巡檢機(jī)器人中指針式儀表示數(shù)的自動識別方法

孫婷 馬磊

摘 要：針對巡檢機(jī)器人室外自主識別儀表示數(shù)易受到光照影響的問題，在研究了基于二維伽馬函數(shù)的儀表圖像光照不均勻自適應(yīng)校正算法的基礎(chǔ)上，提出了基于最大穩(wěn)定極值區(qū)域（MSER）提取指針區(qū)域的算法。首先，通過三尺度高斯函數(shù)提取光照分量，構(gòu)造二維伽馬函數(shù)自動地調(diào)整圖像反光區(qū)域或過暗區(qū)域的亮度;然后，通過MSER的兩次穩(wěn)定區(qū)域檢測提取指針區(qū)域;接著，以指針通過儀表軸心為條件，用細(xì)化算法和累計(jì)概率霍夫變換（PPHT）精確地定位到指針，提高了定位直線的準(zhǔn)確度;最后，通過PPHT檢測的直線兩個(gè)端點(diǎn)與軸心位置比較，直接可以判斷指針指向，更加方便了計(jì)算示數(shù)。實(shí)驗(yàn)結(jié)果表明，所提的儀表示數(shù)識別方法能夠適應(yīng)不同光照下、不同類型儀表的指針定位，且識別示數(shù)的正確率達(dá)到94%以上。

關(guān)鍵詞：二維伽馬函數(shù);指針區(qū)域提取;最大穩(wěn)定極值區(qū)域（MSER）;細(xì)化算法;累計(jì)概率霍夫變換（PPHT）

中圖分類號： TP216; TP391.413

文獻(xiàn)標(biāo)志碼：A

Abstract： In the outdoor working environment of inspection robots， recognizing the number of meter was susceptible to illumination. An adaptive adjustment algorithm for meter images based on 2D-Gamma function was studied. Then an algorithm based on Maximally Stable Extremal Region （MSER） was proposed to extract the pointer. Firstly， the reflection component was extracted by three-scale Gaussian functions， 2D Gamma function was constructed to automatically adjust brightness of the reflected or overshadowed region of image. Secondly， the pointer region was extracted through two MSER detections. Thirdly， on the condition that the pointer passed through the axis of dial， the pointer was precisely positioned by thinning algorithm and Progressive Probabilistic Hough Transform （PPHT） to improve the accuracy of positioning lines. Finally， on basis of comparing the positions of two endpoints by PPHT with axis， the direction of pointer was directly determined， thus calculating the number was more convenient. The experimental results show that the proposed method can deal with different types of meters under different lighting conditions. Moreover， the correct rate of identification reaches over 94%.

Key words： 2D-Gamma function; extraction of pointer region; Maximally Stable Extremal Region （MSER）; thinning algorithm; Progressive Probabilistic Hough Transform （PPHT）

0 引言

指針式儀表因其實(shí)用性好、可靠性高、成本低、抗電磁干擾能力較好等特點(diǎn)，被廣泛應(yīng)用于電力系統(tǒng)，因此需要對這類儀表示數(shù)進(jìn)行識別達(dá)到監(jiān)控設(shè)備的目的。在傳統(tǒng)的人工巡檢耗時(shí)、耗力、低效的背景下，電力巡檢機(jī)器人[1]應(yīng)運(yùn)而生。若要求巡檢機(jī)器人代替人工巡檢，那么自主而準(zhǔn)確讀取不同工況下各個(gè)儀表的示數(shù)是其必備的核心功能之一。

