增强，其对应的伽马系数应该大于1。基于此，本发明通过各像素区域的灰度直方图分别以两种计算方式计算阴影区域对应的伽马系数（第一伽马系数γ 1），以及非阴影区域的伽马系数（第二伽马系数γ 2）。
步骤S5：通过边缘检测算法得到所述灰度图像中的边缘线，并获得包含所述边缘线的目标像素区域。
特别地，为了灰度图像中模糊阴影的边缘对后续检测识别的影响，本发明期望对阴影的边界进行模糊处理。因此，本发明识别出灰度图像中的边缘线，并在后续步骤中将属于阴影边缘的边缘线所经过的像素区域的对比度减小。
其中，本发明通过canny边缘检测算法获得灰度图像中的边缘线，并将边缘线所经过的像素区域标记为目标像素区域。
步骤S6：根据目标像素区域计算修正系数b i。
其中，修正系数b i用于对目标像素区域的伽马系数进行修正。当目标像素区域需要进行模糊处理时，根据目标像素区域及其相邻的像素区域对应的灰度直方图的峰值计算修正系数b i；当目标像素区域需要进行模糊处理时，即目标像素区域对应的伽马系数不需要改变，此时修正系数b i=1。
进一步地，根据目标像素区域及其相邻的像素区域可以获得更多的亮度信息，从而进一步可以判断目标像素区域是否为需要进行模糊处理的像素区域。因此根据目标像素区域的梯度方向选取与其相邻的像素区域，并通过目标像素区域及其相邻的像素区域的灰度直方图的峰值计算修正系数b i。
步骤S7：根据所述修正系数b i对所述目标区域对应的第一伽马系数γ 1或第二伽马系数γ 2进行修正。
其中，响应于目标修正区域为阴影区域，将其对应的第一伽马系数γ 1修正为第三伽马系数γ 3：γ 3=b i×γ 1；响应于目标修正区域为非阴影区域，将其对应的第二伽马系数γ 2修正为第四伽马系数γ 4：γ 4=b i×γ 2。
步骤S8：根据各像素区域对应的伽马系数对所述灰度图像进行分块伽马变换处理，得到增强图像。
其中，所述伽马系数包括第一伽马系数γ 1、第二伽马系数γ 2、第三伽马系数γ 3以及第四伽马系数γ 4。
再者，分块伽马变换处理为：对各像素区域根据与其对应的伽马系数进行伽马变换。对所述灰度图像进行分块伽马变换处理，得到的第i个像素区域中第j个像素点的灰度值满足：
，
其中，表示所述灰度图像中的第i个像素区域中第j个像素点的灰度值，γ i表示所述灰度图像中的第i个像素区域对应的所述伽马系数。
步骤S9：将所述增强图像输入到用水量识别模型中，得到用水量数据，并将所述用水量数据同步到水表数据统计系统。
其中，构建所述用水量识别模型包括：构建神经网络模型；获得数据集，所述数据集包括预定数量的所述增强图像，其中，各增强图像对应一个水表显示屏图像；对数据集中的各增强图像进行标注；所述神经网络模型通过标注后的数据集进行训练，得到所述用水量识别模型。
进一步地，由于将图像进行分块伽马变换处理之后，每个像素区域中的像素点，仅通过该区域中的伽马系数进行变换，会导致最终图像呈现块状效应。为了避免图像出现块状不连续的现象，在像素区域的边界处进行双线性插值，得到最终增强后的图像。
图2是根据本发明的实施例的步骤S3的流程图。
如图2所示，步骤S3包括步骤S301至步骤S305。
步骤S301：获得各像素区域的灰度直方图的目标峰值。
其中，所述目标峰值包括第一目标峰值F i1和第二目标峰值F i2，且第一目标峰值F i1不大于第二目标峰值F i2。且响应于像素区域的灰度直方图的峰值的数量不少于两个，将该灰度直方图的峰值按从大到小的顺序排列，确定第一个峰值为所述第二目标峰值F i2，并确定第二个峰值为所述第一目标峰值F i1。响应于像素区域的灰度直方图的峰值的数量为一个，确定该灰度直方图的峰值为该灰度直方图的第一目标峰值F i1以及第二目标峰值F i2。
步骤S302：将所有像素区域对应的目标峰值通过聚类算法分为三个类别的区域，三个类别的灰度值按照均值从小到大的顺序为A类灰度值、B类灰度值以及C类灰度值。
在一个实施例中，获得所有像素区域对应的目标峰值，并通过K均值聚类算法（K-means clustering）将包括所有目标峰值的数据集划分为三个不同的类别，该三个类别的均值会有所不同。将三个类别按照从小到大的顺序排列，第一个为A类灰度值（峰值也是灰度值），第二个为B类灰度值，第三个为C类灰度值。
