本發(fā)明屬于數(shù)字圖像處理、模式識(shí)別技術(shù)領(lǐng)域，特別是一種魯棒的工業(yè)電表數(shù)字識(shí)別方法。

背景技術(shù)：

從19世紀(jì)電的產(chǎn)生，以及20世紀(jì)電的普遍使用開始。在工業(yè)界中，電表就作為一種重要的工具，用來顯示企業(yè)中生成部門的各種數(shù)據(jù)。尤其是在電力行業(yè)中，電力部門為了統(tǒng)計(jì)各儀器的用電數(shù)據(jù),經(jīng)常安排專人進(jìn)行抄表工作?，F(xiàn)存的大量電表中,有很多位于偏遠(yuǎn)的、不便的、高危險(xiǎn)的位置。這就需要耗費(fèi)大量的人力物力安排工人抄表，并且由于工人的長期工作容易出現(xiàn)讀表錯(cuò)誤。當(dāng)然，隨著電力行業(yè)、信息產(chǎn)業(yè)的的不斷發(fā)展,一大批智能電表被研發(fā)出來，這種電表能夠自動(dòng)識(shí)別自身的數(shù)字和并且能夠傳輸?shù)娇刂葡到y(tǒng)。但是，需要將原先老式的電表都換成新的電表常常受到經(jīng)濟(jì)的限制,因此，此類電表未得到廣泛普及。

現(xiàn)有的一些工業(yè)電表中的數(shù)字識(shí)別算法存在的低識(shí)別率，不魯棒性等缺點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：提供一種魯棒的工業(yè)電表數(shù)字識(shí)別方法，通過Canny檢測(cè)邊緣算法能夠有效區(qū)分噪聲區(qū)域和數(shù)字區(qū)域，使得工業(yè)電表面板中的數(shù)字切割的更加準(zhǔn)確；通過使用KNN算法不僅可以有效提高數(shù)字識(shí)別算法的效率，也能保證數(shù)字識(shí)別的精度。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：一種魯棒的工業(yè)電表數(shù)字識(shí)別方法，包括如下步驟：

步驟1、首先將采集過來的工業(yè)電表圖像I_rgb轉(zhuǎn)換為灰度圖像I_gray，在灰度圖像上使用均值濾波，進(jìn)行初步去噪聲。

步驟2、對(duì)去完噪聲的灰度圖像I_noise采用Canny算子提取工業(yè)電表圖像的邊緣。Canny算子進(jìn)行邊緣檢測(cè)能有效抑制噪聲，同時(shí)能精確確定邊緣的位置。

步驟3、基于膨脹后的邊緣圖像I_dilate，先對(duì)圖像中含有數(shù)字的區(qū)域竟可能的通過經(jīng)驗(yàn)進(jìn)行粗定位。然后分別通過橫向、縱向投影法對(duì)數(shù)字區(qū)域進(jìn)行精準(zhǔn)定位切割。

步驟4、將精準(zhǔn)定位切割后含有數(shù)字的灰度圖像I_gray通過閾值法進(jìn)行二值化得到二值圖像I_binary；

步驟5、進(jìn)一步通過投影法，只進(jìn)行縱向投影，具體過程如步驟三，將數(shù)字區(qū)域切割為單個(gè)數(shù)字的小區(qū)域，

步驟6、基于KNN(K近鄰)算法，對(duì)單個(gè)數(shù)字識(shí)別，最后按步驟5考慮小數(shù)點(diǎn)位置，得到最終的電表讀數(shù)。

優(yōu)選的，步驟2所述Canny邊緣檢測(cè)算法流程為：

Step1：用高斯濾波器對(duì)初始圖像進(jìn)行平滑，類似于步驟一中的均值濾波；

Step2：用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向；

Step3：對(duì)梯度幅值進(jìn)行非極大值抑制；

Step4：用雙閾值算法檢測(cè)和連接邊緣；

優(yōu)選的，步驟6所述利用KNN算法對(duì)測(cè)試圖像進(jìn)行分類識(shí)別的方法為：對(duì)于每一個(gè)測(cè)試圖片I_test，我們?cè)?0N張訓(xùn)練集I_train中找到與測(cè)試圖片IOU最大的K張，然后在K張訓(xùn)練集中，某個(gè)數(shù)字類別出現(xiàn)最多的即為測(cè)試圖片的數(shù)字。