由于巡檢機(jī)器人室外工作的環(huán)境，需要考慮到光照等天氣情況的影響。Liu等[2]利用小波變換提取邊緣點(diǎn)，再利用最小二乘法擬合指針?biāo)诘闹本€，但是該方法對噪聲比較敏感。Jian等[3]針對儀表反光的現(xiàn)象，利用輪廓特征對幾何圖形進(jìn)行擬合，以某一固定特征為參考位置，根據(jù)位置關(guān)系讀取示數(shù)。該方法能減少光照影響，但若光照影響了指針輪廓提取，效果會不理想。許麗等[4]提出迭代最大類間方差算法，能夠提取不同光照條件下的指針區(qū)域，再利用霍夫變換（Hough Transform， HT）定位到指針。針對消除光照反射影響的問題，Tan等[5]根據(jù)反射模型采用位編碼的漫反射圖片估計(jì)去除高光后的圖片，由于需要進(jìn)行顏色分割，所以部分情況下適用。Lee等[6]利用直方圖均衡化進(jìn)行圖像增強(qiáng)，但存在色彩失真等問題。基于Retinex理論[7]的算法以色彩恒常性為基礎(chǔ)，在原圖像中估算出亮度圖像，保留反射圖像來消除光照的影響。該算法一定程度上可以消除亮度不均，但在亮度突變區(qū)域易產(chǎn)生光暈現(xiàn)象。Elad[8]提出的基于雙邊濾波的Retinex算法，利用雙邊濾波對原圖像平滑計(jì)算亮度圖像，該算法去光照效果較好，但是雙邊濾波耗時(shí)較長。

本文首先對儀表圖像進(jìn)行預(yù)處理，其中主要研究了去除光照不均勻下的問題，采用了二維伽馬函數(shù)[9]校正亮度。該算法采用高斯模糊提取亮度圖像，根據(jù)亮度分布特性構(gòu)造二維伽馬函數(shù)自適應(yīng)校正圖像亮度。由于傳統(tǒng)的二值化算法難以適應(yīng)不同條件下指針區(qū)域的提取，根據(jù)指針區(qū)域與表盤區(qū)域灰度差異，提出了基于最大穩(wěn)定極值區(qū)域（Maximally Stable Extremal Region， MSER）算法得到最穩(wěn)定的區(qū)域即儀表指針，然后利用細(xì)化算法[10]細(xì)化指針，便于累計(jì)概率霍夫變換（Progressive Probabilistic Hough Transform， PPHT）檢測直線定位到指針。在表盤上構(gòu)建坐標(biāo)系，根據(jù)指針的指向求解出指針的示數(shù)，最后通過實(shí)驗(yàn)驗(yàn)證本文算法識別儀表示數(shù)的有效性。

1 圖像預(yù)處理

由于室外光照、噪聲等因素的影響，在識別提取到的儀表示數(shù)之前對圖像進(jìn)行預(yù)處理，包括二維伽馬函數(shù)[9]校正圖像的不均勻光照、中值濾波去噪、灰度化。

1.1 光照不均勻校正

1.1.1 Retinex理論

根據(jù)Retinex理論，對于一幅給定的圖像S（x，y）可以看作由入射圖像（亮度圖像）L（x，y）和反射圖像R（x，y）構(gòu)成，如式（1）所示：

其中：L（x，y）決定了圖像中像素可以達(dá)到的動態(tài)范圍;R（x，y）代表了物體反射能力，由物體本身決定。Retinex理論的主要思想就是在原始圖像中，選取某種方法最大限度地降低入射圖像的影響，保留物體本身屬性的反射圖像，如式（2）所示：

一般將亮度圖像估計(jì)為空間模糊圖像，如式（3）所示：

其中：為卷積符號;F（x，y）為中心環(huán)繞函數(shù)。由于采取高斯函數(shù)的方法可以在壓縮圖像亮度的動態(tài)范圍同時(shí)準(zhǔn)確估計(jì)圖像中照度的變化，故本文采用的是高斯函數(shù)形式，如式（4）所示。F（x，y）S（x，y）為高斯函數(shù)與原圖像卷積，即為光照分量的估計(jì)值。

其中：c為高斯環(huán)繞尺度;λ為歸一化常數(shù)，其取值必須滿足F（x，y）dxdy=1。

1.1.2 三尺度高斯函數(shù)

根據(jù)高斯函數(shù)的特點(diǎn)，單個(gè)高斯環(huán)繞尺度c的取值難以同時(shí)兼顧壓縮動態(tài)范圍和保證對比度，故采取多尺度高斯函數(shù)[9，11]，如式（5）所示：

