本发明专利技术公开了一种指针式仪表图像的倾斜校正方法及装置。在本发明专利技术实施例中，首先获取待校正的仪表图像，并将仪表图像输入至预置分割模型；通过预置分割模型，对待校正的仪表图像进行分割，确定仪表图像中的指针以及仪表框；确定指针相对于仪表框之间的角度，根据角度对待校正的仪表图像进行校正。通过预置分割模型来分割仪表框和指针，从而进行倾斜校正。由于分割模型的分割精度及效果都明显优于刻度线、字符、表盘圆心等特征的检测，因而具有更好的鲁棒性，而且校正仪表图像的速度更快、准确度更高，能够很好地满足实际应用的要求。能够很好地满足实际应用的要求。能够很好地满足实际应用的要求。
【技术实现步骤摘要】
指针式仪表图像的倾斜校正方法及倾斜校正装置
[0001]本专利技术涉及一种指针式仪表图像的倾斜校正方法，同时也涉及相应的倾斜校正装置，属于图像处理
技术介绍
[0002]目前，对于指针式仪表图像的倾斜校正较为困难，并没有一个较完善的校正方案。有人通过观察仪表盘信息，发现仪表盘上有记录信息的字符串信息。通过这部分字符串信息的提取处理，再经过直线拟合计算出字符串的倾斜角度即为仪表的倾斜角度，最后通过该角度校正仪表图像。这种方法不需要先验信息的情况下可以实现仪表的倾斜校正。但是，这种方法在字符串的提取过程较为困难，每一步的图像处理过程都会影响最后计算直线的角度，并且如果部分仪表没有这种可供参考的字符串文字，则该方法不可行，并且也无法保证字符串扶正就是正的，因此使用范围较小。
[0003]另外，有人将待校正的仪表图像输入至关键点检测模型，获取多个检测关键刻度数字的坐标。基于最小二乘法对检测关键刻度数字坐标进行椭圆拟合，获取拟合椭圆。获取拟合椭圆的椭圆参数，确定透视变换前坐标点。然后确定透视变换后坐标点，由此，获取透视变换矩阵。对待校正的仪表图像进行透视变换，获取原始对应的坐标，从而实现仪表图像的校正。
[0004]然而，上述方法需要对仪表盘上的刻度进行精确识别。在实际应用中，由于仪表自身倾斜或由于拍摄因素导致的光线变化或障碍物遮挡，同时又由于刻度的像素点非常小，识别中精确度比较低，很难做到刻度线这种极小目标的准确检测，从而导致后续基于刻度线的倾斜校正算法效果不理想。
技术实现思路
[0005]本专利技术所要解决的首要技术问题在于提供一种指针式仪表图像的倾斜校正方法，能够较为准确以及快速地进行仪表图像的倾斜校正。
[0006]本专利技术所要解决的另一技术问题在于提供一种指针式仪表图像的倾斜校正装置。
[0007]为了解决上述问题，本专利技术采用下述的技术方案：
[0008]根据本专利技术实施例的第一方面，提供一种指针式仪表图像的倾斜校正方法，包括如下步骤：
[0009]获取待校正的仪表图像，并将所述仪表图像输入至预置分割模型；
[0010]通过所述预置分割模型，对所述待校正的仪表图像进行分割，确定所述仪表图像中的指针以及仪表框；
[0011]确定所述指针相对于所述仪表框之间的角度，根据所述角度对所述待校正的仪表图像进行校正。
[0012]其中较优地，该倾斜校正方法还包括如下步骤：
[0013]获取仪表图像对应的训练样本，所述训练样本为所述仪表图像中具有不同倾斜角
度的仪表；
[0014]基于所述训练样本中的仪表图像，标注图像中对应指针的区域和仪表框的区域，生成标签图像；其中，所述仪表框的区域位于所述指针的区域的下方；
[0015]根据所述训练样本以及标签图像，对初始的神经网络模型进行训练，得到训练好的模型作为所述预置分割模型。
[0016]其中较优地，所述根据所述训练样本以及标签图像，对初始的神经网络模型进行训练，包括如下子步骤：
[0017]将训练样本中的仪表图像输入至所述初始的神经网络模型中，得到对应的训练输出结果，所述训练输出结果包括对应输入的仪表图像中指针的区域以及仪表框的区域；
[0018]根据所述训练输出结果以及标签图像，对所述初始的神经网络模型进行训练。
[0019]其中较优地，所述将训练样本中的仪表图像输入至所述初始的神经网络模型中，得到对应的训练输出结果，包括如下子步骤：
[0020]通过所述初始的神经网络模型确定仪表图像中像素的训练特征数据，并根据所述训练特征数据进行像素的分类，根据训练分类结果得到输入的仪表图像中指针的区域以及仪表框的区域。
[0021]其中较优地，所述通过所述预置分割模型，对所述待校正的仪表图像进行分割，确定所述仪表图像中的指针以及仪表框，包括如下子步骤：
[0022]根据所述预置分割模型，确定所述待校正的仪表图像中像素的特征数据，并根据所述特征数据进行像素的分类，根据分类结果确定待校正的仪表图像中指针的区域以及仪表框的区域。
[0023]其中较优地，所述确定所述指针相对于所述仪表框之间的角度，包括如下子步骤：
