图像处理在仪表自动化中的应用

1.项目描述

利用摄像头采集仪表盘的信息，对采集到的图片信息进行识别，

2.实现的过程

2.1 模板匹配法

提取0-9 十个数字的模板，进行归一化，模板大小为高50*宽30像素。对摄像头拍到的图像信息，先进性灰度化处理，高斯平滑，二值化处理，再进行形态学处理之后，通过找寻图像中的连通区域，可以找到若干个连通区域，当然有很多不包含数字的连通区域，可以根据找到的连通区域的大小进行过滤，而且可以进一步根据连通区域的先验知识，如长宽之比来过滤，增加准确性。这样找到的连通区域的并不是按照从左到右的顺序，找到之后，可以根据x的坐标进行排序，在识别的过程中就是按照正常的读数的顺序。在识别的过程中采用的是模板匹配的方法，对测试样本，分割之后，进行归一化处理，与模板图像做异或运算，统计出现的1的次数，次数最多的模板就是测试图像的类别。刚开始基于一块电表的图像做实验，准确率为60%，分析错误的原因，数字和5和数字6，数字6，数字8，和数字0，这两组数字容易被识别错，但是模板匹配的主要优点是速度快。后来分析数字5和数字6之间的区别，用漫水填充算法对测试图像进行处理，然后与原测试图像做差值运算，如果是5的话，差值运算的结果应该是0，如果是6，差值运算有响应的数值。可以将5和6分开。0,6,8这三个数字的区别可以采用相同的思路，但有点区别，6的上半部分没有孔洞，可以先进性漫水填充算法，如果上半部分没有变化，则是6，剩下再区分0和8，直接统计中间部分区域的像素个数，可以将0和8区分开。经过二次处理之后，识别率将近100%。

2.2 SVM分类

模板匹配的速度虽然快，但是通用性不强，事先需要提取模板。而采用SVM机器学习的方法，可以避免这种问题，SVM对小数据集的分类效果比较理想，opencv里面有现成的svm函数可以调用，进行简单的配置就可以使用了，很方便。直接用模板匹配提取的模板，每个数字一个样本，共十个训练样本，特征向量直接采用二值图像的像素分布，准确率可以达到70%以上，增加训练的数量，识别率上升明显。