步骤S303：响应于像素区域对应的目标峰值均属于A类灰度值，确定该像素区域为阴影区域。
其中，对于包含阴影的图像中，在阴影区域对比度、亮度都较低，此处的像素区域的灰度直方图峰值在A、B类中。因此，当某一个像素区域对应的目标峰值均为A类时，说明该像素区域的对比度以及亮度低，确定该像素区域为阴影区域。
步骤S304：响应于像素区域对应的目标峰值中的一个峰值为A类灰度值，另一个峰值为B类灰度值，确定该像素区域为阴影区域。
其中，像素区域对应的目标峰值包括两个峰值，且一个峰值为A类灰度值，另一个峰值为B类灰度值，说明该像素区域的亮度和对比度不高，确定该像素区域为阴影区域。
步骤S305：将不被确定为阴影区域的像素区域确定为非阴影区域。
其中，不被确定为阴影区域的像素区域满足：目标峰值均属于B类；或目标峰值均属于C类；或目标峰值中的一个峰值属于B类峰值，另一个峰值属于C类峰值；或目标峰值中的一个峰值属于A类峰值，另一个峰值属于C类峰值。
特别地，在柔和的光照条件下，像素区域的对比度会较高，所以该像素区域的灰度直方图的两个峰值也可能分别属于A类和C类中。因此当像素区域满足其对应的目标峰值中的一个峰值属于A类峰值，另一个峰值属于C类峰值时，确定像素区域为非阴影区域。
图3是根据本发明的实施例的步骤S4的流程图。
如图3所示，步骤S4包括步骤S401至步骤S403。
步骤S401：预设超参数β，其中，β＞1。
其中，超参数β为预设值，其用于控制增大伽马系数的幅度，β的经验值为3。超参数β可以根据结果的准确性进行调整。
步骤S402：计算所述阴影区域的第一伽马系数γ 1。
其中，所述第一伽马系数γ 1满足公式：
exp为以自然函数e为底的指数函数，，F i1为第i个像素区域的灰度直方图的第一目标峰值，F i2为第i个像素区域的灰度直方图的所述第二目标峰值，γ 0表示预设的初始伽马系数。初始伽马系数γ 0小于1，其经验值为0.75。表示对/>增强的幅度，当/>越小，增强/>的幅度越大；当/>越大，增强的幅度越小。/>表示对增强幅度的修正调整，由于β＞1，因此阴影区域的第一伽马系数γ 1相对于初始伽马系数γ 0是减小的，且第一伽马系数γ 1小于1以便于后续对阴影区域进行图像增强。
步骤S403：计算所述阴影区域的第二伽马系数γ 2。
其中，所述第二伽马系数γ 2为：。exp为以自然函数e为底的指数函数，/>表示预设的初始伽马系数
特别地，对于非阴影区域，即高灰度区城，要使其对比度得到增强，其第二伽马系数γ 2应该大于1。因此可以通过调整超参数避免第二伽马系数γ 2小于1的情况。
图4是根据本发明的实施例的步骤S6的流程图。
如图4所示，步骤S6包括步骤S601至步骤S605。
步骤S601：根据所述目标像素区域的梯度方向获取与目标像素区域相邻的第一相邻区域和第二相邻区域。
其中，第一相邻区域和第二相邻区域可以是与目标像素区域的左右相邻的像素区域，也可以是与目标像素区域的上下相邻的像素区域。在一个实施例中，获得第一相邻区域和第二相邻区域包括：获得所述目标像素区域的梯度方向；计算所述梯度方向与水平方向的夹角；响应于所述夹角大于45度且小于等于90度，确定所述目标像素区域的左侧的一个像素区域为所述第一相邻区域，确定所述目标像素区域的右侧的一个像素区域为所述第二相邻区域；响应于所述夹角大于0度且小于等于45度，确定所述目标像素区域的上侧的一个像素区域为所述第一相邻区域，确定所述目标像素区域的下侧的一个像素区域为所述第二相邻区域。
特别地，目标像素区域的梯度方向是一个均值，其计算过程为：获得目标像素区域中属于的边缘线的边缘像素点，计算各边缘像素点的梯度方向，并计算各边缘像素点的梯度方向的均值，最终得到目标像素区域的梯度方向。
步骤S602：计算所述第一相邻区域对应的目标峰值与目标像素区域对应的目标峰值的第一最小差值。
其中，所述第一最小差值为：
min（）函数用于取得和/>中的最小值，F ir表示第一相邻区域对应的目标峰值，F i1为所述第一目标峰值，F i2为所述第二目标峰值。
步骤S603：计算所述第二相邻区域对应的目标峰值与目标像素区域对应的目标峰值的第二最小差值。
其中，所述第二最小差值为：
，
F il表示第二相邻区域对应的目标峰值，F i1为所述第一目标峰值，F i2为所述第二目标峰值。
