基于机器视觉的报警器显示数码识别方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于机器视觉的报警器显示数码识别方法。

背景技术

由于报警器往往通过报警器上的显示数码进行安全预警，所以对显示数码的准确识别至关重要。目前，对报警器显示数码进行识别时，通常采用的方式为：获取报警器显示数码的图像，通过该图像，识别报警器显示数码。由于报警器所处环境往往较为复杂，往往导致采集到的图像含有较多的噪声，往往导致采集到的图像质量不高，进而导致对报警器显示数码进行识别的准确度低下，因此，对采集到的图像进行去噪至关重要。

目前，对图像进行去噪时，通常采用的方式为：通过固定尺寸的滤波窗口，对图像进行滤波去噪。然而，当采用固定尺寸的滤波窗口，对图像进行滤波去噪时，经常会存在如下技术问题：

由于滤波窗口尺寸固定，往往不能同时兼顾去噪和保护图像细节，因此，往往导致图像去噪效果低下，从而导致对报警器显示数码进行识别的准确度低下。

发明内容

本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

为了解决对报警器显示数码进行识别的准确度低下的技术问题，本发明提出了基于机器视觉的报警器显示数码识别方法。

本发明提供了基于机器视觉的报警器显示数码识别方法，该方法包括：

获取报警器显示面板的目标表面图像，对所述目标表面图像进行数码区域识别处理，得到目标数码区域；

对所述目标数码区域进行边缘检测，得到目标边缘像素点集合；

对所述目标边缘像素点集合中的目标边缘像素点进行聚类，得到目标聚类簇集合；

对所述目标聚类簇集合中的每个目标聚类簇进行噪声聚集影响分析处理，得到所述目标聚类簇对应的初始噪声影响程度；

根据所述目标聚类簇集合中的每个目标聚类簇对应的初始噪声影响程度，对所述目标聚类簇进行噪声分布变化分析处理，确定所述目标聚类簇中的每个目标边缘像素点对应的噪声变化指标；

对所述目标聚类簇集合中的每个目标聚类簇进行噪声大小分析处理，确定所述目标聚类簇中的每个目标边缘像素点对应的噪声大小指标；

根据所述目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标，确定所述目标边缘像素点对应的目标噪声影响程度；

根据所述目标边缘像素点集合中的各个目标边缘像素点对应的目标噪声影响程度，对所述目标表面图像进行自适应窗口去噪，得到目标去噪图像，并对所述目标去噪图像进行数码识别。

进一步地，对所述目标聚类簇集合中的每个目标聚类簇进行噪声聚集影响分析处理，得到所述目标聚类簇对应的初始噪声影响程度，包括：

根据所述目标聚类簇中的各个目标边缘像素点对应的位置、所述目标聚类簇的聚类中心对应的位置、所述目标聚类簇集合中目标边缘像素点的数量和所述目标聚类簇中目标边缘像素点的数量，确定所述目标聚类簇对应的初始噪声影响程度。

进一步地，根据所述目标聚类簇中的各个目标边缘像素点对应的位置、所述目标聚类簇的聚类中心对应的位置、所述目标聚类簇集合中目标边缘像素点的数量和所述目标聚类簇中目标边缘像素点的数量，确定所述目标聚类簇对应的初始噪声影响程度，包括：

根据所述目标聚类簇中的每个目标边缘像素点对应的位置和所述目标聚类簇的聚类中心对应的位置，确定所述目标边缘像素点与该聚类中心之间的距离，作为所述目标边缘像素点对应的目标距离；

将所述目标聚类簇中的各个目标边缘像素点对应的目标距离的均值，确定为所述目标聚类簇对应的目标距离均值；

对所述目标聚类簇对应的目标距离均值进行负相关，并进行归一化，得到所述目标聚类簇对应的距离指标；

将所述目标聚类簇中目标边缘像素点的数量与所述目标聚类簇集合中目标边缘像素点的数量的比值，确定为所述目标聚类簇对应的数量指标；

将所述目标聚类簇对应的距离指标和数量指标的乘积，确定为所述目标聚类簇对应的初始噪声影响程度。

进一步地，根据所述目标聚类簇集合中的每个目标聚类簇对应的初始噪声影响程度，对所述目标聚类簇进行噪声分布变化分析处理，确定所述目标聚类簇中的每个目标边缘像素点对应的噪声变化指标，包括：

