模糊圖像中儀表盤修正力Snake模型檢測(cè)

于舒春 董靜宜

摘 要：針對(duì)模糊圖像中儀表盤檢測(cè)準(zhǔn)確率不高的問(wèn)題，提出了一種基于修正力的改進(jìn)Snake模型。首先，采用Hough變換確定模糊圖像中儀表盤所在的區(qū)域。其次，以Hough變換檢測(cè)到的區(qū)域邊界為Snake算法的初始邊界，引入修正力參數(shù)，擴(kuò)大Snake算法的控制范圍，調(diào)整能量函數(shù)對(duì)目標(biāo)曲線的連續(xù)控制，實(shí)現(xiàn)模糊圖像中儀表盤的精確定位。實(shí)驗(yàn)結(jié)果表明，基于修正力的改進(jìn)Snake算法，對(duì)于模糊圖像中的儀表盤檢測(cè)準(zhǔn)確率，比傳統(tǒng)Snake算法提升近20%。

關(guān)鍵詞：模糊圖像，儀表盤，Snake模型，準(zhǔn)確率

DOI：10.15938/j.jhust.2018.02.012

中圖分類號(hào)： TP391

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2018）02-0065-05

Abstract：In order to solve the problem that the accuracy of the dashboard detection in fuzzy images is not high， an improved Snake model based on the correction force is proposed. First， the Hough transform is used to determine the area of the dashboard in the fuzzy image. Secondly， the boundary area detected by Hough transform is the initial boundary of Snake algorithm. The correction force parameter is introduced to expand the control range of Snake algorithm， adjust the continuous control of energy function to the target curve， and achieve the precise location of the dashboard in the fuzzy image. The experimental results show that the improved Snake algorithm based on the correction force is nearly 20% better than the traditional Snake algorithm for the accuracy of the dashboard detection in the fuzzy image.

Keywords：fuzzy image， dashboard， Snake model， accuracy rate

0 引 言

指針儀表在汽車領(lǐng)域、工業(yè)制造領(lǐng)域大量使用，用于反饋油氣流量、壓力、壓強(qiáng)、溫度等物理參數(shù)[1-2]。

在一些特殊場(chǎng)合中，加工制造的過(guò)程具有一定危險(xiǎn)性，用機(jī)器視覺(jué)的方法完成指針儀表的遠(yuǎn)程讀數(shù)是一種理想的方法[3-4]。從視覺(jué)檢測(cè)過(guò)程來(lái)看，要完成指針儀表的智能讀數(shù)，需要對(duì)指針儀表圖像進(jìn)行噪聲去除、前景背景分割、邊緣檢測(cè)、輪廓提取、刻度識(shí)別、字符識(shí)別等處理[5-10]。

指針式儀表大多配置圓形表盤，刻度、指針都分布在表盤區(qū)域以內(nèi)。因此，對(duì)于視覺(jué)檢測(cè)而言，能夠準(zhǔn)確地檢測(cè)到圓形表盤是完成智能讀數(shù)的關(guān)鍵工作[11]。對(duì)于圓形輪廓的提取和定位，在視覺(jué)檢測(cè)領(lǐng)域一般采用鏈碼追蹤、輪廓提取、Hough變換等方法[12-13]。

指針儀表圖像在工業(yè)現(xiàn)場(chǎng)中的拍攝，有時(shí)會(huì)出現(xiàn)模糊的情況，這是因?yàn)椋撼上裣到y(tǒng)有可能出現(xiàn)故障，成像環(huán)境中氣體構(gòu)成發(fā)生變化，成像過(guò)程中攝像系統(tǒng)被震動(dòng)影響，成像區(qū)域受到運(yùn)動(dòng)影響[14]。

如果指針儀表圖像出現(xiàn)了模糊，常規(guī)的視覺(jué)檢測(cè)方法就無(wú)法有效地檢測(cè)到圓盤區(qū)域。Snake檢測(cè)算法，通過(guò)設(shè)計(jì)力學(xué)參數(shù)控制的能量模型，在迭代過(guò)程中不斷向精確的圓盤邊界靠攏，即便是圖像模糊時(shí)，也可以檢測(cè)到圓盤邊界[15-16]。Snake算法的主要不足是，模型中力的控制范圍有限，邊界定位的準(zhǔn)確率較低[17]。據(jù)此，本文對(duì)Snake算法進(jìn)行改進(jìn)，提出了基于修正力的Snake模型，更好地適用于指針儀表的圓盤檢測(cè)。

1 Snake算法及模型

Snake算法以最終要定位的閉合曲線為逼近目標(biāo)，它可以用Z（s）=（x（s），y（s））來(lái)表達(dá)，參數(shù)s在0到1的范圍上變化。參數(shù)x、y代表了目標(biāo)曲線上點(diǎn)的坐標(biāo)，參數(shù)s代表了目標(biāo)曲線的弧長(zhǎng)。