步骤S604：根据第一最小差值获得第一最佳匹配峰值A ir，根据第二最小差值获得第二最佳匹配峰值A il。
其中，第一最佳匹配峰值A ir满足：A ir>0且，第二最佳匹配峰值A il满足：A il>0且/>。
步骤S605：根据第一最佳匹配峰值A ir和第二最佳匹配峰值A il计算目标像素区域的修正系数b i。
其中，对两个相邻像素区域（第一相邻区域和第二相邻区域），本发明将其峰值灰度值与目标像素区域的两个峰值灰度值进行匹配，当出现两个相邻区域块直方图都只有一个峰值，并且两个相邻区域块直方图的目标峰值分别匹配当前区域块的目标峰值峰值中的任一个峰值时，确定当前边缘线具有为阴影边缘的可能性。
基于此，目标像素区域对应的峰值与其相邻区域对应的峰值匹配的表现为：目标像素区域的对应的第一最佳匹配峰值A ir不等于第二最佳匹配峰值A il，且第一最佳匹配峰值A ir和第二最佳匹配峰值A il均小于伽马系数阈值ω。此时计算目标像素区域对应的修正系数b i：
。
目标像素区域对应的峰值与其相邻区域对应的峰值不匹配的具体表现为：目标像素区域的对应的第一最佳匹配峰值A ir等于第二最佳匹配峰值A il，或第一最佳匹配峰值A ir和第二最佳匹配峰值A il均不小于伽马系数阈值ω。此时得到目标像素区域对应的修正系数b i：b i=1。
需要说明的是，边缘线所经过的目标像素区域不都是需要调整的伽马系数。若目标像素区域与其对应的相邻像素区域之间的匹配性较差，则不对该目标像素区域的伽马系数进行调整。
综上所述，本发明以不同的伽马系数，通过伽马校正分别对水表图像中阴影部分和非阴影部分的对比度进行增强，其中阴影部分的伽马系数均小于一，且具体数值与其灰度值有关；非阴影部分的伽马系数均大于一，且对应伽马系数的具体数值与其灰度值有关。为了使阴影部分与非阴影部分的明暗交界处更柔和，本发明筛选出图像的边缘线中属于明暗交界处的部分，调整该部分像素对应的伽马系数，使得该部分像素在进行伽马校正时，对比度增强的幅度变小。最后，伽马校正（分块伽马变换）后的图像输入到用水量识别模型中，获得用水量数据。基于此，本发明在通过被增强的水表图像，获得更准确的水表所记录的用水量数据。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.一种用于智能水表的数据采集方法，其特征在于，包括：
将水表显示屏图像进行灰度化处理，得到灰度图像；
将所述灰度图像划分为多于一个的预定大小的像素区域，并获得各像素区域对应的灰度直方图；
根据各像素区域的灰度直方图将像素区域分为阴影区域和非阴影区域；
根据各像素区域的灰度直方图计算所述阴影区域的第一伽马系数γ 1，以及所述非阴影区域的第二伽马系数γ 2，其中0<γ 1<1<γ 2；
通过边缘检测算法得到所述灰度图像中的边缘线，并获得包含所述边缘线的目标像素区域；
根据目标像素区域计算修正系数b i；
根据所述修正系数b i对所述目标像素区域对应的第一伽马系数γ 1或第二伽马系数γ 2进行修正，其中，响应于目标修正区域为阴影区域，将其对应的第一伽马系数γ 1修正为第三伽马系数γ 3：γ 3=b i×γ 1，响应于目标修正区域为非阴影区域，将其对应的第二伽马系数γ 2修正为第四伽马系数γ 4：γ 4=b i×γ 2；
根据各像素区域对应的伽马系数对所述灰度图像进行分块伽马变换处理，得到增强图像，其中，所述伽马系数包括第一伽马系数γ 1、第二伽马系数γ 2、第三伽马系数γ 3以及第四伽马系数γ 4；
将所述增强图像输入到用水量识别模型中，得到用水量数据，并将所述用水量数据同步到水表数据统计系统；
根据各像素区域的灰度直方图将像素区域分为阴影区域和非阴影区域包括：
获得各像素区域的灰度直方图的目标峰值，其中，所述目标峰值包括第一目标峰值F i1和第二目标峰值F i2，且第一目标峰值F i1不大于第二目标峰值F i2；
将所有像素区域对应的目标峰值通过聚类算法分为三个类别的像素区域，所述三个类别的像素区域的灰度值按照均值从小到大的顺序为A类灰度值、B类灰度值以及C类灰度值；
响应于像素区域对应的目标峰值均属于A类灰度值，确定该像素区域为阴影区域；
响应于像素区域对应的目标峰值中的一个峰值为A类灰度值，另一个峰值为B类灰度值，确定该像素区域为阴影区域；