優(yōu)選的，步驟2中的Canny邊緣檢測(cè)算法的閾值為0.6；步驟3中的投影向量切割的閾值thresh＝15；步驟6中的訓(xùn)練集數(shù)：N＝10，KNN算法的K值為K＝10。

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下有益效果：1)本發(fā)明提出了一種魯棒高效的工業(yè)電表數(shù)字識(shí)別方法，通過canny算子檢測(cè)工業(yè)電表面板中的數(shù)字邊緣，可以有效定位并切割出數(shù)字區(qū)域；2)基于訓(xùn)練集中的數(shù)字，通過KNN算法構(gòu)造分類器，對(duì)待識(shí)別數(shù)字進(jìn)行分類；3)本發(fā)明的工業(yè)電表數(shù)字識(shí)別方法通過canny邊緣檢測(cè)能夠有效地區(qū)分噪聲區(qū)域和數(shù)字區(qū)域，使得算法更加魯棒；4)在識(shí)別數(shù)字時(shí)采用KNN算法不僅可以有效提高算法效率，也能使得數(shù)字識(shí)別更加準(zhǔn)確。

附圖說明

圖1是本發(fā)明工業(yè)電表的原圖。

圖2是本發(fā)明步驟一計(jì)算出的去噪后的灰度圖。

圖3是本發(fā)明步驟二Canny邊緣檢測(cè)算法檢測(cè)出來的圖像邊緣。

圖4是本發(fā)明步驟二對(duì)Canny檢測(cè)檢測(cè)出來的圖像邊緣進(jìn)行膨脹后的圖像。

圖5是本發(fā)明步驟三切割出來的含有數(shù)字的區(qū)域圖像。

圖6是本發(fā)明步驟四對(duì)切割出來的灰度圖像進(jìn)行二值化得到的二值圖。

圖7是本發(fā)明對(duì)二值圖進(jìn)行單個(gè)數(shù)字切割并識(shí)別的結(jié)果圖。

具體實(shí)施方式

結(jié)合附圖，本發(fā)明的一種魯棒的工業(yè)電表數(shù)字識(shí)別方法，工業(yè)電表中的數(shù)字識(shí)別算法主要應(yīng)用了圖像預(yù)處理、圖像分割、字符識(shí)別等圖像處理及模式識(shí)別相關(guān)算法。包括以下步驟：

步驟1、將采集到的工業(yè)電表圖像I_rgb轉(zhuǎn)換為灰度圖像I_gray，之后進(jìn)行濾波處理，去除噪聲；濾波處理時(shí)的均值濾波核為：均值濾波的過程即為卷積計(jì)算過程：式中，i,j為去完噪聲圖像的I_noise橫縱下標(biāo)，m,n為均值濾波核K的橫縱下標(biāo)。

步驟2、對(duì)去完噪聲的灰度圖像I_noise采用Canny算子提取工業(yè)電表圖像的邊緣；并對(duì)邊緣圖像進(jìn)行形態(tài)學(xué)膨脹操作處理；

采用Canny算子提取工業(yè)電表圖像的邊緣的流程為：

Step1：用高斯濾波器對(duì)初始圖像進(jìn)行平滑處理；

Step2：用一階偏導(dǎo)的有限差分計(jì)算梯度的幅值和方向；

Step3：對(duì)梯度幅值進(jìn)行非極大值抑制；

Step4：用雙閾值算法檢測(cè)和連接邊緣；

對(duì)邊緣圖像I_canny進(jìn)行形態(tài)學(xué)膨脹操作得到膨脹后的圖像I_dilate計(jì)算公式為：其中strel(5)為膨脹的結(jié)構(gòu)元素。

