如何使用Python与OpenCV实现模拟指针仪表盘读数识别

原始素材 #

• 待识别原始仪表盘图像：
  
• 现有预处理后效果：
  

现有代码基础 #

当前已经实现图像缩放、HSV空间转换、掩码提取、霍夫圆检测表盘区域、初步轮廓绘制功能，核心代码如下：

import os
import glob
import cv2
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
img = cv2.imread('/home/administrator/Downloads/read_analogue_gauge_v1_1/images/gaugemio.jpg')
def rescaleFrame(frame, scale=0.5):
        width = int(frame.shape[1]*scale)
        height = int(frame.shape[0]*scale)
        dimensions = (width, height)
        return cv2.resize(frame, dimensions, interpolation=cv2.INTER_AREA)
resized_image = rescaleFrame(img)
img = resized_image
img_hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
img_hsv = cv2.bitwise_not(img_hsv)
lower_black, upper_black = np.array([0, 0, 0]), np.array([180, 255, 65])
mask = cv2.inRange(img_hsv, lower_black, upper_black)

blank = np.zeros((747, 714), dtype='uint8')
blank2 = np.zeros((747, 714), dtype='uint8')
blurred = cv2.blur(~mask, (9, 9))

circles = cv2.HoughCircles(blurred, cv2.HOUGH_GRADIENT,1, 400, param1=50, param2=100, minRadius=200, maxRadius=0)
detected_circles = np.uint16(np.around(circles))
dimension = img.shape

for(x, y, r) in detected_circles[0, :]:
    circle = cv2.circle(blank, (x,y),r, 255, -1 )
    cv2.circle(img, (x,y),r, (0,255,0),3)
    cv2.circle(img, (x,y),2, (0,0,255),3)
    cv2.circle(img, (x,y),30, (0,0,255),3)
    circ_col = x
    circ_row = y
bitwise_and = cv2.bitwise_and(blank, mask)
canny2 = cv2.Canny(bitwise_and, 50, 150, apertureSize=3)
blurred2 = cv2.blur(bitwise_and, (15, 15))
contours, hierarchy = cv2.findContours(blurred2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (0, 255, 0), 2)
cv2.imshow('hi',resized_image)

cv2.waitKey(0)

后续实现技巧 #

指针精准定位 #

• 先做ROI提纯：拿到表盘圆心坐标、半径后，直接将圆形区域外所有像素置0，再进一步保留半径0.1r~0.9r的环形区域，过滤掉圆心转轴、外圈刻度边框的干扰，指针只会出现在这个环形范围内。
• 用概率霍夫直线检测替代普通轮廓查找：在提纯后的二值掩码上调用cv2.HoughLinesP，参数设置minLineLength为0.3r、maxLineGap为5，低阈值多检线段，后续做规则过滤即可。
• 线段过滤规则：直接丢弃所有到圆心距离大于10像素的线段，剩余线段中取长度最长的即为指针——指针是表盘内唯一过圆心、长度远大于刻度线的深色直线结构，这个规则误判率极低。如果指针是红、白等特殊颜色，可以单独提取对应颜色的HSV掩码做检测，精度比提取黑色更高。
• 指针端点修正：找到指针线段后，丢弃离圆心近的端点，统一用检测到的表盘圆心作为指针固定端，离圆心远的端点作为指针尖端，避免转轴处反光、磨损带来的定位偏差。

角度与读数换算 #

• 提前做参考点标定：不需要硬套角度公式，先标定两个基准点即可：记录0刻度对应的指针尖端坐标、满量程刻度对应的指针尖端坐标，用math.atan2(y - circ_row, x - circ_col)分别计算两个基准点、当前指针尖端相对于圆心的角度，注意将计算结果统一映射到0~360度范围，适配OpenCV左上角为原点、y轴向下的坐标规则。
• 线性映射读数：计算当前指针角度在0刻度角度、满量程角度之间的占比，直接按比例映射到量程区间即可。例如0刻度对应150度、读数0，满量程对应30度、读数1.6MPa，当前指针角度90度时，读数为(150-90)/(150-30)*1.6 = 0.8MPa。
• 非线性刻度适配：如果是欧姆表这类非线性刻度的表盘，多标定3~5个中间刻度点的角度值，用分段线性插值计算读数即可，不需要拟合复杂曲线，精度足够工业场景使用。

效果优化建议 #

• 预处理优化：去掉固定HSV阈值提黑色的逻辑，先对原图灰度图做CLAHE自适应直方图均衡提升对比度，再用自适应阈值做二值化，对光线变化、反光场景的鲁棒性会高很多。
• 去掉硬编码参数：当前代码里把blank画布尺寸写死为747*714、霍夫圆半径范围写死为200以上，换图很容易报错，改成动态参数：画布尺寸和输入图保持一致，霍夫圆最小/最大半径按输入图短边的0.3倍、0.48倍设置，兼容性更好。
• 增加误检校验：增加读数合理性判断，如果计算出的指针角度超出0刻度到满量程的范围，或者连续帧读数跳变超过满量程的20%，直接判定为误检，用上一次的有效读数兜底，适合实时视频流读数场景。
• 倾斜适配：如果拍摄角度存在倾斜，检测到表盘圆后用cv2.warpPolar做极坐标展开，把圆形表盘拉成平矩形再定位指针，可以完全消除透视倾斜带来的角度计算误差。
• 调试逻辑修正：当前代码最后cv2.imshow显示的是未做任何绘制的原始缩放图，改成显示处理后的img变量，才能实时看到圆检测、轮廓、指针的绘制效果，方便调参。

内容的提问来源于stack exchange，提问作者Warpxz