将不被确定为阴影区域的像素区域确定为非阴影区域；
根据目标像素区域计算修正系数b i包括：
根据所述目标像素区域的梯度方向获取与目标像素区域相邻的第一相邻区域和第二相邻区域；
计算所述第一相邻区域对应的目标峰值与目标像素区域对应的目标峰值的第一最小差值，其中，所述第一最小差值满足：
min（）函数用于取得和/>中的最小值，F ir表示第一相邻区域对应的目标峰值，F i1为所述第一目标峰值，F i2为所述第二目标峰值；
计算所述第二相邻区域对应的目标峰值与目标像素区域对应的目标峰值的第二最小差值，其中，所述第二最小差值满足：
F il表示第二相邻区域对应的目标峰值，F i1为所述第一目标峰值，F i2为所述第二目标峰值；
根据第一最小差值获得第一最佳匹配峰值A ir，根据第二最小差值获得第二最佳匹配峰值A il，其中，第一最佳匹配峰值A ir满足：A ir>0且，第二最佳匹配峰值A il满足：A il>0且/>；
根据所述第一最佳匹配峰值A ir和所述第二最佳匹配峰值A il计算所述目标像素区域的修正系数b i；
根据所述第一最佳匹配峰值A ir和所述第二最佳匹配峰值A il计算所述目标像素区域的修正系数，并通过所述修正系数对目标像素区域的伽马系数修正包括：
响应于目标像素区域的对应的第一最佳匹配峰值A ir不等于第二最佳匹配峰值A il，且第一最佳匹配峰值A ir和第二最佳匹配峰值A il均小于伽马系数阈值ω，计算目标像素区域对应的修正系数b i：
；
响应于目标像素区域的对应的第一最佳匹配峰值A ir等于第二最佳匹配峰值A il，或第一最佳匹配峰值A ir和第二最佳匹配峰值A il均不小于伽马系数阈值ω，得到目标像素区域对应的修正系数b i：b i=1；
获得各像素区域的灰度直方图的目标峰值包括：
获得各像素区域的灰度直方图的峰值的数量；
响应于像素区域的灰度直方图的峰值的数量不少于两个，将该灰度直方图的峰值按从大到小的顺序排列，确定第一个峰值为所述第二目标峰值Fi2，并确定第二个峰值为所述第一目标峰值Fi1；
响应于像素区域的灰度直方图的峰值的数量为一个，确定该灰度直方图的峰值为该灰度直方图的第一目标峰值Fi1以及第二目标峰值Fi2。
2.根据权利要求1所述的一种用于智能水表的数据采集方法，其特征在于，根据各像素区域的灰度直方图计算所述阴影区域的第一伽马系数γ 1，以及所述非阴影区域的第二伽马系数γ 2包括：
预设超参数β，其中，β＞1；
计算所述阴影区域的第一伽马系数γ 1，其中所述第一伽马系数γ 1为：
exp为以自然函数e为底的指数函数，表示预设的初始伽马系数；
计算所述阴影区域的第二伽马系数，其中所述第二伽马系数γ 2为：。
3.根据权利要求1所述的一种用于智能水表的数据采集方法，其特征在于，根据所述目标像素区域的梯度方向获取与目标像素区域相邻的第一相邻区域和第二相邻区域包括：
获得所述目标像素区域的梯度方向；
计算所述梯度方向与水平方向的夹角；
响应于所述夹角大于45度且小于等于90度，确定所述目标像素区域的左侧的一个像素区域为所述第一相邻区域，确定所述目标像素区域的右侧的一个像素区域为所述第二相邻区域；
响应于所述夹角大于0度且小于等于45度，确定所述目标像素区域的上侧的一个像素区域为所述第一相邻区域，确定所述目标像素区域的下侧的一个像素区域为所述第二相邻区域。
4.根据权利要求1所述的一种用于智能水表的数据采集方法，其特征在于，根据各像素区域对应的伽马系数对所述灰度图像进行分块伽马变换处理，得到的第i个像素区域中第j个像素点的灰度值满足：
其中，表示所述灰度图像中的第i个像素区域中第j个像素点的灰度值，γ i表示所述灰度图像中的第i个像素区域对应的所述伽马系数。
5.根据权利要求1所述的一种用于智能水表的数据采集方法，其特征在于，还包括对分块伽马变换后生成的图像进行差值运算。
6.根据权利要求1所述的一种用于智能水表的数据采集方法，其特征在于，还包括构建所述用水量识别模型：
构建神经网络模型；
获得数据集，所述数据集包括预定数量的所述增强图像，其中，各增强图像对应一个水表显示屏图像；
对数据集中的各增强图像进行标注；
