论文部分内容阅读
仪表的自动化识别是实现仪表远程监控系统的核心技术,在光照不均匀情况下进行仪表字符识别时,由于传统的模板匹配的方法识别的准确率达不到实际应用要求,所以本研究提出了一种基于线段检测的全信息特征提取识别方法,来提高背景光照不均匀情况下仪表图像识别的精度。为了能够有效提取图像中线段,本文首先使用多层分数傅里叶变换(ML-FRFT)算法来进行直线检测,并与经典的Hough变换和Radon变换直线检测算法进行对比,通过实验结果可以看出ML-FRFT直线检测算法能够精确检测出图像中不同宽度的直线、以及图像中多达数十条相交的直线,精度优于经典的Hough变换和Radon变换,并且对噪声不敏感、鲁棒性强。同时该方法还具有能够直接对灰度图像甚至彩色图像进行直线检测而不需要先将图像转化为二值图像的优点。虽然ML-FRFT检测图像中直线精度很高,但是提取特征需要获取图像中线段信息,这就需要在直线检测的基础上进一步检测线段的端点。因此本文研究了基于ML-FRFT的线段检测算法,即在检测的直线上加窗口来获取正弦图蝶形波检测边缘得到线段端点。通过理论分析和实验证明这种方法能够对二值图像有效地检测出线段,但是对于灰度图像并不能检测到线段端点。同时研究了经典的Hough变化和LSD算法,并进行对比实验,实验证明LSD算法能够精确检测到灰度图像的边缘线段,但是线段会被截断,而Hough变换由于直线检测这一步依赖边缘检测导致线段斜率会有小的偏移并且检测到的线段可能比实际短。针对基于ML-FRFT的线段检测算法对灰度图像不适用的问题,本文提出一种基于阈值限制的ML-FRFT线段检测算法,成功地检测出灰度图像中的线段。虽然ML-FRFT具有较好的识别能力,但是针对光照不均匀的仪表图像进行测试后,远程监控系统还是采用经典的Hough变换算法。首先对图像进行滤波等预处理,然后检测直线校正字符倾斜、同时匹配检测到的线段提取字符区域的全部像素特征,最后采用神经网络算法进行字符识别。通过图片测试证明系统能够有效地提高不均匀光照背景下仪表图像识别系统的准确率。