确定所述目标边缘像素点对应的预先设置的目标滑窗内的各个像素点对应的梯度幅值；

将所述目标边缘像素点对应的目标滑窗内的各个像素点对应的梯度幅值的均值，确定为所述目标边缘像素点对应的目标梯度均值；

从所述目标聚类簇中的各个目标边缘像素点对应的目标梯度均值中筛选出最小的目标梯度均值，作为所述目标聚类簇对应的最小梯度均值；

将所述目标边缘像素点对应的目标梯度均值与第一梯度均值的差值，确定为所述目标边缘像素点对应的目标差值，其中，第一梯度均值是所述目标边缘像素点所在的目标聚类簇对应的最小梯度均值；

将所述目标边缘像素点对应的目标差值与第一影响程度的乘积，确定为所述目标边缘像素点对应的噪声变化指标，其中，第一影响程度是所述目标边缘像素点所在的目标聚类簇对应的初始噪声影响程度。

进一步地，对所述目标聚类簇集合中的每个目标聚类簇进行噪声大小分析处理，确定所述目标聚类簇中的每个目标边缘像素点对应的噪声大小指标，包括：

从所述目标边缘像素点对应的目标滑窗内的各个像素点对应的梯度幅值中筛选出最小的梯度幅值，作为所述目标边缘像素点对应的最小梯度幅值；

对于所述目标边缘像素点对应的目标滑窗内的每个像素点，将所述像素点对应的梯度幅值与所述目标边缘像素点对应的最小梯度幅值的差值，确定为所述像素点对应的目标梯度差值；

将所述目标边缘像素点对应的目标滑窗内的各个像素点对应的目标梯度差值的均值，确定为所述目标边缘像素点对应的噪声大小指标。

进一步地，根据所述目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标，确定所述目标边缘像素点对应的目标噪声影响程度，包括：

将所述目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标的乘积，确定为所述目标边缘像素点对应的目标噪声影响程度。

进一步地，根据所述目标边缘像素点集合中的各个目标边缘像素点对应的目标噪声影响程度，对所述目标表面图像进行自适应窗口去噪，得到目标去噪图像，包括：

根据所述目标边缘像素点集合中的每个目标边缘像素点对应的目标噪声影响程度，确定所述目标边缘像素点对应的去噪窗口的尺寸；

根据所述目标边缘像素点集合中的每个目标边缘像素点对应的去噪窗口的尺寸，对所述目标边缘像素点和所述目标边缘像素点对应的预先设置的目标邻域进行去噪，得到目标去噪图像。

进一步地，根据所述目标边缘像素点集合中的每个目标边缘像素点对应的目标噪声影响程度，确定所述目标边缘像素点对应的去噪窗口的尺寸，包括：

将所述目标边缘像素点对应的目标噪声影响程度与预先设置的目标倍数的乘积，确定为所述目标边缘像素点对应的第一乘积；

对所述目标边缘像素点对应的第一乘积进行向上取整，得到所述目标边缘像素点对应的去噪窗口的尺寸。

本发明具有如下有益效果：

本发明的基于机器视觉的报警器显示数码识别方法，通过对目标表面图像进行图像数据处理，实现了对目标表面图像的去噪识别，并解决了对报警器显示数码进行识别的准确度低下的技术问题，提高了对报警器显示数码进行识别的准确度。首先，获取报警器显示面板的目标表面图像，对上述目标表面图像进行数码区域识别处理，得到目标数码区域。可以便于后续分析目标数码区域内的噪声情况，可以便于后续对目标数码区域进行精确去噪。接着，对上述目标数码区域进行边缘检测，得到目标边缘像素点集合。由于噪声往往影响边缘像素点的分布，因此，边缘检测得到目标边缘像素点集合，可以便于后续分析目标表面图像包含的噪声。然后，对上述目标边缘像素点集合中的目标边缘像素点进行聚类，得到目标聚类簇集合。可以实现对目标边缘像素点的分类，可以便于后续对每个目标聚类簇进行噪声分析。继续，对上述目标聚类簇集合中的每个目标聚类簇进行噪声聚集影响分析处理，得到上述目标聚类簇对应的初始噪声影响程度。对目标聚类簇进行噪声聚集影响分析处理，可以提高初始噪声影响程度确定的准确度。之后，根据上述目标聚类簇集合中的每个目标聚类簇对应的初始噪声影响程度，对上述目标聚类簇进行噪声分布变化分析处理，确定上述目标聚类簇中的每个目标边缘像素点对应的噪声变化指标。综合考虑初始噪声影响程度和噪声分布变化，可以提高噪声变化指标确定的准确度，可以便于后续精确去噪。而后，对上述目标聚类簇集合中的每个目标聚类簇进行噪声大小分析处理，确定上述目标聚类簇中的每个目标边缘像素点对应的噪声大小指标。考虑目标聚类簇的噪声大小，可以便于后续精确去噪。再者，根据上述目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标，确定上述目标边缘像素点对应的目标噪声影响程度。综合考虑噪声变化指标和噪声大小指标，提高了目标噪声影响程度确定的准确度。最后，根据上述目标边缘像素点集合中的各个目标边缘像素点对应的目标噪声影响程度，对上述目标表面图像进行自适应窗口去噪，得到目标去噪图像，并对上述目标去噪图像进行数码识别。本发明通过对目标表面图像进行图像数据处理，实现了对目标表面图像的自适应窗口去噪识别，可以兼顾去噪和保护图像细节，并解决了图像去噪效果低下和对报警器显示数码进行识别的准确度低下的技术问题，提高了图像去噪效果和对报警器显示数码进行识别的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为根据本发明的基于机器视觉的报警器显示数码识别方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明提供了基于机器视觉的报警器显示数码识别方法，该方法包括以下步骤：