所述神经网络模型通过标注后的数据集进行训练，得到所述用水量识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256727.XA CN117853882B (zh) | 2024-03-07 | 2024-03-07 | 一种用于智能水表的数据采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256727.XA CN117853882B (zh) | 2024-03-07 | 2024-03-07 | 一种用于智能水表的数据采集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117853882A CN117853882A (zh) | 2024-04-09 |
| CN117853882B true CN117853882B (zh) | 2024-05-24 |
Family
ID=90540374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410256727.XA Active CN117853882B (zh) | 2024-03-07 | 2024-03-07 | 一种用于智能水表的数据采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853882B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686120A (zh) * | 2020-12-25 | 2021-04-20 | 国家电网有限公司 | 一种基于无人机航拍图像的输电线异常检测方法 |
| CN113128378A (zh) * | 2021-04-06 | 2021-07-16 | 浙江精宏智能科技有限公司 | 一种指静脉快速识别方法 |
| KR20210108669A (ko) * | 2020-02-26 | 2021-09-03 | 목원대학교 산학협력단 | 멀티 스케일 감마 보정을 이용한 그림자 복원 방법 |
| CN114240807A (zh) * | 2022-02-28 | 2022-03-25 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
| CN114549670A (zh) * | 2022-02-23 | 2022-05-27 | 京东方数字科技有限公司 | 图像处理方法及图像处理系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6105925B2 (ja) * | 2012-12-27 | 2017-03-29 | 株式会社東芝 | 画像処理装置及び画像表示装置 |
| US10846834B2 (en) * | 2019-02-20 | 2020-11-24 | United States Of America As Represented By The Secretary Of The Navy | Shadow brightening image enhancement |
-
2024
- 2024-03-07 CN CN202410256727.XA patent/CN117853882B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210108669A (ko) * | 2020-02-26 | 2021-09-03 | 목원대학교 산학협력단 | 멀티 스케일 감마 보정을 이용한 그림자 복원 방법 |
| CN112686120A (zh) * | 2020-12-25 | 2021-04-20 | 国家电网有限公司 | 一种基于无人机航拍图像的输电线异常检测方法 |
| CN113128378A (zh) * | 2021-04-06 | 2021-07-16 | 浙江精宏智能科技有限公司 | 一种指静脉快速识别方法 |
| CN114549670A (zh) * | 2022-02-23 | 2022-05-27 | 京东方数字科技有限公司 | 图像处理方法及图像处理系统 |
