数字仪表示数读取
方法一：基于OpenCV和LSSVM的数字仪表读数自动识别
步骤概括：
数字仪表图像预处理
①采集图像
②仪表图像倾斜校正（Canny边缘检测与Hough变换相结合的倾斜校正方法）
③图像的形体学处理（腐蚀、膨胀，简化图像数据，除去不相干结构）
④图像二值化（将图像分割为背景和目标两部分，Otsu算法）
图像特征提取
①特征分析（形状、颜色和亮度）
②定位分割（基于连通域的方法进行定位分割/ 投影法）
③数字特征提取
读数识别（模式匹配法、基于人工神经网络法、穿线法、最小二乘支持向量机（LSSVM）算法）
方法二：openCV仪表数字识别
步骤概括：
1.自动定位数字区域（需要一张有数据的图片，一张仪表关闭时没有数据的图片；仪表数字和背景的区别是数据会在短时间内变化，这样在差分二值图中未变化的背景区域就会被滤除）
2.如果是多行数据，对数据进行按行分割（投影法）
3.照片因为拍摄角度，数字可能发生倾斜，此时进行倾斜矫正（hough变换）
4.数字分隔提取，将每行数字单独分割出来一个一个识别
①腐蚀操作，去除杂点
②膨胀，保证一个数字的数码管都是相连的
③使用openCV的函数cvFindContours查找各个数字边缘
④分别建立各个轮廓的轮廓矩
⑤将每个矩形切割出来，并单独存为一个图像
指针仪表示数读取
方法一：基于深度学习的指针仪表示数识别
步骤概括：
应用深度学习的Faster-RCNN算法从摄像头采集的图像中迅速定位仪表区域，并且去除图像的干扰信息
①传统表盘提取常用算法：
Hough变换（计算量大，抗干扰能力不强，效率较低）
区域生长分隔算法（需要手动选择种子点和判断停止条件）
②Faster-RCNN算法选用Caffe作为算法框架，C++为基础语言
找到表盘后，
①通过灰度化（加权平均法）和二值化（将灰度变成仅有0和255，选择合适的阈值，区域自适应法）
②标记出表盘刻度线和指针的连通域（四连通方式）
找表盘中心圆的圆心，根据连通域提取指针并细化
①提取指针（差影法、Hough变换检测直线、最小二乘法）
②指针细化，找指针的骨架（最小二乘法拟合）
对刻度线和表盘数字进行分割，利用基于深度学习的卷积神经网络LeNet-5识别表盘刻度值，结合刻度线的处理和刻度值的确定，计算出分度值
方法二：使用openCV进行指针仪表数值读取
方案：模板匹配+k-means+直线拟合
步骤概括：
1.模板匹配是openCV自带算法，可以根据一个模板图到目标图上寻找对应位置（两次匹配，提高精度）
2.k-means算法对图像进行二值化
3.旋转拟合直线法，假设一条直线从右边0度位置顺时针绕中心旋转当其转到指针指向的位置时重合的最多，此时记录角度，根据角度计算刻度值
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