获取报警器显示面板的目标表面图像，对目标表面图像进行数码区域识别处理，得到目标数码区域；

对目标数码区域进行边缘检测，得到目标边缘像素点集合；

对目标边缘像素点集合中的目标边缘像素点进行聚类，得到目标聚类簇集合；

对目标聚类簇集合中的每个目标聚类簇进行噪声聚集影响分析处理，得到目标聚类簇对应的初始噪声影响程度；

根据目标聚类簇集合中的每个目标聚类簇对应的初始噪声影响程度，对目标聚类簇进行噪声分布变化分析处理，确定目标聚类簇中的每个目标边缘像素点对应的噪声变化指标；

对目标聚类簇集合中的每个目标聚类簇进行噪声大小分析处理，确定目标聚类簇中的每个目标边缘像素点对应的噪声大小指标；

根据目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标，确定目标边缘像素点对应的目标噪声影响程度；

根据目标边缘像素点集合中的各个目标边缘像素点对应的目标噪声影响程度，对目标表面图像进行自适应窗口去噪，得到目标去噪图像，并对目标去噪图像进行数码识别。

下面对上述各个步骤进行详细展开：

参考图1，示出了根据本发明的基于机器视觉的报警器显示数码识别方法的一些实施例的流程。该基于机器视觉的报警器显示数码识别方法，包括以下步骤：

步骤S1，获取报警器显示面板的目标表面图像，对目标表面图像进行数码区域识别处理，得到目标数码区域。

在一些实施例中，可以获取报警器显示面板的目标表面图像，对上述目标表面图像进行数码区域识别处理，得到目标数码区域。

其中，报警器显示面板可以是目标报警器上显示监测数据的面板。目标报警器可以是矿用气体报警器。监测数据可以是待监控报警的显示数据。例如，二氧化碳报警器的监测数据可以是二氧化碳浓度。目标表面图像可以是报警器显示面板表面的图像。目标数码区域可以是监测数据所在的区域。

需要说明的是，矿用气体报警器通常在矿井下应用。矿用气体报警器主要有两种，一种是固定式矿用气体报警器，还有一种是便携式矿用气体报警器，可以时刻监测着矿井内的氧气、瓦斯、二氧化碳等。可以采集矿用气体报警器显示面板的图像，对该图像中的监测数据进行识别，当监测数据不在正常范围内时，进行报警提示。例如，当监测数据为一氧化碳浓度时，如果识别的一氧化碳浓度不在正常范围内时，进行报警提示。由于矿井下的环境较为复杂，所以采集到的图像往往含有较多的高斯白噪声，往往造成显示的监测数据不清晰，在对监测数据进行识别时，往往不能准确的识别出来，因此，后续对采集到的目标表面图像进行去噪处理。