所述Canny邊緣檢測(cè)算法的閾值為0.6，膨脹的結(jié)構(gòu)元素strel(5)的值為

步驟3、基于邊緣圖像，先對(duì)圖像中含有數(shù)字的區(qū)域進(jìn)行粗定位，然后通過投影法對(duì)數(shù)字區(qū)域進(jìn)行精準(zhǔn)定位切割；具體為：基于膨脹后的邊緣圖像I_dilate，先對(duì)圖像中含有數(shù)字的區(qū)域進(jìn)行粗定位，然后分別通過橫向、縱向投影法對(duì)數(shù)字區(qū)域進(jìn)行精準(zhǔn)定位切割，橫向投影向量為縱向投影向量為根據(jù)兩個(gè)投影向量v，設(shè)定閾值thresh，計(jì)算上下左右的四個(gè)切割點(diǎn)(up,down,left,right)：＝index(v＜thresh)，然后對(duì)數(shù)字區(qū)域進(jìn)行進(jìn)一步精細(xì)切割得到I_fine。投影向量切割的閾值thresh＝15。

步驟4、將精準(zhǔn)定位切割后含有數(shù)字的灰度圖像通過閾值法進(jìn)行二值化處理；

步驟5、通過投影法，將數(shù)字區(qū)域切割為單個(gè)數(shù)字的小區(qū)域，切割完后識(shí)別單個(gè)數(shù)字右下角小數(shù)點(diǎn)；具體如下：

步驟5-1、通過投影法，只進(jìn)行縱向投影，將數(shù)字區(qū)域切割為單個(gè)數(shù)字的小區(qū)域，切割點(diǎn)計(jì)算公式point:＝index(v＝0)，切割完后得到單個(gè)數(shù)字的圖像I_single；

步驟5-2、針對(duì)每一張切割出來的單個(gè)數(shù)字圖片，繼續(xù)采用縱向投影，得到單個(gè)數(shù)字圖像的投影向量v_single；

步驟5-3、設(shè)定閾值th＝row(I_single)/5，小數(shù)點(diǎn)的切割位置為point:＝index(v_single＜th)，其中index()為向量的下標(biāo)計(jì)算公式；計(jì)算每個(gè)數(shù)字右下角小數(shù)點(diǎn)的切割距離，最大距離的數(shù)字即為含有小數(shù)點(diǎn)的數(shù)字，計(jì)算公式為：

步驟6、基于KNN算法，對(duì)單個(gè)數(shù)字識(shí)別，并識(shí)別小數(shù)點(diǎn)，得到最終的電表數(shù)字。具體為：

步驟6-1、通過上述步驟切割單個(gè)數(shù)字圖像的方式制作訓(xùn)練集，每個(gè)數(shù)字制作N張圖片，因而10個(gè)數(shù)字共有10N張訓(xùn)練集I_train；

步驟6-2、對(duì)于每張測(cè)試圖片I_test，KNN算法中的距離函數(shù)為：

步驟6-3、對(duì)于每一個(gè)測(cè)試圖片I_test，我們?cè)?0N張訓(xùn)練集I_train中找到與測(cè)試圖片IOU最大的K張，然后在K張訓(xùn)練集中，某個(gè)數(shù)字類別出現(xiàn)最多的即為測(cè)試圖片的數(shù)字；

步驟6-4、按步驟5的方法確定小數(shù)點(diǎn)位置，得到最終的電表讀數(shù)。

所述訓(xùn)練集數(shù)：N＝10，KNN算法的K值為K＝10。

本發(fā)明提出了一種魯棒高效的工業(yè)電表數(shù)字識(shí)別方法，通過canny算子檢測(cè)工業(yè)電表面板中的數(shù)字邊緣，可以有效定位并切割出數(shù)字區(qū)域。