[0024]确定指针的区域相对于仪表框的区域的旋转角度。
[0025]其中较优地，所述确定指针的区域相对于仪表框的区域的旋转角度，包括如下子步骤：
[0026]确定所述指针的区域的第一最小外接矩形框以及仪表框的区域的第二最小外接矩形框；
[0027]确定第一最小外接矩形框相对于预置参考位置的第一旋转角度，以及确定第二最小外接矩形框相对于预置参考位置的第二旋转角度；
[0028]根据所述第一旋转角度以及第二旋转角度，确定指针的区域相对于仪表框的区域的旋转角度。
[0029]其中较优地，根据所述角度对所述待校正的仪表图像进行校正，包括如下子步骤：
[0030]将指针的区域相对于仪表框的区域的旋转角度，作为待校正的仪表图像中指针最终的旋转角度；
[0031]根据所述最终的旋转角度，调整所述待校正的仪表图像。
[0032]根据本专利技术实施例的第二方面，提供一种指针式仪表图像的倾斜校正装置，包括：
[0033]获取模块，用于获取待校正的仪表图像，并将所述仪表图像输入至预置分割模型；
[0034]确定模块，用于通过所述预置分割模型，对所述待校正的仪表图像进行分割，确定所述仪表图像中的指针以及仪表框；
[0035]校正模块，用于确定所述指针相对于所述仪表框之间的角度，根据所述角度对所
述待校正的仪表图像进行校正。
[0036]与现有技术相比较，本专利技术所提供的指针式仪表图像的倾斜校正方法及倾斜校正装置通过预置分割模型来分割仪表框和指针，从而进行校正。由于分割模型的分割精度及效果都明显优于刻度线、字符、表盘圆心等特征的检测，因而具有更好的鲁棒性，并且校正仪表图像的速度更快、准确度更高，从而提高仪表自动读数的精确性，能够很好地满足实际应用的要求。
附图说明
[0037]图1为本专利技术实施例提供的指针式仪表图像的倾斜校正方法的流程示意图；
[0038]图2为本专利技术实施例中，待校正的仪表图像的示意图；
[0039]图3为本专利技术实施例中，模型的输出结果示意图；
[0040]图4为本专利技术实施例中，仪表图像的外接矩形框的示意图；
[0041]图5为本专利技术实施例提供的指针式仪表图像的倾斜校正装置的示意图。
具体实施方式
[0042]下面结合附图和具体实施例对本专利技术的技术方案进行进一步的详细说明。
[0043]如图1所示，本专利技术实施例首先提供了一种指针式仪表图像的倾斜校正方法。该倾斜校正方法100至少包括如下步骤：
[0044]101：获取待校正的仪表图像，并将所述仪表图像输入至预置分割模型。
[0045]102：通过所述预置分割模型，对所述待校正的仪表图像进行分割，确定所述仪表图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种指针式仪表图像的倾斜校正方法，其特征在于包括如下步骤：获取待校正的仪表图像，并将所述仪表图像输入至预置分割模型；通过所述预置分割模型，对所述待校正的仪表图像进行分割，确定所述仪表图像中的指针以及仪表框；确定所述指针相对于所述仪表框之间的角度，根据所述角度对所述待校正的仪表图像进行校正。2.如权利要求1所述的倾斜校正方法，其特征在于还包括：获取仪表图像对应的训练样本，所述训练样本为所述仪表图像中具有不同倾斜角度的仪表；基于所述训练样本中的仪表图像，标注图像中对应指针的区域和仪表框的区域，生成标签图像；其中，所述仪表框的区域位于所述指针的区域的下方；根据所述训练样本以及标签图像，对初始的神经网络模型进行训练，得到训练好的模型作为所述预置分割模型。3.如权利要求2所述的倾斜校正方法，其特征在于，所述根据所述训练样本以及标签图像，对初始的神经网络模型进行训练，包括如下子步骤：将训练样本中的仪表图像输入至所述初始的神经网络模型中，得到对应的训练输出结果，所述训练输出结果包括对应输入的仪表图像中指针的区域以及仪表框的区域；根据所述训练输出结果以及标签图像，对所述初始的神经网络模型进行训练。4.如权利要求3所述的倾斜校正方法，其特征在于，所述将训练样本中的仪表图像输入至所述初始的神经网络模型中，得到对应的训练输出结果，包括如下子步骤：通过所述初始的神经网络模型确定仪表图像中像素的训练特征数据，并根据所述训练特征数据进行像素的分类，根据训练分类结果得到输入的仪表图像中指针的区域以及仪表框的区域。5.如权利要求1所述的倾斜校正方法，其特征在于，所述通过所述预置分割模型，对所述待校正的仪表图像进行分割，确定所述仪表图...
【专利技术属性】
技术研发人员：杨晓云，
申请(专利权)人：北京佳讯飞鸿电气股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。