為了達(dá)到對(duì)目標(biāo)曲線定位過(guò)程的控制，Snake算法在曲線內(nèi)外設(shè)置了兩個(gè)能量參數(shù)。通過(guò)這兩個(gè)參數(shù)的不斷調(diào)整，實(shí)現(xiàn)在目標(biāo)曲線內(nèi)外兩個(gè)力場(chǎng)的控制，進(jìn)而引導(dǎo)目標(biāo)曲線逼近目標(biāo)位置。

2 本文對(duì)Snake算法的改進(jìn)處理

在Snake算法的迭代過(guò)程中，對(duì)目標(biāo)曲線的初始位置設(shè)定具有重要意義。相對(duì)準(zhǔn)確的初始位置設(shè)定，有利于提升儀表表盤區(qū)域定位的準(zhǔn)確性，也會(huì)加快算法的執(zhí)行速度。

所以，本文執(zhí)行指針儀表圓盤區(qū)域檢測(cè)之前，先用Hough變換進(jìn)行初始定位。當(dāng)然，因?yàn)槭艿綀D像模糊的影響，Hough變換檢測(cè)到的會(huì)是一個(gè)圓環(huán)或橢圓環(huán)區(qū)域。將這個(gè)區(qū)域作為Snake算法的初始位置，會(huì)大大提升檢測(cè)效果。

Snake算法進(jìn)入迭代過(guò)程后，曲線位置的更新主要受到內(nèi)力和外力的控制。但在傳統(tǒng)Snake模型中，外力的控制作用較弱。為了達(dá)到更好的定位效果，本文提出基于修正力的改進(jìn)，改進(jìn)處理過(guò)程如下：

3 指針儀表表盤檢測(cè)實(shí)驗(yàn)

為了驗(yàn)證本文方法對(duì)于指針儀表表盤區(qū)域檢測(cè)的有效性，展開(kāi)如下的實(shí)驗(yàn)研究。

實(shí)驗(yàn)過(guò)程中，計(jì)算機(jī)的配置為酷睿雙核CPU，單核CPU主頻2.0G赫茲，內(nèi)存大小為8GB。

實(shí)驗(yàn)過(guò)程中，算法采用C++程序設(shè)計(jì)語(yǔ)言實(shí)現(xiàn)，傳統(tǒng)Snake算法和本文改進(jìn)的Snake算法，實(shí)驗(yàn)結(jié)果如圖1所示。

圖1中，（a）圖為模糊的指針儀表圖像，（b）圖為執(zhí)行Hough變換檢測(cè)到的初始邊界，（c）圖為改進(jìn)Snake算法最終檢測(cè)到的表盤邊界。

從實(shí)驗(yàn)結(jié)果中可以看出，指針儀表圖像的模糊，使得表盤區(qū)域出現(xiàn)重影現(xiàn)象，常規(guī)的視覺(jué)檢測(cè)方法無(wú)法有效檢測(cè)到表盤區(qū)域。執(zhí)行Hough變換檢測(cè)，獲得了表盤區(qū)域的兩個(gè)極限位置，如圖（b）中兩條黑色實(shí)線的標(biāo)記。在此基礎(chǔ)上，進(jìn)一步執(zhí)行基于修正力的改進(jìn)Snake算法，精確地定位到了表盤區(qū)域的邊界，如圖（c）中的黑色虛線的標(biāo)記。

為了直觀地比較本文方法的改進(jìn)效果，通過(guò)多幅模糊指針儀表圖像的檢測(cè)，來(lái)考察其準(zhǔn)確率，并將其和傳統(tǒng)Snake方法、自適應(yīng)Hough變換方法（此方法是圓邊界定位比較理想的方法）的定位準(zhǔn)確率進(jìn)行對(duì)比，結(jié)果如圖2所示。實(shí)驗(yàn)中，參與檢測(cè)的模糊圖像，其清晰度的客觀評(píng)價(jià)參數(shù)Pearson相關(guān)系數(shù)都在[0.75，0.8]的區(qū)間上。

圖2中，縱軸代表指針儀表表盤邊界定位的準(zhǔn)確率，橫軸代表參與檢測(cè)的模糊指針儀表圖像的數(shù)量。

從圖中兩條曲線的對(duì)比情況可以看出，隨著參與檢測(cè)圖像幅數(shù)的不斷增加，傳統(tǒng)Snake算法定位的準(zhǔn)確率從82.5%下降到66.5%；自適應(yīng)Hough變換方法的檢測(cè)準(zhǔn)確率從86%下降到68%；基于修正力的改進(jìn)Snake算法定位的準(zhǔn)確率也有所下降，從97.5%下降到88.5%。這表明，本文提出的基于修正力的改進(jìn)Snake算法的檢測(cè)準(zhǔn)確率不僅大大高于傳統(tǒng)Snake算法，也明顯高于自適應(yīng)Hough變換方法，從而充分證實(shí)了本文工作對(duì)于圓形表盤邊界檢測(cè)的有效性。