作为示例，本步骤可以包括以下步骤：

第一步，获取报警器显示面板的目标表面图像。

例如，可以通过相机，获取报警器显示面板的表面图像，对该表面图像进行灰度化，得到目标表面图像。

第二步，对上述目标表面图像进行数码区域识别处理，得到目标数码区域。

例如，将目标表面图像输入预先训练完成的数码识别网络，通过数码识别网络，得到数码掩膜图像，将数码掩膜图像与目标表面图像相乘，得到目标数码区域。

其中，数码识别网络可以是语义分割神经网络。

可选地，数码识别网络的训练过程可以包括以下子步骤：

第一子步骤，获取样本图像集合和样本图像集合中的每个样本图像对应的样本掩膜图像。

其中，样本图像集合是数码识别网络的训练集。样本图像对应的样本掩膜图像是数码识别网络的训练标签。样本掩膜图像是二值图像。

比如，若样本图像中的像素点对应的RGB值中的R值的取值范围为[230，255]，则将像素点对应的像素值更新为1，否则，将像素点对应的像素值更新为0，将更新后的样本图像作为该样本图像对应的样本掩膜图像。

第二子步骤，构建数码识别网络。

比如，可以构建语义分割神经网络，作为数码识别网络。

第三子步骤，将样本图像集合输入数码识别网络，利用各个样本图像对应的样本掩膜图像对数码识别网络进行训练，得到训练完成的数码识别网络。

其中，数码识别网络训练过程的loss函数为交叉熵损失函数。

需要说明的是，由于报警器的每一个数字显示是采用七个晶体管的亮暗进行显示的。不同晶体管的亮暗往往代表着不同的数字，例如，当七个晶体管全亮时，代表数字8。因此亮的晶体管，组成显示数据。在暗环境或粉尘较大的环境中，由于红色的透光率较好，因此矿用气体报警器的晶体管亮时的颜色一般为红色。由于当像素点对应的RGB值中的R值的取值范围为[230，255]时，该像素点往往是红色的。因此，通过数码识别网络，可以识别出目标数码区域。

步骤S2，对目标数码区域进行边缘检测，得到目标边缘像素点集合。

在一些实施例中，可以对上述目标数码区域进行边缘检测，得到目标边缘像素点集合。

其中，目标边缘像素点集合中的目标边缘像素点可以是进行边缘检测得到的边缘像素点。

作为示例，可以通过canny边缘检测算法，对目标数码区域进行边缘检测，得到目标边缘像素点集合。

需要说明的是，由于噪声往往影响边缘像素点的分布，例如，当噪声越密集时，噪声的影响程度往往越大，检测得到的晶体管边缘就会越不规整，目标边缘像素点的分布往往就会不规整，因此，边缘检测得到目标边缘像素点集合，可以便于后续分析目标表面图像包含的噪声。

步骤S3，对目标边缘像素点集合中的目标边缘像素点进行聚类，得到目标聚类簇集合。

在一些实施例中，可以对上述目标边缘像素点集合中的目标边缘像素点进行聚类，得到目标聚类簇集合。

作为示例，可以对目标边缘像素点集合中的目标边缘像素点进行密度聚类，得到目标聚类簇集合。

需要说明的是，对目标边缘像素点集合中的目标边缘像素点进行密度聚类，可以实现对目标边缘像素点的分类，可以得到不同密度大小的目标聚类簇，由于同一个目标聚类簇中的目标边缘像素点的密集程度相同，所以同一个目标聚类簇中的目标边缘像素点的噪声密集程度往往相同，因此可以便于后续对每个目标聚类簇进行噪声聚集分析。

步骤S4，对目标聚类簇集合中的每个目标聚类簇进行噪声聚集影响分析处理，得到目标聚类簇对应的初始噪声影响程度。

在一些实施例中，可以对上述目标聚类簇集合中的每个目标聚类簇进行噪声聚集影响分析处理，得到上述目标聚类簇对应的初始噪声影响程度。

作为示例，根据上述目标聚类簇中的各个目标边缘像素点对应的位置、上述目标聚类簇的聚类中心对应的位置、上述目标聚类簇集合中目标边缘像素点的数量和上述目标聚类簇中目标边缘像素点的数量，确定上述目标聚类簇对应的初始噪声影响程度可以包括以下步骤：

第一步，根据上述目标聚类簇中的每个目标边缘像素点对应的位置和上述目标聚类簇的聚类中心对应的位置，确定上述目标边缘像素点与该聚类中心之间的距离，作为上述目标边缘像素点对应的目标距离。

