基于图像的水表读数智能识别应用研究

摘要

水表智能识别系统是计算机视觉在日常生活中的一个重要应用，而图像处理和字符识别技术是其中两个关键技术。在此论文中，我们根据真彩水表图像自身的特点，构建一个水表字符自动识别系统。该系统包括图像预处理、特征提取和分类器三个部分。 图像预处理部分主要基于图像的HSV色彩空间。对于采集到的彩色水表表盘图像，分析图像自身特点，分别提取其V、S和H分量有用信息，并结合相关算法，对其进行了有效的预处理。将图像格式从RBG空间装换到HSV空间后：对于V分量，我们利用其对图像进行灰度化，用Canny算子检测图像边缘，并对所得边缘图像使用Hough变换来检测水表字符边框以获得倾角，然后根据旋转算法进行倾斜校正，读数区域的水平定位也由Hough变换检测出的平行直线所确定：对于S和H分量信息，在图像二值化中得到充分利用：我们提出彩色水表图像基于S分量阈值法与H分量阈值法融合的二值化方法和基于色彩聚类与H分量阈值法融合的图像二值化方法，并通过实验证明了这两种方法在彩色水表图像二值化中的有效性；并探讨了两种方法的优缺点，最终选取了基于色彩聚类与H分量阈值法融合的图像二值化方法。字符分割步骤，考虑到字符粘连情况的存在，采用双次分割办法：首先进行基于直方图的阈值分割，然后进行基于字符轮廓的字符粘连分割。最后对所得图像进行归一化处理。实验证明，对于我们采集到的水表图像，此种基于HSV空间图像预处理方法比之RGB空间有显著的优势。 在字符特征提取阶段，讨论了字符的轮廓特征和统计特征提取的优缺点，并最终采用统计网格特征：即将每幅数字图像平均分割为9个面，统计每个面中数字点所占个数，然后与面积取商。 字符识别器采用现在通用的BP网络：根据本系统图像特点，构建一个三层BP网络来识别数字；中间层神经元的个数由matlab模拟BP网络误差逼进结果来确定。 使用采集的水表图像对所设计识别系统进行试验，对所得结果进行分析，对系统存在问题进行改进，最终获得具有较好的鲁棒性识别系统。

目录

文摘

英文文摘

声明

1绪论

1.1课题研究的目的与意义

1.2图像处理与模式识别研究现状

1.2.1图像处理技术

1.2.2模式识别技术

1.3水表字符识别难点

1.4水表字符识别步骤

1.5论文安排

2基于HSV空间的图像预处理

2.1彩色图像处理

2.1.1常用色彩空间

2.1.2色彩空间选择与转换

2.2图像的倾斜校正

2.2.1常用倾斜校正方法

2.2.2图像灰度化

2.2.3边缘检测

2.2.4 Hough变换倾角检测

2.2.5图像旋转

2.2.6插值算法

2.2.7读数区域粗定位

2.3图像二值化处理

2.3.1常用彩色图像分割算法

2.3.2直方图阈值法与色彩聚类融合的图像二值化

2.4字符分割

2.4.1字符初分割

2.4.2粘连字符分割

2.4.3对于字符分割的实验和讨论

2.5字符归一化

2.6本章小结

3字符特征提取

3.1常用的特征提取方法

3.2特征选择及提取

4模式识别

4.1常用分类器

4.2人工神经网络

4.2.1神经网络的发展及应用

4.2.2神经元模型

4.2.3神经网络的分类

4.2.4神经网络的学习规则

4.3 BP网络

4.3.1网络结构及学习过程

4.3.2 BP网络的局限与不足

4.3.3 BP算法的改进

4.4 BP网络设计原则

4.5本章小结

5识别系统

5.1系统初设计

5.2初步实验结果

5.3比较与改进

5.4最终设计及分析

5.5本章小结

6总结与展望

参考文献

致谢

附录攻读硕士学位期间公开发表的学术论文