4 結(jié) 論

針對(duì)指針儀表模糊情況下的表盤檢測(cè)，提出了一種基于修正力的改進(jìn)Snake算法。改進(jìn)過(guò)程中，引入了修正力參數(shù)，擴(kuò)大了對(duì)目標(biāo)曲線的控制范圍，從而使得Snake算法檢測(cè)的有效區(qū)域變大。同時(shí)，配合Hough變換算法，對(duì)模糊儀表表盤區(qū)域的內(nèi)外極限區(qū)域進(jìn)行初始定位，在極限區(qū)域內(nèi)執(zhí)行改進(jìn)Snake算法檢測(cè)。實(shí)驗(yàn)結(jié)果表明，基于修正力的改進(jìn)Snake算法，可以更加精確地定位模糊指針儀表圖像的表盤位置。

本文方法對(duì)于表盤位置的準(zhǔn)確定位，也為表盤圖像中其它特征（如刻度、指針、字符）建立了準(zhǔn)確的相對(duì)定位基準(zhǔn)，從而為指針式儀表的智能讀數(shù)準(zhǔn)確率提升奠定了基礎(chǔ)。

參 考 文 獻(xiàn)：

[1]何智杰， 張彬， 金連文. 高精度指針儀表自動(dòng)讀數(shù)識(shí)別方法[J]. 計(jì)算機(jī)輔助工程， 2006， 15（3）： 9-12.

[2]岳國(guó)義， 李寶樹(shù)， 趙書濤. 智能型指針式儀表識(shí)別系統(tǒng)的研究[J]. 儀器儀表學(xué)報(bào)， 2003， 24（2）： 430-431.

[3]李棟， 楊志家. 基于機(jī)器視覺(jué)的指針儀表識(shí)讀方法[J]. 儀表技術(shù)與傳感器， 2012（10）： 31-33.

[4]KAUT H， SINGH R. A Review on Image Segmentation Techniques[J]. Pattern Recognition， 2014， 38（9）： 1277-1294.

[5]張文杰， 熊慶宇， 張家齊. 基于視覺(jué)顯著性的指針式儀表讀數(shù)識(shí)別算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2015（12）： 2282-2295.

[6]張遠(yuǎn)輝， 張鼎， 許昌. 指針式儀表總體最小二乘圖像校驗(yàn)算法[J]. 自動(dòng)化儀表， 2015， 36（5）： 75-79.

[7]CI Gonzalez， P Melin， JR Castro and et.al. Optimization of Interval Type-2 Fuzzy Systems for Image Edge Detection[J]. Applied Soft Computing， 2016（47）： 631-643.

[8]李偉， 任娜娜， 胡艷俠. 基于機(jī)器視覺(jué)和LabVIEW的指針式儀表自動(dòng)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 自動(dòng)化與儀器儀表， 2015（4）： 178-181.

[9]TIAN S， BHATTACHARYA U， LU S， et al. Multilingual Scene Character Recognition with Co-occurrence of Histogram of Oriented Gradients[J]. Pattern Recognition， 2016， 51（C）： 125-134.

[10]王延華， 李騰， 張沛. 結(jié)合HSV與局部Hough變換的指針式儀表識(shí)別算法[J]. 電子設(shè)計(jì)工程， 2017， 25（2）： 110-113.

[11]朱柏林， 郭亮， 吳清文. 基于ORB和改進(jìn)Hough變換的指針儀表職能識(shí)讀方法[J]. 儀表技術(shù)與傳感器， 2017（1）： 29-33.

[12]靳海偉， 彭力， 盧曉龍. 基于輪廓跟蹤的摔倒檢測(cè)算法[J]. 江南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2015， 14（2）： 172-177.

[13]MUKHOPADHYAY P， CHAUDHUN BB. A Survey of Hough Transform[J]. Pattern Recognition， 2015， 48（3）： 993-1010.

[14]郭永彩， 郭瑞瑞， 高潮. 運(yùn)動(dòng)模糊圖像點(diǎn)擴(kuò)展函數(shù)的參數(shù)鑒別[J]. 儀器儀表學(xué)報(bào)， 2010， 31（5）： 1052-1057.

[15]王杰雄， 陳國(guó)棟， 陳怡. 改進(jìn)的B-Snake模型肝臟CT圖像分割算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2015， 51（9）： 152-157.

[16]沈宋衍， 陳瑩. 在線學(xué)習(xí)機(jī)制下的Snake輪廓跟蹤[J]. 計(jì)算機(jī)工程， 2015， 41（4）： 195-198.

[17]王志勇， 王世超， 孫懿. 一種基于GVF-Snake模型邊界探測(cè)的相位解纏算法[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào)， 2017（6）： 1394-1401

[18]許麗， 石偉， 方甜. 巡檢機(jī)器人中的指針式儀表讀數(shù)識(shí)別系統(tǒng)[J]. 儀器儀表學(xué)報(bào)， 2017， 38（7）： 1782-1790.

[19]尹紅敏， 葛廣英， 肖?？? 基于Halcon的指針式儀表的讀數(shù)[J]. 現(xiàn)代電子技術(shù)， 2016， 39（17）： 16-19.

[20]莫文雄， 裴利強(qiáng)， 黃青丹. 基于模板匹配和查表法的高精度指針式儀表自動(dòng)檢定系統(tǒng)研制[J]. 電測(cè)與儀表， 2017， 54（12）： 100-105.

（編輯：關(guān) 毅）