于舒春 董靜宜

摘 要：針對模糊圖像中儀表盤檢測準確率不高的問題，提出了一種基于修正力的改進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)，擴大Snake算法的控制范圍，調(diào)整能量函數(shù)對目標曲線的連續(xù)控制，實現(xiàn)模糊圖像中儀表盤的精確定位。實驗結(jié)果表明，基于修正力的改進Snake算法，對于模糊圖像中的儀表盤檢測準確率，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，準確率

DOI：10.15938/j.jhust.2018.02.012

中圖分類號： TP391

文獻標志碼： A

文章編號： 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、溫度等物理參數(shù)[1-2]。

在一些特殊場合中，加工制造的過程具有一定危險性，用機器視覺的方法完成指針儀表的遠程讀數(shù)是一種理想的方法[3-4]。從視覺檢測過程來看，要完成指針儀表的智能讀數(shù)，需要對指針儀表圖像進行噪聲去除、前景背景分割、邊緣檢測、輪廓提取、刻度識別、字符識別等處理[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，對于視覺檢測而言，能夠準確地檢測到圓形表盤是完成智能讀數(shù)的關(guān)鍵工作[11]。對于圓形輪廓的提取和定位，在視覺檢測領(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)場中的拍攝，有時會出現(xiàn)模糊的情況，這是因為：成像系統(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，成像過程中攝像系統(tǒng)被震動影響，成像區(qū)域受到運動影響[14]。

如果指針儀表圖像出現(xiàn)了模糊，常規(guī)的視覺檢測方法就無法有效地檢測到圓盤區(qū)域。Snake檢測算法，通過設計力學參數(shù)控制的能量模型，在迭代過程中不斷向精確的圓盤邊界靠攏，即便是圖像模糊時，也可以檢測到圓盤邊界[15-16]。Snake算法的主要不足是，模型中力的控制范圍有限，邊界定位的準確率較低[17]。據(jù)此，本文對Snake算法進行改進，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。

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，它可以用Z（s）=（x（s），y（s））來表達，參數(shù)s在0到1的范圍上變化。參數(shù)x、y代表了目標曲線上點的坐標，參數(shù)s代表了目標曲線的弧長。

為了達到對目標曲線定位過程的控制，Snake算法在曲線內(nèi)外設置了兩個能量參數(shù)。通過這兩個參數(shù)的不斷調(diào)整，實現(xiàn)在目標曲線內(nèi)外兩個力場的控制，進而引導目標曲線逼近目標位置。

2 本文對Snake算法的改進處理

在Snake算法的迭代過程中，對目標曲線的初始位置設定具有重要意義。相對準確的初始位置設定，有利于提升儀表表盤區(qū)域定位的準確性，也會加快算法的執(zhí)行速度。

所以，本文執(zhí)行指針儀表圓盤區(qū)域檢測之前，先用Hough變換進行初始定位。當然，因為受到圖像模糊的影響，Hough變換檢測到的會是一個圓環(huán)或橢圓環(huán)區(qū)域。將這個區(qū)域作為Snake算法的初始位置，會大大提升檢測效果。

Snake算法進入迭代過程后，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。為了達到更好的定位效果，本文提出基于修正力的改進，改進處理過程如下：

3 指針儀表表盤檢測實驗

為了驗證本文方法對于指針儀表表盤區(qū)域檢測的有效性，展開如下的實驗研究。

實驗過程中，計算機的配置為酷睿雙核CPU，單核CPU主頻2.0G赫茲，內(nèi)存大小為8GB。

實驗過程中，算法采用C++程序設計語言實現(xiàn)，傳統(tǒng)Snake算法和本文改進的Snake算法，實驗結(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變換檢測到的初始邊界，（c）圖為改進Snake算法最終檢測到的表盤邊界。

從實驗結(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)的視覺檢測方法無法有效檢測到表盤區(qū)域。執(zhí)行Hough變換檢測，獲得了表盤區(qū)域的兩個極限位置，如圖（b）中兩條黑色實線的標記。在此基礎上，進一步執(zhí)行基于修正力的改進Snake算法，精確地定位到了表盤區(qū)域的邊界，如圖（c）中的黑色虛線的標記。

為了直觀地比較本文方法的改進效果，通過多幅模糊指針儀表圖像的檢測，來考察其準確率，并將其和傳統(tǒng)Snake方法、自適應Hough變換方法（此方法是圓邊界定位比較理想的方法）的定位準確率進行對比，結(jié)果如圖2所示。實驗中，參與檢測的模糊圖像，其清晰度的客觀評價參數(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確率，橫軸代表參與檢測的模糊指針儀表圖像的數(shù)量。

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

4 結(jié) 論

針對指針儀表模糊情況下的表盤檢測，提出了一種基于修正力的改進Snake算法。改進過程中，引入了修正力參數(shù)，擴大了對目標曲線的控制范圍，從而使得Snake算法檢測的有效區(qū)域變大。同時，配合Hough變換算法，對模糊儀表表盤區(qū)域的內(nèi)外極限區(qū)域進行初始定位，在極限區(qū)域內(nèi)執(zhí)行改進Snake算法檢測。實驗結(jié)果表明，基于修正力的改進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。

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

參 考 文 獻：

[1]何智杰， 張彬， 金連文. 高精度指針儀表自動讀數(shù)識別方法[J]. 計算機輔助工程， 2006， 15（3）： 9-12.

[2]岳國義， 李寶樹， 趙書濤. 智能型指針式儀表識別系統(tǒng)的研究[J]. 儀器儀表學報， 2003， 24（2）： 430-431.

[3]李棟， 楊志家. 基于機器視覺的指針儀表識讀方法[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. 基于視覺顯著性的指針式儀表讀數(shù)識別算法[J]. 計算機輔助設計與圖形學學報， 2015（12）： 2282-2295.

[6]張遠輝， 張鼎， 許昌. 指針式儀表總體最小二乘圖像校驗算法[J]. 自動化儀表， 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. 基于機器視覺和LabVIEW的指針式儀表自動監(jiān)測系統(tǒng)設計[J]. 自動化與儀器儀表， 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別算法[J]. 電子設計工程， 2017， 25（2）： 110-113.

[11]朱柏林， 郭亮， 吳清文. 基于ORB和改進Hough變換的指針儀表職能識讀方法[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算法[J]. 江南大學學報（自然科學版）， 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. 運動模糊圖像點擴展函數(shù)的參數(shù)鑒別[J]. 儀器儀表學報， 2010， 31（5）： 1052-1057.

[15]王杰雄， 陳國棟， 陳怡. 改進的B-Snake模型肝臟CT圖像分割算法[J]. 計算機工程與應用， 2015， 51（9）： 152-157.

[16]沈宋衍， 陳瑩. 在線學習機制下的Snake輪廓跟蹤[J]. 計算機工程， 2015， 41（4）： 195-198.

[17]王志勇， 王世超， 孫懿. 一種基于GVF-Snake模型邊界探測的相位解纏算法[J]. 中國礦業(yè)大學學報， 2017（6）： 1394-1401

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

[19]尹紅敏， 葛廣英， 肖海俊. 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， 黃青丹. 基于模板匹配和查表法的高精度指針式儀表自動檢定系統(tǒng)研制[J]. 電測與儀表， 2017， 54（12）： 100-105.

（編輯：關(guān) 毅）