其中：N為高斯中心環(huán)繞函數(shù)個(gè)數(shù);ωi為相應(yīng)的權(quán)系數(shù)。經(jīng)典的就是三尺度，包括大（c1=250）、中（c2=85）、小（c3=15），既可以有效壓縮圖像動態(tài)范圍，又可保持圖像局部特性，即N=3，ωi=1/3。

1.1.3 二維伽馬函數(shù)

提取出光照分量之后，可以根據(jù)光照的分布特性，自適應(yīng)地校正圖像的亮度分布，伽馬校正可以實(shí)現(xiàn)圖像的亮度校正。本文采用的是利用光照分布特性調(diào)整二維伽馬函數(shù)的參數(shù)，構(gòu)造的二維伽馬函數(shù)如式（6）所示：

其中：O（x，y）表示校正后的圖像;γ為亮度校正的指數(shù)值;α為γ的可變參數(shù)，取值范圍為（0，1];m為光照圖像的亮度均值。根據(jù)伽馬校正[12]的原理，灰度值較低的區(qū)域，α取值越小，γ越小，則圖像的動態(tài)范圍變大;灰度值較高的區(qū)域，α取值越小，γ越大，則圖像的動態(tài)范圍變大。

本文的應(yīng)用場景是針對指針型儀表的，對于獲取的儀表圖像中，指針一般為黑色（深色）、表盤多數(shù)為白色（淺色）或兩者相反。圖像整體亮度提高后，便于后續(xù)有效提取出指針區(qū)域，經(jīng)過實(shí)驗(yàn)，取α=0.3效果較好。

因此，不均勻光照校正的算法具體步驟如下：

1）將圖像從RGB轉(zhuǎn)換到HSV空間，可單獨(dú)處理圖像的亮度空間（V）而不對圖像的色調(diào)（H）、飽和度（S）產(chǎn)生影響。

2）三尺度高斯函數(shù)與原圖像卷積，得到光照分量估計(jì)圖。

3）根據(jù)光照分布特性對二維伽馬函數(shù)進(jìn)行參數(shù)調(diào)整，自適應(yīng)校正原圖像光照的不均勻分布。

4）從HSV轉(zhuǎn)換為RGB空間，得到校正后的圖像。

原始圖像光照過暗，得到的實(shí)驗(yàn)結(jié)果如圖1所示。圖1（b）為基于雙邊濾波的Retinex校正的結(jié)果，校正后的儀表亮度均勻提高了，但耗時(shí)較長，處理時(shí)間為10.620337s。圖1（c）為二維伽馬校正的結(jié)果，沒有出現(xiàn)色彩失真等現(xiàn)象，去光照效果較好，處理時(shí)間為1.048631s，耗時(shí)較短。

1.2 圖像預(yù)處理流程

在采集儀表圖像時(shí)會有噪聲的干擾，因此在經(jīng)過不均勻光照處理之后，采用中值濾波去噪，但是平滑窗口的大小過大或過小，在一定程度上會造成圖像的模糊，本文采用的是5×5方形窗口，去除噪聲的同時(shí)不會造成過多細(xì)節(jié)的丟失，因此本文的圖像預(yù)處理的整體算法流程包括不均勻光照校正、中值濾波、灰度化處理。

2 儀表指針定位

儀表指針的定位分為兩步，包括提取指針區(qū)域、定位指針?biāo)谥本€。提取指針區(qū)域的二值化算法，如全局閾值化、最大類間方差法等，一般受光照、背景等影響難以有效提取指針區(qū)域。針對以上問題，本文提出了基于MSER的指針區(qū)域提取算法。指針區(qū)域具有末端細(xì)、始端粗的特點(diǎn)，直接定位其所在直線存在偏差，所以本文采用了細(xì)化算法和PPHT檢測直線算法來定位指針。