第二步，将上述目标聚类簇中的各个目标边缘像素点对应的目标距离的均值，确定为上述目标聚类簇对应的目标距离均值。

第三步，对上述目标聚类簇对应的目标距离均值进行负相关，并进行归一化，得到上述目标聚类簇对应的距离指标。

第四步，将上述目标聚类簇中目标边缘像素点的数量与上述目标聚类簇集合中目标边缘像素点的数量的比值，确定为上述目标聚类簇对应的数量指标。

第五步，将上述目标聚类簇对应的距离指标和数量指标的乘积，确定为上述目标聚类簇对应的初始噪声影响程度。

作为又一示例，确定目标聚类簇对应的初始噪声影响程度对应的公式可以为：

其中，

需要说明的是，当噪声的影响程度越大，即噪声越多时，通过canny边缘检测得到的边缘往往越不规整，因此在进行聚类时，目标聚类簇中的目标边缘像素点的数量往往会越多。并且噪声在不同边缘上的分布也会不同，噪声越多，目标边缘像素点之间的距离往往会越近，对边缘的影响程度就会越大，则目标边缘像素点的聚集性就会越大。

步骤S5，根据目标聚类簇集合中的每个目标聚类簇对应的初始噪声影响程度，对目标聚类簇进行噪声分布变化分析处理，确定目标聚类簇中的每个目标边缘像素点对应的噪声变化指标。

在一些实施例中，可以根据上述目标聚类簇集合中的每个目标聚类簇对应的初始噪声影响程度，对上述目标聚类簇进行噪声分布变化分析处理，确定上述目标聚类簇中的每个目标边缘像素点对应的噪声变化指标。

作为示例，本步骤可以包括以下步骤：

第一步，确定上述目标边缘像素点对应的预先设置的目标滑窗内的各个像素点对应的梯度幅值。

其中，目标滑窗可以是3×3的滑窗。目标边缘像素点可以处于该目标边缘像素点对应的目标滑窗的中心位置。

第二步，将上述目标边缘像素点对应的目标滑窗内的各个像素点对应的梯度幅值的均值，确定为上述目标边缘像素点对应的目标梯度均值。

第三步，从上述目标聚类簇中的各个目标边缘像素点对应的目标梯度均值中筛选出最小的目标梯度均值，作为上述目标聚类簇对应的最小梯度均值。

第四步，将上述目标边缘像素点对应的目标梯度均值与第一梯度均值的差值，确定为上述目标边缘像素点对应的目标差值。

其中，第一梯度均值是上述目标边缘像素点所在的目标聚类簇对应的最小梯度均值。

第五步，将上述目标边缘像素点对应的目标差值与第一影响程度的乘积，确定为上述目标边缘像素点对应的噪声变化指标。

其中，第一影响程度是上述目标边缘像素点所在的目标聚类簇对应的初始噪声影响程度。

例如，确定目标聚类簇中的每个目标边缘像素点对应的噪声变化指标对应的公式可以为：

其中，

需要说明的是，当第t个目标聚类簇没有受到噪声影响时，

步骤S6，对目标聚类簇集合中的每个目标聚类簇进行噪声大小分析处理，确定目标聚类簇中的每个目标边缘像素点对应的噪声大小指标。

在一些实施例中，可以对上述目标聚类簇集合中的每个目标聚类簇进行噪声大小分析处理，确定上述目标聚类簇中的每个目标边缘像素点对应的噪声大小指标。

作为示例，本步骤可以包括以下步骤：

第一步，从上述目标边缘像素点对应的目标滑窗内的各个像素点对应的梯度幅值中筛选出最小的梯度幅值，作为上述目标边缘像素点对应的最小梯度幅值。

第二步，对于上述目标边缘像素点对应的目标滑窗内的每个像素点，将上述像素点对应的梯度幅值与上述目标边缘像素点对应的最小梯度幅值的差值，确定为上述像素点对应的目标梯度差值。

第三步，将上述目标边缘像素点对应的目标滑窗内的各个像素点对应的目标梯度差值的均值，确定为上述目标边缘像素点对应的噪声大小指标。

例如，确定目标聚类簇中的每个目标边缘像素点对应的噪声大小指标对应的公式可以为：

其中，

需要说明的是，当目标边缘像素点所在区域内的噪声越大时，目标边缘像素点对应的目标滑窗内的梯度变化往往越大。

步骤S7，根据目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标，确定目标边缘像素点对应的目标噪声影响程度。

在一些实施例中，可以根据上述目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标，确定上述目标边缘像素点对应的目标噪声影响程度。

