不均匀光照和重影的仪表图像二值化方法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2实验过程和结果21数据集的采集和制作为了提高网络在复杂环境下的鲁棒性本实验使用的数据集在仪表所处的真实环境下采集并且调节光源处于仪表左右边或正对位置并与相机是否有旋转角度组合拍摄采集得到的图像是3通道的rgb图片剔除肉眼无法识别出的图像最终样本图像尺寸为911x261像素共计7600张
第41卷第1期 2020年1月
引言
高压计量仪表在发电厂和变电站中起着至关 重要的作用，涉及发电、供电、用电三方之间很多 的经济和技术问题,其准确与否直接关系到三方 的经济利益。因此,定期校验高压计量仪表以提 高其准确性具有重要意义叫传统人眼读数校验
跟不上计量仪表的变化速度，难以准确记录仪表 真实数值。而部分高压计量仪表不提供与计算机 进行数据通信的接口，无法通过仪表端口直接将 数字读取出来。为了适用各种送检的计量仪表, 采用机器视觉方法进行字符识别。机器视觉使仪 表字符识别成为可能，仪表图像的字符识别一般 分为三步已:字符分割，特征提取和字符分类。由
收稿日期：2019-07-08;修回日期：2019-10-22 基金项目：国家自然科学基金(51775177, 51675166);湖北省自然科学基金(2018CFB276) 作者简介:孙国栋(1981-)，男，教授，博士，主要从事计算机视觉与机器学习方面的研究。E-mail： sgdeagle@
show that the binary images of the proposed network are clear and have no ghosting. The average IoU is 95.12, which is most similar to the sample label images. Therefore, the method can effectively solve the problem of
应用光学
Journal of Applied Optics
Vol. 41 No. 1 Jan. 2020
文章编号:1002-2082 (2020) 01-0074-05
不均匀光照和重影的仪表图像二值化方法
孙国栋，徐旳，徐亮，张航,柳晨康
(湖北工业大学机械工程学院，湖北武汉430068)
摘 要：高压计量仪表识别过程中需要对图像进行二值化操作，然而拍摄的仪表图像多出现光照
值图数字清晰且无重影，且测得的交并比(loU)平均值为95.12,与样本标签图像的相似度最高,
能够有效解决复杂环境下有重影的仪表图像二值化问题。
关推词：高压计量仪表;二值化；光照不均；重影；深度学习
中图分类号:TN206
文献标志码:A
DOI： 10.5768/JA0202041.0102002
Binarization method of instrument image with uneven illumination and ghosting
SUN Guodong, XU Yun, XU Liang, ZHANG Hang, LIU Chenkang
(School of Mechanical Engineerห้องสมุดไป่ตู้ng, Hubei University of Technology, Wuhan 430068, China)
Abstract： The image needs to be binarized during the identification process of the high-voltage meter.
However, the phenomenon of uneven illumination and digital ghosting often appears in the instrument images, so that it is difficult to binarize the instrument images with traditional method. Therefore, a binarization method based on convolutional neural network was proposed to binarize the instrument images with digital
不均和数字重影现象，导致传统方法对仪表图像的二值化困难。为此，提出一种基于卷积神经网
络的二值化方法，用于对复杂光照下含数字重影的仪表图像二值化。该网络使用的数据集为真
实环境下的仪表图像，首先对输入的图像进行降维提取特征，然后反卷积重建图像前景，最后输
出二值图。将设计的网络与传统的二值化方法进行对比，实验结果表明，经该网络训练得到的二
应用光学2020,41(1)孙国栋，等:不均匀光照和重影的仪表图像二值化方法
・75・
于高压计量仪表现场测试难免处在光照过强、过 弱和光照不均的环境下，并且仪表数字在变化的 过程中会产生重影现象，导致字符分割过程中的 图像二值化困难。传统的二值化主要有全局阈值 算法和局部阈值算法叫 大津法(Otsu)⑹、迭代阈 值法⑺和最大爛法冈是常用的全局阈值算法，其通 常是从整个图像选择一个阈值来最小化前景和背 景像素的类间方差，但对于复杂光照下或目标灰 度范围分布大的图像效果较差，且无法去除重影
binarization of instrument images with ghosting under complex environment.