2.1 MSER檢測

MSER[13-14]是基于分水嶺的概念，可以用于圖像的區(qū)域檢測，而且具有仿射不變性。Nister等[15]的實(shí)驗(yàn)證明，該方法多數(shù)情況下在區(qū)域檢測中性能最佳，穩(wěn)定較好，計(jì)算效率高且無需模糊操作便可實(shí)現(xiàn)多尺度檢測。該算法獲取的極值區(qū)域反映的是其集合中的像素值總大于或總小于其鄰域中的像素值，本文的區(qū)域指的是儀表指針?biāo)趨^(qū)域，一般其指針區(qū)域和表盤區(qū)域灰度深淺程度相差比較大，能夠進(jìn)行指針區(qū)域的有效提取。

2.1.1 原理簡介

MSER基本思想：對灰度圖像進(jìn)行二值化操作，其閾值變化范圍為[0，255]，即圖像經(jīng)歷一個(gè)從全黑到全白的過程。此過程中，有些連通區(qū)域面積隨閾值上升的變化很小，這些區(qū)域即為MSER，如式（7）所示：

其中：Qi表示檢測的第i個(gè)連通區(qū)域的面積;Δ表示較小的閾值變化量。當(dāng)面積變化率V（i）小于指定的閾值時(shí)即被認(rèn)為是MSER。這個(gè)檢測的過程稱為MSER+檢測過程。

MSER+檢測到的MSER內(nèi)部灰度值小于邊界值，需要對圖像反轉(zhuǎn)后再進(jìn)行MSER檢測，獲取內(nèi)部灰度值大于邊界的區(qū)域，此過程稱為MSER-檢測。

2.1.2 算法步驟

基本的MSER檢測算法[14]實(shí)現(xiàn)的步驟包括像素點(diǎn)排序、生成極值區(qū)域、穩(wěn)定區(qū)域判定、區(qū)域擬合和區(qū)域歸一化。

根據(jù)MSER檢測的原理，MSER+適合檢測深色區(qū)域淺色背景，MSER-適合檢測淺色區(qū)域深色背景。基本的MSER檢測方法是將兩次檢測結(jié)果“相與”，取兩次結(jié)果相同的區(qū)域。

由于在獲取圖像過程中拍攝亮度不均的影響，即使在亮度校正之后，也不能保證兩次都能檢測出完整的指針區(qū)域，一直都提取相同的區(qū)域可能導(dǎo)致指針區(qū)域的不完整，因此，為了更準(zhǔn)確得到指針區(qū)域，本文提出的基于MSER算法檢測的具體步驟如下：

2.2 細(xì)化算法

如圖2所示，指針儀表的指針特征多為始端粗、末端細(xì)，因此為了后續(xù)精確定位指針讀數(shù)，需要對其進(jìn)行細(xì)化操作獲取其骨架，得到圖中的虛線。其中Zhang文獻(xiàn)10的作者不是Zhang，請作相應(yīng)調(diào)整。請注意，在正文中對文獻(xiàn)引用要依編號次序進(jìn)行，不能跳過某一編號的文獻(xiàn)。回復(fù)：針對我文章中您提出的問題：第[10]篇文獻(xiàn)中的作者不是zhang，其實(shí)是這樣的，那篇文獻(xiàn)是在zhang細(xì)化算法基礎(chǔ)上做的，但是這個(gè)方法最開始是zhang提出來的，所以默認(rèn)就是叫作zhang細(xì)化算法，第[10]篇文獻(xiàn)中也是這樣寫的，下面是第[10]篇文獻(xiàn)的摘要，請查看。所以此處寫為zhang細(xì)化算法沒有問題的，不作修改。細(xì)化算法[10]具有快速并行、細(xì)化后的曲線保持連通性和無毛刺等優(yōu)點(diǎn)，因此本文采用該算法來細(xì)化指針。

