目前,对于指针式表盘而言，可以根据二值化后的指针指向 来识别表盘的读数，而对于某些特殊类型的表盘，由于没有可判 断读数的指针，只能通过表盘上的数字来读取表盘数据，这无疑 增大了识别的难度，这类表盘中数字识别就显得格外重要。针对 这种情况，本文在对待识别数字图像进行预处理和特征提取的 基础上，利用粗糙集理论进行特征约简，以减少神经网络的规模 和结构复杂度，最后利用神经网络进行仪表表盘的数字识别。
1数字识别的基本过程
本文数字图像的识别过程如图1所示，主要包括获取数字 图像、数字图像预处理、特征提取、粗糙集特征约简和神经网络 数字识别几个阶段。
2数字图像预处理
数字图像的预处理主要包括图像灰度转化、图像二值化处 理、图像梯度锐化处理、去除噪声、图像分割、规范化和细化处理 等阶段，如图2所示。
图2数字图像预处理过程图
对无指针式仪表表盘进行跟踪电视摄像，将得到的录像带 转存为VCD,借助于图像处理软件获取VCD中仪表表盘的数 字图像，并进行一系列预处理。
灰度化是使图像的红色、绿色和蓝色三种颜色的灰度值相 等的过程，其结果使图像只有亮度上的不同，而没有颜色上的差 异，本文釆用加权系数法对图像进行灰度转化，即给三种颜色的 每个像素一个加权系数，而后求和。图像的二值化处理是将原来 灰度化的图像转化成只含有两种颜色的图像。本文采用人工确 定阈值的方法来使灰度图像转换为二值图像，并且使用模糊C 均值(FCM)聚类算法确定黑和白两个中心，根据隶属度的大小 来确定其颜色的黑白。图像梯度锐化的目的是使原来的模糊图 像变得清晰，本文选择了 Roberts梯度锐化方法，它是微分法的 一种。图像噪声去除的目的就是去掉图像上的一些影响图像质 量的噪声，可以采用取出杂点的方法进行处理。对图像字符分割 后得到单个数字，为了方便特征提取，还需要对图像进行规范化 和细化处理，如对数字图像进行剪裁、缩放和重排等操作。
3特征提取
直接把数字图像预处理后的数据作为神经网络的输入，将 会造成网络数据膨胀，网络规模会变得十分庞大；同时由于仪表 表盘的多样化以及数字图像预处理过程中附带的某些干扰的影 响，势必要求神经网络具有较强的容错能力和较长的网络训练 时间作保证。可见，为了有效地利用神经网络进行数字识别，特 征提取是十分必要的。
本文采用逐像素特征提取方法，即对图像进行逐行逐列扫 描，当遇到黑色像素时取其特征值为1,遇到白色像素时取其特 征值为0,这样当扫描结束时会形成1个维数与图像中像素点 的个数相同的特征向量矩阵。
考虑到特征向量的维数与识别准确率的要求，将字符归一 化为96x96像素点阵图，按每个像素位为。或1形成网络的 96x96个输入特征值，但这无疑会导致网络的急剧复杂和庞大。 为此在进行特征提取后，应当只把那些反映数字特征的关键信 息提供给神经网络，去掉冗余的输入量，增强网络识别的效率和准确率。本文使用粗糙集特征约简算法对特征向量矩阵进行进 一步的简化。
标签：表盘,识别方法,数字图像,神经网络,仪表,图像,识别,预处理 From： https://blog.csdn.net/2401_87911692/article/details/143854258