摘 要

在一些工业生产行业中，读取和记录仪器测量的数据主要依赖于人工抄表。现如今高新技术日新月异和图像处理技术的飞速发展，人们对仪表读数的要求也越来越高，仪器的自动识别能力在工业生产中的地位也越来越重要。实现工业中的自动识别时，由于所需要进行识别的区域是仪器的刻度盘，但所捕捉到的一般是整个仪器，图像里获取的无用的噪声会影响后续的处理，因此去除噪声以及捕获到需要的感兴趣区域对仪表的正确的识别至关重要。

本文利用MATLAB对图像先进行了预处理操作，实现了仪表图像的二值化等，再利用OpenCV进行了仪表定位设计。在得到了感兴趣区域的图像后，此时对该图像进行清晰化处理。于是选用了频域滤波的方法，对感兴趣区域进行了滤波处理，并利用高频强调滤波器增强区域中的细节，这样就实现了一个更容易读数的仪表图像。

关键词:图像预处理；仪表定位；同态滤波；MATLAB；OpenCV

Abstract

In previous industrial production, data measured by instruments were read and recorded mainly by manual meter reading. Along with the rising popularity of high and new technology and the rapid development of image processing technology, people now have higher requirement for meter reading and instrument automatic recognition ability. In the process of industrial automatic identification, because of the need to be identified area is instrument dial, but the images are usually captured the entire instrument, and it may contain the complex noise and background, these useless information can interfere with subsequent image processing, thus eliminate the useless information and interested in obtaining the correct area for the subsequent recognition is very important.

In this paper, MATLAB is used to preprocess the image, realizing the binarization of the instrument image, etc., and then OpenCV is used to carry out the instrument positioning design. After getting the interested region, further clarifications on the area processing, using the frequency domain filter to filter the non-uniform illumination image ROI, enhance image details, and use the high frequency emphasis filter to filter out noise are all on need, thus to get the binary image of an easier reading.

Keywords: image preprocessing; Instrument positioning; Homomorphic filtering; MATLAB; OpenCV

目 录

第1章绪论 1

1.1研究的背景与意义 1

1.2 国内外发展现状 1

1.3 本文研究内容及章节安排 3

第2章图像处理的基本原理分析 4

2.1 数字图像的基本概念 4

2.1.1 数字图像的表示方法 4

2.1.2 图像的格式 4

2.2 数字图像处理的常用方法 5

2.2.1 灰度化处理 5

2.2.2 直方图均衡化 5

2.2.3 空域滤波 5

2.2.4 图像二值化处理 6

2.2.5 边缘检测 7

第3章仪表图像预处理与定位 8

3.1 仪表图像预处理 8

3.1.1 图像预处理流程 8

3.1.2 图像灰度化处理 8

3.1.3 直方图均衡化 9

3.1.4 空间平滑滤波 10

3.1.5 图像二值化处理 11

3.2 仪表定位设计 12

3.2.1 仪表定位流程 12

3.2.2边缘检测获取轮廓 13

3.2.3四边形轮廓匹配 15

3.2.4 轮廓长宽比匹配 15

3.2.5 获取感兴趣的区域 16

第4章感兴趣区域清晰化处理 18

4.1 频域滤波 18

4.2同态滤波设计与实现 18

4.2.1 对数变换 19

4.2.2 快速傅里叶变换 19

4.2.3 频域滤波 20

4.2.4逆傅里叶变换 20

4.2.5指数变换 20

4.3 滤波器设计 21

4.3.1滤波器介绍及处理 21

4.3.2 高频强调滤波 22

4.4 处理结果评价 23

第5章工作总结与展望 25

5.1 本文研究的工作 25

5.2 研究展望 26

参考文献 27

致谢 28

第1章 绪论

1.1研究的背景与意义

21世纪是一个信息急剧膨胀的时代，而图像是人类与世界交流的纽带，是人类信息获取表达和传递的重要手段。图像处理技术在信息科学、计算机科学、工程科学、生物科学、地球科学等学科扮演着十分重要的角色。数字图像处理技术在近几十年兴起，乘着时代发展的快车迅速发展成一门独立的具有强大生命力的学科，并且随着计算机技术和半导体工业的成熟，数字图像处理技术将更加迅速地在横向与纵向延伸。现在我们可以看到的是，利用数字图像处理技术，在航天和航空技术方面，可以用来加工处理卫星遥感图像，提取信息，将信息用于地形地质侦查，矿藏资源探测，自然灾害预报，环境污染监测，这样既省力又快捷；在生物医学方面，它更直观、创伤更小，广泛应用于临床诊断和治疗的各种成像技术^[1]。除此以外也有具备比人类更为灵敏的智能机器人，机器视觉也可以应用到军事侦察、危险环境侦查等方面；在国家军事、公安方面，利用该技术可以实现精准制导，判读照片等。总而言之，该技术具有十分光明的发展前景，在保卫国防、推动科学进步、促进经济发展、保障人民生活中已经不可或缺，对国家对民族的利益更是无法估量。