Zhang細(xì)化算法是一個(gè)迭代算法，迭代過程分為兩步。對于邊界上的某一待判斷點(diǎn)P1，該點(diǎn)的八鄰域如圖3所示。

2.3 累計(jì)概率霍夫變換

霍夫變換（HT）[16-17]檢測直線的主要思想就是將圖像坐標(biāo)系映射到它的參數(shù)空間，得到一些位置的峰點(diǎn)，通過統(tǒng)計(jì)峰值點(diǎn)得到符合直線形狀的集合。任意一條直線在直角坐標(biāo)系可表示為y=kx+b，則在極坐標(biāo)系中如式（11）所示：

其中： ρ表示原點(diǎn)到直線的距離;θ表示ρ中表示距離的垂線與x軸的夾角。

HT檢測直線具有較好的魯棒性和容錯(cuò)性，但是不能獲取直線的兩個(gè)端點(diǎn)，不能自動判斷指針的指向，不利于后續(xù)讀數(shù)的判讀，因此采取累計(jì)概率霍夫變換（PPHT）。獲取了細(xì)化后的指針后，PPHT檢測指針直線的算法步驟如下所示。

1）隨機(jī)選取指針邊緣中某一點(diǎn)，判斷該點(diǎn)是否被標(biāo)記為直線上的點(diǎn)，若未被標(biāo)記轉(zhuǎn)步驟2）;否則繼續(xù)在剩下的邊緣點(diǎn)中隨機(jī)抽取，如此循環(huán)至所有的點(diǎn)都被標(biāo)記。

2）采用HT對上述選取的點(diǎn)進(jìn)行變換，包括累加和計(jì)算。

3）在參數(shù)空間內(nèi)選取值最大的點(diǎn)，如果該點(diǎn)大于設(shè)定的閾值，則轉(zhuǎn)步驟4）;否則返回步驟1）。

4）根據(jù)HT得到的最大值，以該點(diǎn)為出發(fā)點(diǎn)，沿直線方向移動，找到線段的兩個(gè)端點(diǎn)L1（x1，y1）、L2（x2，y2）。

5）計(jì)算檢測到的線段長度，如果大于設(shè)定閾值，則認(rèn)為找到了好的直線，返回步驟1）。

根據(jù)以上算法內(nèi)容得到儀表指針提取以及定位的流程如圖4所示。

3 儀表指針讀數(shù)識別

如圖5構(gòu)建儀表讀數(shù)坐標(biāo)系，其中表盤刻度的最大值和最小值是關(guān)于Y軸對稱的。預(yù)先獲取的內(nèi)容包括：最大刻度值Vmax、最小刻度值Vmin、表盤中心點(diǎn)位置M0（x0，y0）。與X正負(fù)軸相交的兩個(gè)表盤刻度分別為X1、X2，與Y正方向相交的刻度為Y1。

在細(xì)化指針時(shí)，由于指針轉(zhuǎn)動軸心處有小圓的影響，細(xì)化的完整的指針直線會有點(diǎn)彎曲，因此PPHT檢測直線的時(shí)候檢測的是圖中虛線部分，如圖5構(gòu)建讀數(shù)坐標(biāo)系，則兩個(gè)端點(diǎn)中X坐標(biāo)絕對值小的為指針始端，絕對值大的即為指針末端。

4 實(shí)驗(yàn)結(jié)果及分析

本文以Visual Studio 2015和OpenCV作為軟件開發(fā)環(huán)境，測試了提取出的指針式儀表的自動判讀問題。實(shí)驗(yàn)結(jié)果將從指針區(qū)域提取、指針定位、儀表讀數(shù)三個(gè)方面進(jìn)行分析驗(yàn)證。

4.1 指針提取實(shí)驗(yàn)結(jié)果

本文研究了不同光照下、不同條件下指針區(qū)域提取的問題，將最大類間方差法（Otsu）、基本的MSER檢測和本文提出的基于MSER算法包括校正光照前、后進(jìn)行對比實(shí)驗(yàn)，對于正常光照、儀表面反光、過暗光照三種條件下實(shí)驗(yàn)結(jié)果如圖6～8所示。

