[发明专利]一种基于二进制编码字符水尺和图像处理的水位识别方法

摘要

本发明涉及数字图像处理技术，特别是一种基于二进制编码字符水尺和图像处理的水位识别方法。本发明包括提取二进制编码字符水尺图像关键像素，Radon变换算法进行二进制编码字符水尺倾斜校正，二进制编码字符水尺左右、上下边缘的确定，二进制编码字符水尺刻度线提取，表征水尺量程的二进制编码字符定位与分割，Hopfield神经网络和模板匹配相结合的二进制编码字符水尺量程识别，并通过二进制编码字符水尺刻度线与二进制编码字符水尺量程的数学关系，实现水位值的解算。本发明安全、高效、投资小。

主权项

1.一种基于二进制编码字符水尺和图像处理的水位识别方法，其特征是，包括以下步骤：步骤1：基于二进制编码字符水尺在图像中的位置是固定的，变化的只是水面的位置，同时水位测量中关注的只是水尺部分的图像，因此建立二进制编码字符水尺图像关键像素提取模型，忽略大片的水、桥墩和河岸区域；通过在整幅图像中截取有用的目标区域的二进制编码字符水尺图像进行分析，不仅可以避免复杂背景对算法的影响，同时将二进制编码字符水尺对象集中在一个较小的范围内，有利于提高水位识别的精度；处理的像素值f(x,y)范围选择为：f(x,y)，0.4W＜x＜0.6W，0＜y＜L，其中，W，L分别为图像宽度、高度像素；x，y分别为图像的横、纵坐标；步骤2:有时二进制编码字符水尺可能处于倾斜状态，如果不进行倾斜校正，水位识别的精度会受到很大影响；因此，需要检测出二进制编码字符水尺的倾斜角度并进行倾斜校正之后才能进行水位识别,建立基于Radon变换的二进制编码字符水尺倾斜校正算法，其具体过程为：(1)利用数学形态学处理对二值化后的二进制编码字符水尺图像进行边缘检测；(2)利用Radon变换对二进制编码字符水尺图像在水平方向和垂直方向的倾斜角度进行检测，然后对倾斜的二进制编码字符水尺进行旋转校正；步骤3：对倾斜校正后的含有水位信息的二进制编码字符水尺图像进行进一步提取，通过对二进制编码字符水尺图像进行垂直方向和水平方向投影分析，确定出二进制编码字符水尺的左右、上下边缘，其具体过程为：(1)对二进制编码字符水尺图像进行垂直方向投影，从左右两个方向向中间逼近，分别找到像素累加值发生显著变化的列坐标，据此列坐标进一步裁取水尺图像，可以定位出二进制编码字符水尺的左右边缘；式(1)中，COL表示二维图像f(x,y)的列，ROW表示二维图像f(x,y)的行；x，y分别为二维图像的横、纵坐标；(2)对二进制编码字符水尺图像进行水平方向投影，通过分析可知，除了首尾两个端点外，曲线变化最为剧烈的两个点即为水尺顶部边缘和水位线，分别从两边向中间逼近，求取第一个非零值的点即可得到二进制编码字符水尺上下边缘的行坐标，据此即可定位二进制编码字符水尺的上下边缘；式(2)中，COL表示二维图像f(x,y)的列，ROW表示二维图像f(x,y)的行；x，y分别为二维图像的横、纵坐标；步骤4：基于步骤3定位出的二进制编码字符水尺，建立二进制编码字符水尺刻度线提取模型，其具体过程为：(1)对二进制编码字符水尺进行灰度化处理，得到灰度化后图像；(2)对二进制编码字符水尺进行中值滤波，让与周围像素灰度值的差别较大的像素变换成与周围像素接近的值，从而消除孤立的噪声点；(3)采用Otsu法对二进制编码字符水尺进行二值化处理，利用一个或多个阈值对图像的灰度值来进行对比，把图像的像素点按灰度级分两类，灰度值比阈值大的归为一类，反之则为另一类，从而实现图像的分割，其计算公式为：式(3)中，b0＝0时表示为黑色像素，b1＝1时表示为白色像素，t为特征值，g(x,y)表示二值化后图像；(4)基于图像处理的二进制编码字符水尺水位线识别，边缘检测实现了从冗杂图像对象到单一信息对象的转化，选用Canny算子对二进制编码字符水尺进行边缘检测；(5)采用水平方向4像素的直线结构元素对二进制编码字符水尺进行开运算，以消除水尺字符的影响，最后得到水尺刻度线；步骤5：由步骤4提取的二进制编码字符水尺刻度线，通过定位和分割水尺中二进制编码字符，进而实现水尺量程的识别；根据步骤4的水尺刻度线提取图像，通过水尺刻度线的起始位置和刻度线的均匀分布可以定位第一个二进制编码字符的起始和终止的行坐标，根据此行坐标定位原水尺中二进制编码字符的位置，并根据此位置分割出二进制编码字符；步骤6：建立水尺二进制编码字符识别模型，模板匹配法是最直接的字符识别方法，只要将待识别字符直接与标准字符模板进行比较，再找到与之最匹配的字符即可；当直接运用模板匹配识别法时，由于二进制编码字符水尺存在许多噪声干扰，当所分割出的水尺二进制编码字符有残缺、扭曲及噪声时，匹配效果便不是很理想；采用离散Hopfield神经网络和模板匹配相结合的方法对水尺二进制编码字符进行识别，其具体过程为：(1)根据分割后的二进制编码字符大小和长宽比，选择10px×40px作为标准模板的大小，并在Photoshop中制作每个字符的黑白标准模板，保存在模板库中；(2)通过构建合适神经元数量的Hopfield神经网络，并采用正交权值法的学习规则对Hopfield神经网络进行训练，最后选取异步工作方式构建具有联想记忆功能的离散Hopfield神经网络模型；(3)待匹配的二进制编码字符是已做归一化处理的二值化图像，将其与标准模板库中的二进制编码字符二值化图像逐个进行匹配，并分别计算各匹配误差来判断水尺二进制编码字符与标准模板的匹配程度，取匹配程度尽可能大，即匹配误差最小一个对应，就是该二进制编码字符匹配结果；(4)利用Hopfield神经网络的联想记忆功能，使待匹配的二进制编码字符向标准模板靠近，减少字符噪声、扭曲对识别结果的影响；通过模板匹配方法最终识别分割出的二进制编码字符，将识别出的二进制编码字符转换其对应的十进制数，进而获得水尺量程；步骤7：建立水位值数学计算模型，利用步骤4得到的水尺刻度线和步骤6获得的水尺量程，通过以下模型获得当前水位值；水位值数学计算模型：lev＝R‑(m‑5)/5×10模型中，m为步骤4提取的二进制编码字符水尺刻度线的条数，R为步骤6获取的二进制编码字符水尺量程，lev代表水位值，其中，R≤90cm,m≥5,二进制编码字符水尺的刻度线间隔高度为2cm。