Key words： high-voltage meter； binarization； uneven illumination； ghosting； deep learning
ghosting under complex illumination. The data sets used in the network were the instrument images in real
environment. Firstly, the dimensionality reduction was used to extract features of the input images, and then the foreground of images was reconstructed by deconvolution. Finally, the binary images were output by the network. Comparing the designed network with the traditional binarization method, the experimental results
第41卷第1期 2020年1月
引言
高压计量仪表在发电厂和变电站中起着至关 重要的作用，涉及发电、供电、用电三方之间很多 的经济和技术问题,其准确与否直接关系到三方 的经济利益。因此,定期校验高压计量仪表以提 高其准确性具有重要意义叫传统人眼读数校验
跟不上计量仪表的变化速度，难以准确记录仪表 真实数值。而部分高压计量仪表不提供与计算机 进行数据通信的接口，无法通过仪表端口直接将 数字读取出来。为了适用各种送检的计量仪表, 采用机器视觉方法进行字符识别。机器视觉使仪 表字符识别成为可能，仪表图像的字符识别一般 分为三步已:字符分割，特征提取和字符分类。由
收稿日期：2019-07-08;修回日期：2019-10-22 基金项目：国家自然科学基金(51775177, 51675166);湖北省自然科学基金(2018CFB276) 作者简介:孙国栋(1981-)，男，教授，博士，主要从事计算机视觉与机器学习方面的研究。E-mail： sgdeagle@
show that the binary images of the proposed network are clear and have no ghosting. The average IoU is 95.12, which is most similar to the sample label images. Therefore, the method can effectively solve the problem of
应用光学
Journal of Applied Optics
Vol. 41 No. 1 Jan. 2020
文章编号:1002-2082 (2020) 01-0074-05
不均匀光照和重影的仪表图像二值化方法
孙国栋，徐旳，徐亮，张航,柳晨康
(湖北工业大学机械工程学院，湖北武汉430068)
摘 要：高压计量仪表识别过程中需要对图像进行二值化操作，然而拍摄的仪表图像多出现光照
值图数字清晰且无重影，且测得的交并比(loU)平均值为95.12,与样本标签图像的相似度最高,
能够有效解决复杂环境下有重影的仪表图像二值化问题。
关推词：高压计量仪表;二值化；光照不均；重影；深度学习
中图分类号:TN206
文献标志码:A
DOI： 10.5768/JA0202041.0102002
Binarization method of instrument image with uneven illumination and ghosting
SUN Guodong, XU Yun, XU Liang, ZHANG Hang, LIU Chenkang
(School of Mechanical Engineerห้องสมุดไป่ตู้ng, Hubei University of Technology, Wuhan 430068, China)
Abstract： The image needs to be binarized during the identification process of the high-voltage meter.
However, the phenomenon of uneven illumination and digital ghosting often appears in the instrument images, so that it is difficult to binarize the instrument images with traditional method. Therefore, a binarization method based on convolutional neural network was proposed to binarize the instrument images with digital
不均和数字重影现象，导致传统方法对仪表图像的二值化困难。为此，提出一种基于卷积神经网
络的二值化方法，用于对复杂光照下含数字重影的仪表图像二值化。该网络使用的数据集为真
实环境下的仪表图像，首先对输入的图像进行降维提取特征，然后反卷积重建图像前景，最后输
出二值图。将设计的网络与传统的二值化方法进行对比，实验结果表明，经该网络训练得到的二
应用光学2020,41(1)孙国栋，等:不均匀光照和重影的仪表图像二值化方法
・75・
于高压计量仪表现场测试难免处在光照过强、过 弱和光照不均的环境下，并且仪表数字在变化的 过程中会产生重影现象，导致字符分割过程中的 图像二值化困难。传统的二值化主要有全局阈值 算法和局部阈值算法叫 大津法(Otsu)⑹、迭代阈 值法⑺和最大爛法冈是常用的全局阈值算法，其通 常是从整个图像选择一个阈值来最小化前景和背 景像素的类间方差，但对于复杂光照下或目标灰 度范围分布大的图像效果较差，且无法去除重影
binarization of instrument images with ghosting under complex environment.
Key words： high-voltage meter； binarization； uneven illumination； ghosting； deep learning
ghosting under complex illumination. The data sets used in the network were the instrument images in real
environment. Firstly, the dimensionality reduction was used to extract features of the input images, and then the foreground of images was reconstructed by deconvolution. Finally, the binary images were output by the network. Comparing the designed network with the traditional binarization method, the experimental results