分析實(shí)驗(yàn)結(jié)果可知，在指針區(qū)域提取方面，Otsu算法和基本的MSER檢測都只能在正常光照下較好地分割出指針區(qū)域，光照過暗或者存在反光現(xiàn)象時(shí)都無法提取。本文算法包括光照校正和MSER算法檢測，從圖7（c）、（d）和圖8（c）、（d）實(shí)驗(yàn)對比中可以看出光照校正的有效性，本文MSER算法能提取較完整的指針區(qū)域，能夠適應(yīng)各種光照條件，對光照具有較好的魯棒性;同時(shí)本文算法能夠更好地抑制指針周圍背景的影響，較好地去掉多余的背景區(qū)域。

4.2 指針定位實(shí)驗(yàn)結(jié)果

針對不同情況下不同類型的儀表的指針直線定位的實(shí)驗(yàn)結(jié)果如圖9所示，圖中檢測的直線即為定位的指針，直線的兩端為檢測的兩個(gè)端點(diǎn)，利于后續(xù)讀數(shù)判斷指針的指向。傳統(tǒng)的HT和PPHT算法在檢測直線都存在參數(shù)難調(diào)的問題，但本文的基于細(xì)化算法的PPHT檢測直線的方法一定程度上克服了需要不斷調(diào)參的缺點(diǎn)。

4.3 儀表讀數(shù)實(shí)驗(yàn)結(jié)果

為了驗(yàn)證儀表讀數(shù)的準(zhǔn)確性，本文在變電站拍攝的儀表圖片中選取了49張儀表圖，進(jìn)行讀數(shù)的識別，其中的13組識別結(jié)果和人工讀取的結(jié)果如表1所示。雖然在示數(shù)較小時(shí)相對誤差較大，但是總體的正確率達(dá)到了94%以上，能夠滿足變電站對儀表示數(shù)監(jiān)控的要求，在示數(shù)超過正常范圍時(shí)進(jìn)行提示。

5 結(jié)語

本文主要研究了不同光照條件下指針儀表自主示數(shù)識別的問題，主要包括光照的處理、指針提取和定位、示數(shù)識別三大部分。首先光照分量的去除在很大程度上提高了指針提取的有效性，通過對比實(shí)驗(yàn)驗(yàn)證了本文提出的基于MSER算法能夠適應(yīng)不同光照條件下指針區(qū)域的提取，同時(shí)能較大程度地消除背景的影響。在指針的定位上，沒有直接通過霍夫變換檢測直線，而是有限制、有條件地定位指針軸心下端的直線部分，可以更簡便判斷指針指向、計(jì)算示數(shù);且定位準(zhǔn)確，能夠適應(yīng)不同條件下儀表示數(shù)識別的應(yīng)用。結(jié)合機(jī)器人巡檢的應(yīng)用，本文研究的問題有一定的實(shí)際工程應(yīng)用。

但是本文識別示數(shù)中用到的先驗(yàn)條件，如最大值、最小值刻度、儀表軸心位置是人工標(biāo)記獲取的，如何自動化獲取是后續(xù)需要解決的一個(gè)問題，同時(shí)后續(xù)研究的方向?yàn)榻Y(jié)合機(jī)器人硬件設(shè)施，建立一個(gè)完整的視覺識別系統(tǒng)。

參考文獻(xiàn) （References）

[1] 魯守銀，張營，李建祥，等.移動機(jī)器人在高壓變電站中的應(yīng)用[J].高電壓技術(shù)，2017，43（1）：276-284.（LU S Y， ZHANG Y， LI J X， et al. Application of mobile robot in high voltage substation[J]. High Voltage Engineering， 2017， 43（1）： 276-284.）

[2] LIU S G， LIU M Y， HE Y. Checking on the quality of gauge panel based on wavelet analysis[C]// Proceedings of the 2002 International Conference on Machine Learning and Cybernetics. Washington， DC： IEEE Computer Society， 2002： 763-767.

[3] JIAN Y， XIN W， XUE Z， et al. Cloud computing and visual attention based object detection for power substation surveillance robots[C]// Proceedings of the 2015 IEEE 28th Canadian Conference on Electrical and Computer Engineering. Piscataway， NJ： IEEE， 2015： 337-342.

