数字化仪显示数读取
方法一：基于OpenCV和LSSVM的数字仪表读数自动识别
步骤概述：
数字仪表图像预处理
采集图像
仪表图像的倾斜校正(Canny边缘检测和Hough变换相结合的倾斜校正方法) )。
图像的形体学处理(腐蚀、膨胀、图像数据的简化、无关结构的去除) )。
图像二值化(将图像分为背景和目标两部分，Otsu算法) ) ) ) )。
图像特征提取
特征分析(形状、颜色、亮度) )。
定位分割(基于连通域方法的定位分割/投影法) ) ) ) ) )。
数字特征提取
读数识别(模式匹配法、人工神经网络法、穿线法、最kldjzg乘支持向量机(LSSVM )算法) ) ) ) ) )。
hxdxf:openCV仪表数字识别
步骤概述：
1 .数字区域自动定位(有数据的图像，仪表关闭时需要无数据的图像仪表的数字和背景的区别是数据在短时间内发生变化，差分二值图中没有变化的背景区域被过滤掉)
2 .在多行数据的情况下，按行分割数据(投影法)。
3 .由于摄影角度不同，照片的数字有可能产生倾斜，所以在该情况下进行倾斜校正(hough变换)
4 .将数字分开提取，将各行的数字分别分割后逐个识别
腐蚀操作、去噪
膨胀，保证一个数字的数码管相连
使用openCV函数cvFindContours查找单个数字的边缘
建立各自轮廓的轮廓力矩
切取各个矩形，保存为一个图像
指针规显示数读取
方法1 :基于深度学习的指针显示数识别
步骤概述：
应用深度学习的Faster-RCNN算法从相机拍摄的图像中快速定位仪表区域，去除图像中的噪声信息
传统表盘抽取的常用算法：
Hough变换(计算量大、抗干扰能力差、效率低)。
区域生长分离算法(需要手动选择种子点和判断停止条件) ) ) ) )。
Faster-RCNN算法选择Caffe作为算法框架，以c为基础语言
找到表盘后，
灰度化(加权平均法)和二值化(灰度仅为0和255，选择合适的阈值、区域适应法) )。
标记表盘刻度线与指针的连通区域(四连通方式) ) ) ) ) ) ) )。
寻找表盘中心圆的中心，根据连通域提取指针，进行细分
抽取指针(差分法、Hough变换检测直线、最大kldjzg乘法) )。
细化指针，查找指针骨架(最kldjzg乘法拟合) ) )。
分割刻度线和表盘的数字，通过基于深度学习的卷积神经网络LeNet-5识别表盘的刻度值，将刻度线的处理和刻度值的决定结合起来，计算分度值
hx DXF :利用opencv读取指针仪表的数值
方案：模板匹配均值直线拟合
步骤概述：
1 .模板匹配是openCV自带的算法，可以从一个模板图中找到与目标图对应的位置(匹配两次，提高精度)。
2 .基于k均值算法的图像二值化
3 )旋转拟合直线法假设一条直线从右0度的位置开始顺时针绕中心旋转，旋转到指针指向的位置时最重合，记录角度，根据角度计算刻度值