[发明专利]指针式仪表图像矫正方法、系统及存储介质

说明书

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。

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；