目前，在生产测量仪表的行业中，除了我们最常见的指针仪表、万用表和工业用仪表，又诞生了一些各种各样的测量仪表。自二十世纪六十年代以来，各行各业的领军人物已经带领着模式识别技术和数字图像处理技术发展地越来越成熟，除此以外，计算机行业的软件技术和软件技术都得到了很大的进步，图像处理技术的进步和计算机行业的发展都为优质监控系统的实现打下了坚实的基础。把飞速发展的图像处理技术和计算机软硬件结合起来运用时，必定会有十分广阔的市场空间和光明的发展前景。目前，将两项技术相结合而实现的仪器仪表的监测系统广泛使用于各行各业，电力局利用该技术实现电能表实时监控、交通局利用该技术实现车牌自动识别等，目前各个行业正在利用该技术逐步完成自动化操作。从最初的手工发展至如今的自动化控制管理，加快了工厂的运作速度，降低了工厂的开销，减轻了人工的劳动量，也能够保质保量的完成各种数据的实时统计、分析、监测和预警。利用现有处理技术的智能仪器的自动识别属于模式识别领域，在该领域占有着举足轻重的地位，现在也顺应着时代的召唤飞速的发展，该课题涉及了数字图像处理、计算机软硬件以及自动识别处理等多个领域，有很大的应用空间和发展前景。

1.2 国内外发展现状

目前,视频监控系统中的图像处理技术已经取得了很大的进步，可以通过图像处理技术改善图像质量。在一个图像里,人们只对其中的一部分感兴趣，故可以利用图像分割提取感兴趣的目标。随着图像处理技术的应用越来越普及，在与其他学科渗透的同时，图像在信息检索和信息使用中也起着越来越重要的作用。最近,图像处理技术已经渗透到工业生产、医疗检测、航空监测等领域。随着计算机和图像处理技术的不断发展，在这个领域的应用将会不断扩大，在各个学科范围内扮演一个越来越重要的角色,也将对人们的生活产生很大的影响。

就目前的基本处理方式来说，主要分为以下几个方面：

（1）图像增强，用于改善图像视感质量，若采用增强技术强化图像中高频分量，处理后能够使图像中的轮廓更加清晰，细节更为明显；

（2）图像编码，主要用于减少计算机的存储量，提高运算速度，减少开销，同时也对图像中的信息量进行了压缩，方便进行图像特征提取；

（3）图像复原，尽可能的恢复图像原本的面貌，基于模型和数据的图像恢复用来消除退化的影响，从而产生一个等价于理想成像系统所获得的图像；

（4）图像分割，也即将图像按其灰度或集合特征分割成若干区域，以达到识别和理解的目的；

（5）图像分类，是指将图像经过某些预处理，比如压缩、增强、复原，再将图像中有用物体的特征进行分割、特征提取，把不同类别的目标区分开；

（6）图像重建，图像重建与图像复原不同，进行图像增强时，输入和输出的都是图像，而进行重建时，输入到输出则是从数据到图像，即图像重建输入的数据，但重建后输出的是图像^[2]。

众所周知，数字图像处理技术是一项跨越多个科学领域的技术，现如今计算机行业飞速发展，在其他体系的基础之上，数字图像处理与图像分析也正逐步建立和完善着自己所独有的科学体系，新的处理方法也层出不穷。图像处理技术发展至今，已经成为人类心理学、人类生理学以及软件应用科学等各行各业的专家学者们研究和分析心里和感知的强有力的工具。目前，国家军事、航天遥感、气象监测等大型实际应用中对优质图像处理技术的需求也越来越迫切。数字图像处理技术经过近些年的发展进步，已经实现了从仅能处理静止图像到处理活动图像，从仅能处理单色图像到处理彩色图像、从仅能处理客观图像到处理主观图像、从仅能处理二维图像到处理三维图像的伟大飞跃，经过数字图像处理技术后再与现今的计算机图形学结合，就可以创造出清晰度高、还原度高、高度逼真的图像。现在，图像处理发展的最大困难之一是图像数据量大、处理运算量大，但是这一问题将随着高速大规模集成电路、大容量存储器的发展而逐渐得到解决。在科技飞速发展的21世纪，人类的需求也不断朝着多样化和优质化发展，也只有各种学科各种领域相互交叉融合才能实现多样化和优质化，这也是推进现代科学进一步发展的有力措施。加强软件研究、加强边缘学科的研究、加强理论研究、建立图像处理领域的标准化规范，也会促进数字图像处理技术的进一步发展。

