數字儀表示數讀取
方法一：基於OpenCV和LSSVM的數字儀表讀數自動識別
步驟概括：
數字儀表圖像預處理
①採集圖像
②儀表圖像傾斜校正（Canny邊緣檢測與Hough變換相結合的傾斜校正方法）
③圖像的形體學處理（腐蝕、膨脹，簡化圖像數據，除去不相干結構）
④圖像二值化（將圖像分割爲背景和目標兩部分，Otsu算法）
圖像特徵提取
①特徵分析（形狀、顏色和亮度）
②定位分割（基於連通域的方法進行定位分割/ 投影法）
③數字特徵提取
讀數識別（模式匹配法、基於人工神經網絡法、穿線法、最小二乘支持向量機（LSSVM）算法）
方法二：openCV儀表數字識別
步驟概括：
1.自動定位數字區域（需要一張有數據的圖片，一張儀表關閉時沒有數據的圖片；儀表數字和背景的區別是數據會在短時間內變化，這樣在差分二值圖中未變化的背景區域就會被濾除）
2.如果是多行數據，對數據進行按行分割（投影法）
3.照片因爲拍攝角度，數字可能發生傾斜，此時進行傾斜矯正（hough變換）
4.數字分隔提取，將每行數字單獨分割出來一個一個識別
①腐蝕操作，去除雜點
②膨脹，保證一個數字的數碼管都是相連的
③使用openCV的函數cvFindContours查找各個數字邊緣
④分別建立各個輪廓的輪廓矩
⑤將每個矩形切割出來，並單獨存爲一個圖像
指針儀表示數讀取
方法一：基於深度學習的指針儀表示數識別
步驟概括：
應用深度學習的Faster-RCNN算法從攝像頭採集的圖像中迅速定位儀表區域，並且去除圖像的干擾信息
①傳統錶盤提取常用算法：
Hough變換（計算量大，抗干擾能力不強，效率較低）
區域生長分隔算法（需要手動選擇種子點和判斷停止條件）
②Faster-RCNN算法選用Caffe作爲算法框架，C++爲基礎語言
找到錶盤後，
①通過灰度化（加權平均法）和二值化（將灰度變成僅有0和255，選擇合適的閾值，區域自適應法）
②標記出錶盤刻度線和指針的連通域（四連通方式）
找錶盤中心圓的圓心，根據連通域提取指針並細化
①提取指針（差影法、Hough變換檢測直線、最小二乘法）
②指針細化，找指針的骨架（最小二乘法擬合）
對刻度線和錶盤數字進行分割，利用基於深度學習的卷積神經網絡LeNet-5識別錶盤刻度值，結合刻度線的處理和刻度值的確定，計算出分度值
方法二：使用openCV進行指針儀表數值讀取
方案：模板匹配+k-means+直線擬合
步驟概括：
1.模板匹配是openCV自帶算法，可以根據一個模板圖到目標圖上尋找對應位置（兩次匹配，提高精度）
2.k-means算法對圖像進行二值化
3.旋轉擬合直線法，假設一條直線從右邊0度位置順時針繞中心旋轉當其轉到指針指向的位置時重合的最多，此時記錄角度，根據角度計算刻度值
http://blog.sina.com.cn/s/blog_e85d55920102z3ai.html
https://www.douban.com/note/726919739/
http://blog.sina.com.cn/s/blog_e85d55920102z3aj.html
https://www.douban.com/note/726923756/
https://www.douban.com/note/726925130/
http://blog.sina.com.cn/s/blog_e85d55920102z3ak.html
http://blog.sina.com.cn/s/blog_e85d55920102z3al.html
https://www.douban.com/note/726926869/
https://www.douban.com/note/726927631/
http://blog.sina.com.cn/s/blog_e85d55920102z3an.html
http://blog.sina.com.cn/s/blog_e85d55920102z3ao.html
https://www.douban.com/note/726928664/
http://blog.sina.com.cn/s/blog_e85d55920102z3ap.html
https://www.douban.com/note/726929204/
http://blog.sina.com.cn/s/blog_e85d55920102z3aq.html
https://www.douban.com/note/726930780/
http://blog.sina.com.cn/s/blog_e85d55920102z3as.html
http://blog.sina.com.cn/s/blog_e87703db0102yiyl.html
http://blog.sina.com.cn/s/blog_e87703db0102yiym.html
http://blog.sina.com.cn/s/blog_e87703db0102yiyn.html
http://blog.sina.com.cn/s/blog_e87703db0102yiyo.html