[4] 許麗，石偉，方甜.巡檢機(jī)器人中的指針式儀表讀數(shù)識別系統(tǒng)[J].儀器儀表學(xué)報(bào)，2017，38（7）：1782-1790.（XU L， SHI W， FANG T. Pointer meter reading recognition system used in patrol robot [J]. Chinese Journal of Scientific Instrument， 2017， 38（7）： 1782-1790.）

[5] TAN R， IKEUCHI K. Separating reflection components of textured surfaces using a single image [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005， 27（2）： 178-193.

[6] LEE P， WU S， HUANG Y P. Illumination compensation using oriented local histogram equalization and its application to face recognition [J]. IEEE Transactions on Image Processing， 2012， 21（9）： 4280-4289.

[7] WANG S， ZHENG J， HU H M， et al. Naturalness preserved enhancement algorithm for non-uniform illumination images [J]. IEEE Transactions on Image Processing， 2013， 22（9）： 3538-3548.

[8] ELAD M. Retinex by two bilateral filters[C]// Proceedings of the 2005 International Conference on Scale-Space Theories in Computer Vision. Berlin： Springer， 2005： 217-229.

[9] 劉志成，王殿偉，劉穎，等.基于二維伽馬函數(shù)的光照不均勻圖像自適應(yīng)校正算法[J].北京理工大學(xué)學(xué)報(bào)，2016，36（2）：191-196.（LIU Z C， WANG D W， LIU Y， et al. Adaptive adjustment algorithm for non-uniform illumination images based on 2D Gamma function[J].Transactions of Beijing Institute of Technology， 2016，36（2）： 191-196.）

[10] 牟少敏，杜海洋，蘇平，等.一種改進(jìn)的快速并行細(xì)化算法[J].微電子學(xué)與計(jì)算機(jī)，2013，30（1）：53-55.（MOU S M， DU H Y， SU P， et al. A new improved fast parallel thinning algorithm [J]. Microelectronics and Computer， 2013， 30（1）： 53-55）.

[11] 李益紅，周曉誼.一種多分辨率多尺度的Retinex彩色圖像增強(qiáng)算法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（16）：193-198.（LI Y H， ZHOU X Y. Multi-resolution and multi-scale Retinex for color image enhancement [J]. Computer Engineering and Applications， 2017， 53（16）：193-198.）

[12] 彭國福，林正浩.圖像處理中GAMMA校正的研究和實(shí)現(xiàn)[J].電子工程師，2006，32（2）：30-32.（PENG G F， LIN Z H. A study on GAMMA correction and its implementation in image processing [J]. Electronic Engineer， 2006， 32（2）： 30-32.）

[13] MATAS J， CHUM O， URBAN M， et al. Robust wide baseline stereo from maximally stable regions [J]. Image and Vision Computing， 2004， 22（10）： 761-767.

[14] 唐有寶，卜巍，鄔向前.多層次MSER自然場景文本檢測[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2016，50（6）：1134-1140.（TANG Y B， BU W， WU X Q. Natural scene text detection based on multi-level MSER [J]. Journal of Zhejiang University （Engineering Science）， 2016， 50（6）： 1134-1140.）

[15] NISTER D， STEWENIUS H. Linear time maximally stable extremal regions [C]// Proceedings of the 10th European Conference on Computer Vision. Berlin： Springer， 2008： 183-196.

[16] BAKER L， MILLS S， LANGLOTZ T， et al. Power line detection using Hough transform and line tracing techniques[C]// Proceedings of the 2016 IEEE International Conference on Image and Vision Computing. Piscataway， NJ： IEEE， 2017： 1-6.

[17] YE H S， SHANG G C， WANG L N， et al. A new method based on Hough transform for quick line and circle detection[C]// Proceedings of the 2016 IEEE International Conference on Biomedical Engineering and Informatics. Piscataway， NJ： IEEE， 2016： 52- 56.