1.3 本文研究内容及章节安排

本文选择了一副光照不均匀的仪表图像，在进行图像处理之前，先介绍了图像处理的基本基本原理和常用方法，包含灰度化处理、直方图均衡化等，这些预处理操作在接下来也会用到。介绍完基本概念和原理后，针对本文所选取的光照不均匀的矩形仪表，对仪表图像进行了预处理操作，分别进行了灰度化处理、直方图均衡化、空域滤波和二值化处理，进行二值化处理时采用了局部自适应二值化的方法，十分妥善地解决了光照不均匀的问题。接下来进行仪表表盘的定位设计，主要流程是利用边缘检测获取图像轮廓，然后进行四边形匹配等；经过上述操作后得到了感兴趣的区域，但此时ROI图像的亮度不均匀，信噪比也比较低。为了更好的识别指针所指的数据，要继续对ROI进行清晰化处理，增强表盘区域里的细节。于是下一章里对分割出的仪表表盘感兴趣区域进行再次增强，选用了频域滤波里的同态滤波技术，使用了巴特沃斯滤波器进行了处理，并对滤波后的图像继续进行了高频强调滤波，对再次滤波后的图像进行了直方图均衡化处理，最后滤除噪声，仍选用预处理所运用的空域滤波。滤波后，再对最后的仪表图像进行评价，采用客观的PSNR数值和人眼观察效果结合的方法，利用软件计算出处理后和处理前图像的峰值信噪比，从而进行判断。

具体的章节安排如下：

第1章：绪论，简略介绍了该课题研究的背景和意义、国内外发展现状以及论文的章节安排。

第2章：图像处理的基本原理分析，介绍了数字图像的表示方法、图像的格式以及数字图像处理的常用方法。

第3章：仪表图像预处理与定位，对图像进行了灰度化处理、直方图均衡化、空间平滑滤波以及二值化处理，然后通过运用一种表盘定位方法，获取了感兴趣区域。

第4章：感兴趣区域清晰化处理，讲述了同态滤波原理以及实现方法，并设计了滤波器对得到的ROI进行清晰化处理。

第5章：工作总结与展望，按照章节顺序总结了本文所研究的内容以及实现方法，展望了下一步的改进方法和研究方向以弥补本文所存在的不足。

第2章 图像处理的基本原理分析

本章主要对图像处理的基本原理进行分析，包括数字图像的表示方法、图像的各种格式和后续需要用到的对数字图像进行处理的常用方法，包括灰度化处理、直方图均衡化、空域滤波、二值化处理和不同算子进行边缘检测，也讲解了这些处理方法的基本原理和一些常用的算法。

2.1 数字图像的基本概念

2.1.1 数字图像的表示方法

一幅图像通常可以利用二维函数来表示，其中，表示空间中任意一个像素点的坐标，该点的函数值就是指这个点的灰度或强度。所谓数字图像，是指坐标点以及函数值都是离散和有限的，也就是说，数字图像的组成元素是有限的，那么图像的像素就可以定义为有特定的坐标和幅值的元素。因为数字图像在计算机里都是以矩阵的形式存在的^[3]，故若某幅数字图像的大小为，那么该函数存储形式是大小为的矩阵，横坐标的取值为，纵坐标的取值范围为，这幅图像的矩阵表示如表达式2.1所示。

(2.1)

2.1.2 图像的格式

常见的图像格式、对应的含义以及对应的可识别扩展符如表2-1所示。

表2-1 图像格式表

2.2 数字图像处理的常用方法

2.2.1 灰度化处理

灰度化处理是将一幅彩色图像转变为一幅灰度图像，之所以进行灰度化处理，是为了减少图像中的数据量，加快程序运算速度^[4]。目前使用的灰度化处理方法分为以下几种:

（1）分量法

分量法是得到彩色图像三个通道的分量后，选取其中的一项，将其作为灰度化处理后图像的灰度分量，表达式可写为：

(2.2)

其中为经过灰度化处理后的图像在点的具体灰度值。

（2）最大值法

最大值法是得到彩色图像亮度R、G、B三个分量后，选择其中的最大值作为灰度图像的灰度值，表达式可写为：

(2.3)

其中表示三个分量的最大值。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：