| CN114240807A (zh) * | 2022-02-28 | 2022-03-25 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Modified sauvola based segmentation and RGB channel correction for shadow removal in panchromatic images;Gopika J L 等;International Conference Novel Changes in Systematic Electronics;20201231;全文 * |
| 基于自适应Gamma校正的煤岩显微图像增强研究;蒋敏;奚峥皓;;电子显微学报;20200215(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117853882A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| CN115115644B (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
| CN100550037C (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
| CN106023151B (zh) | 一种开放环境下中医舌象目标检测方法 | |
| CN109800698A (zh) | 基于深度网络的图标检测方法 | |
| CN116485785B (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
| CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
| CN103377468A (zh) | 图像处理装置及图像处理方法 | |
| CN115797607A (zh) | 一种增强vr真实效果的图像优化处理方法 | |
| CN110188693B (zh) | 改进的复杂环境车辆特征提取和停车判别方法 | |
| CN116030453A (zh) | 一种数字电气表计的识别方法、装置及设备 | |
| CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
| Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
| CN117853882B (zh) | 一种用于智能水表的数据采集方法 | |
| CN109978859B (zh) | 一种基于可见失真池化的图像显示适应质量评估方法 | |
| US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
| CN109978834A (zh) | 一种基于色彩和纹理特征的屏幕图像质量评价方法 | |
| CA2939304C (en) | A pixel-based universal image info extraction models and process flow | |
| CN110135274A (zh) | 一种基于人脸识别的人流量统计方法 | |
| CN115880181A (zh) | 一种增强图像对比度的方法、装置及终端 | |
| CN111083468B (zh) | 一种基于图像梯度的短视频质量评价方法及系统 | |
| CN109961413B (zh) | 大气光方向优化估计的图像去雾迭代算法 | |
| CN114170115A (zh) | 基于fpga的直方图均衡化增强图像细节的显示方法 | |
| CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 | |
| CN118570099B (zh) | 基于图像增强的术后康复效果监测系统 |
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 |