作为示例，可以将上述目标边缘像素点集合中的每个目标边缘像素点对应的噪声变化指标和噪声大小指标的乘积，确定为上述目标边缘像素点对应的目标噪声影响程度。

例如，确定目标边缘像素点对应的目标噪声影响程度对应的公式可以为：

其中，

当

步骤S8，根据目标边缘像素点集合中的各个目标边缘像素点对应的目标噪声影响程度，对目标表面图像进行自适应窗口去噪，得到目标去噪图像，并对目标去噪图像进行数码识别。

在一些实施例中，可以根据上述目标边缘像素点集合中的各个目标边缘像素点对应的目标噪声影响程度，对上述目标表面图像进行自适应窗口去噪，得到目标去噪图像，并对上述目标去噪图像进行数码识别。

作为示例，本步骤可以包括以下步骤：

第一步，根据上述目标边缘像素点集合中的每个目标边缘像素点对应的目标噪声影响程度，确定上述目标边缘像素点对应的去噪窗口的尺寸。

其中，目标边缘像素点对应的去噪窗口可以是对该目标边缘像素点进行滤波去噪的滤波窗口。

例如，根据上述目标边缘像素点集合中的每个目标边缘像素点对应的目标噪声影响程度，确定上述目标边缘像素点对应的去噪窗口的尺寸可以包括以下子步骤：

第一子步骤，将上述目标边缘像素点对应的目标噪声影响程度与预先设置的目标倍数的乘积，确定为上述目标边缘像素点对应的第一乘积。

其中，目标倍数可以是预先设置的倍数。如，目标倍数可以是10。

第二子步骤，对上述目标边缘像素点对应的第一乘积进行向上取整，得到上述目标边缘像素点对应的去噪窗口的尺寸。

比如，确定目标边缘像素点对应的去噪窗口的尺寸对应的公式可以为：

其中，

需要说明的是，

第二步，根据上述目标边缘像素点集合中的每个目标边缘像素点对应的去噪窗口的尺寸，对上述目标边缘像素点和上述目标边缘像素点对应的预先设置的目标邻域进行去噪，得到目标去噪图像。

其中，目标邻域可以是预先设置的邻域。比如，目标邻域可以是5×5邻域。

例如，可以对上述目标边缘像素点集合中的每个目标边缘像素点和上述目标边缘像素点对应的目标邻域中的各个像素点进行滤波去噪，其中，对目标边缘像素点进行滤波去噪的滤波窗口为该目标边缘像素点对应的去噪窗口。对目标边缘像素点对应的目标邻域中的各个像素点进行滤波去噪的滤波窗口为该目标边缘像素点对应的去噪窗口。

第三步，对上述目标去噪图像进行数码识别。

例如，可以通过大津阈值法，对上述目标去噪图像进行数码识别。

又如，可以通过数码识别网络，对目标去噪图像进行数码识别。

可选地，可以采用OCR技术识别固定式矿用气体报警器上的显示数据，并对数据进行记录，然后传输到便携式报警器中，用作数据的校对，并且可以实时观测煤矿井下的气体监测情况。

综上，由于噪声往往影响边缘像素点的分布，例如，当噪声越密集时，噪声的影响程度往往越大，检测得到的晶体管边缘就会越不规整，目标边缘像素点的分布往往就会不规整，因此，边缘检测得到目标边缘像素点集合，可以便于后续分析目标表面图像包含的噪声。对目标边缘像素点集合中的目标边缘像素点进行密度聚类，可以实现对目标边缘像素点的分类，可以得到不同密度大小的目标聚类簇，由于同一个目标聚类簇中的目标边缘像素点的密集程度相同，所以同一个目标聚类簇中的目标边缘像素点的噪声密集程度往往相同，因此可以便于后续对每个目标聚类簇进行噪声聚集分析。当噪声的影响程度越大，即噪声越多时，通过canny边缘检测得到的边缘往往越不规整，因此在进行聚类时，目标聚类簇中的目标边缘像素点的数量往往会越多。并且噪声在不同边缘上的分布也会不同，噪声越多，目标边缘像素点之间的距离往往会越近，对边缘的影响程度就会越大，则目标边缘像素点的聚集性就会越大。对上述目标聚类簇进行噪声分布变化和噪声大小分析处理，可以便于后续精确去噪。因此，本发明通过对目标表面图像进行图像数据处理，实现了对目标表面图像的自适应窗口去噪识别，可以兼顾去噪和保护图像细节，并解决了图像去噪效果低下和对报警器显示数码进行识别的准确度低下的技术问题，提高了图像去噪效果和对报警器显示数码进行识别的准确度。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。