下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。

實(shí)施例

本發(fā)明首先通過canny算子檢測(cè)工業(yè)電表面板中的數(shù)字邊緣，可以有效定位并切割出數(shù)字區(qū)域；然后，基于訓(xùn)練集中的數(shù)字，通過KNN算法構(gòu)造分類器，對(duì)待識(shí)別數(shù)字進(jìn)行分類。具體步驟如下：

步驟1、首先將采集過來的工業(yè)電表圖像I_rgb，如圖1所示，轉(zhuǎn)換為灰度圖像I_gray，在灰度圖像上使用均值濾波，進(jìn)行初步去噪聲，如圖2所示。均值濾波核為：均值濾波的過程即為卷積計(jì)算過程：

步驟2、對(duì)去完噪聲的灰度圖像I_noise采用Canny算子提取工業(yè)電表圖像的邊緣，如圖3所示。Canny算子進(jìn)行邊緣檢測(cè)能有效抑制噪聲，同時(shí)能精確確定邊緣的位置。對(duì)邊緣圖像I_canny進(jìn)行形態(tài)學(xué)膨脹操作得到膨脹后的圖像I_dilate，如圖4所示，計(jì)算公式為：其中strel(5)為膨脹的結(jié)構(gòu)元素，其值為Canny邊緣檢測(cè)算法的閾值為0.6。

步驟3、基于膨脹后的邊緣圖像I_dilate，先對(duì)圖像中含有數(shù)字的區(qū)域竟可能的通過經(jīng)驗(yàn)進(jìn)行粗定位。然后分別通過橫向、縱向投影法對(duì)數(shù)字區(qū)域進(jìn)行精準(zhǔn)定位切割，橫向投影向量為縱向投影向量為根據(jù)兩個(gè)投影向量v，設(shè)定閾值thresh，計(jì)算上下左右的四個(gè)切割點(diǎn)(up,down,left,right)：＝index(v＜thresh)，然后對(duì)數(shù)字區(qū)域進(jìn)行進(jìn)一步精細(xì)切割得到I_fine，投影向量切割的閾值thresh＝15，如圖5所示。

步驟4、將精準(zhǔn)定位切割后含有數(shù)字的灰度圖像I_gray通過閾值法進(jìn)行二值化得到二值圖像I_binary，如圖6所示；

步驟5、進(jìn)一步通過投影法，只進(jìn)行縱向投影，具體過程如步驟三，將數(shù)字區(qū)域切割為單個(gè)數(shù)字的小區(qū)域，切割點(diǎn)計(jì)算公式point:＝index(v＝0)，切割完后得到單個(gè)數(shù)字的圖像I_single?？紤]每一張切割出來的單個(gè)數(shù)字圖片，繼續(xù)采用縱向投影，得到單個(gè)數(shù)字圖像的投影向量v_single。設(shè)定閾值th＝row(I_single)/5，小數(shù)點(diǎn)的切割位置為point:＝index(v_single＜th)，計(jì)算每個(gè)數(shù)字右下角小數(shù)點(diǎn)的切割距離，最大距離的數(shù)字即為含有小數(shù)點(diǎn)的數(shù)字，計(jì)算公式為：

步驟6、基于KNN(K近鄰)算法，對(duì)單個(gè)數(shù)字識(shí)別，首先我們先通過步驟一到五切割單個(gè)數(shù)字圖像的方式制作訓(xùn)練集，每個(gè)數(shù)字我們制作N張圖片，因而10個(gè)數(shù)字共有10N張訓(xùn)練集I_train。對(duì)于每張測(cè)試圖片I_test，KNN中的距離函數(shù)定義為：最后按步驟五考慮小數(shù)點(diǎn)位置，得到最終的電表讀數(shù)，其中訓(xùn)練集數(shù)：N＝10，KNN算法的K值為K＝10，如圖7所示。

由上可知，本發(fā)明提出了一種魯棒高效的工業(yè)電表數(shù)字識(shí)別方法，通過canny算子檢測(cè)工業(yè)電表面板中的數(shù)字邊緣，可以有效定位并切割出數(shù)字區(qū)域。