在本系列文章中，我們將使用深度神經(jīng)網(wǎng)絡(luò)(DNN)來(lái)執(zhí)行硬幣識(shí)別。具體來(lái)說(shuō)，我們將訓(xùn)練一個(gè)DNN識(shí)別圖像中的硬幣。

在本文中，我們將描述一個(gè)OpenCV應(yīng)用程序，它將檢測(cè)圖像中的硬幣。硬幣檢測(cè)是硬幣完整識(shí)別之前的一個(gè)常見(jiàn)階段。它包括從給定圖像中檢測(cè)和提取硬幣。

本系列附帶的代碼將使用Keras在C#中實(shí)現(xiàn)。在本系列的最后一篇文章中，我們將簡(jiǎn)要地使用ML.NET。在眾多選擇中，為什么要使用Keras.NET呢?Keras.NET 非常容易學(xué)習(xí)，因?yàn)樗旧鲜菑腜ython編寫(xiě)的經(jīng)典TensorFlow到C#的直接映射。對(duì)于不熟悉機(jī)器學(xué)習(xí)的讀者來(lái)說(shuō)，這比用其他方法創(chuàng)建示例要容易得多。

硬幣檢測(cè)過(guò)程分為三個(gè)階段:

1. 轉(zhuǎn)換圖像到灰度。顏色增加了檢測(cè)任務(wù)的復(fù)雜性，而且在很多情況下，它們不能傳遞任何可以從圖像亮度中獲取的相關(guān)信息。
2. 應(yīng)用高斯模糊。因?yàn)橛矌磐ǔ０粋€(gè)內(nèi)圓，我們應(yīng)用這個(gè)變換來(lái)模糊圖像。這確保了任何內(nèi)圓被下一步中的操作忽略，所以我們的算法不會(huì)意外地認(rèn)為它們是一個(gè)單獨(dú)的硬幣。
3. 應(yīng)用霍夫變換。這是為了檢測(cè)圓形。

首先，讓我們?cè)赩isual Studio Community 2019中創(chuàng)建一個(gè).net Framework 4.7.2控制臺(tái)應(yīng)用程序。我們將把我們的解決方案和項(xiàng)目命名為“CoinRecognitionExample”，并在其中創(chuàng)建一個(gè)Detection文件夾，創(chuàng)建一個(gè)CoinDetector類。

我們將使用OpenCVSharp，所以我們可以繼續(xù)在Visual Studio中從Nuget包管理器安裝依賴項(xiàng)。要做到這一點(diǎn)，請(qǐng)點(diǎn)擊Tools > Nuget Package Manager.

我們可以看到需要安裝OpenCVSharp的依賴項(xiàng)。

具體的實(shí)現(xiàn)發(fā)生在CoinDetector類中:

public class CoinDetector
 {
  private Mat _image;
  private Mat _originalImage;
  private string _pathToFile;

  public CoinDetector(string pathToFile)
  {
   _pathToFile = pathToFile;
  }

  public void ImagePreprocessing()
  {
   _image = new Mat(_pathToFile, ImreadModes.Color);
   _originalImage = _image.Clone();
   TransformGrayScale();
   TransformGaussianBlur();
   HoughSegmentation();
  }

  private void TransformGrayScale()
  {
   _image = _originalImage.CvtColor(ColorConversionCodes.BGR2GRAY);
   new Window("Grayed Coins", WindowMode.Normal, _image);
   Cv2.WaitKey();
  }

  private void TransformGaussianBlur()
  {
   Cv2.GaussianBlur(_image, _image, new Size(0, 0), 1);
   new Window("Blurred Coins", WindowMode.Normal, _image);
   //Cv2.WaitKey();
  }

  private void HoughSegmentation()
  {
   Mat result = _image.Clone();

   var circleSegments = Cv2.HoughCircles(_image, HoughMethods.Gradient, 1.02, 40);
   for (int i = 0; i < circleSegments.Length; i++)
   {
    Cv2.Circle(result, (Point) circleSegments[i].Center, (int)circleSegments[i].Radius, new Scalar(255, 255, 0), 2);
   }

   using (new Window("Circles", result))
   {
    Cv2.WaitKey();
   }
  }
 }

在類的構(gòu)造函數(shù)中，我們接收到硬幣圖像的路徑。這個(gè)方法和ImagePreprocessing方法是CoinDetector類中僅有的兩個(gè)公共實(shí)體。所有其他方法都是私有的，與上面列出的三個(gè)階段相關(guān)。在ImageProcessing 方法中，我們保存一個(gè)原始的Mat(像素矩陣)對(duì)象的圖像，并生成即將發(fā)生的轉(zhuǎn)換副本。Mat類和所有對(duì)Cv2類的調(diào)用都來(lái)自O(shè)penCVSharp。在每次轉(zhuǎn)換之后，我們調(diào)用new Window以可視化地顯示轉(zhuǎn)換。Cv2.HoughCircles的參數(shù)取決于你所面臨的問(wèn)題，也就是正在處理的圖像。

代碼中顯示的參數(shù)符合我們的示例。

要完成硬幣檢測(cè)示例，我們可以在控制臺(tái)應(yīng)用程序項(xiàng)目的主方法中添加以下代碼行并執(zhí)行。

 string filePath = @"C:/Users/arnal/Documents/coins.jpg";
 var coinDetector = new CoinDetector(filePath);
 coinDetector.ImagePreprocessing();

這是我們將用于測(cè)試的圖像。其中包括塞爾維亞硬幣:

最終的結(jié)果將是我們之前看到的圖像:

正如我們所看到的，在中間使用對(duì)應(yīng)霍夫變換的白色圓圈標(biāo)識(shí)，并被識(shí)別出來(lái)。

本系列的第一篇文章到此結(jié)束。在下一篇文章中，我們將對(duì)輸入到機(jī)器學(xué)習(xí)模型中的數(shù)據(jù)集進(jìn)行預(yù)處理。

以上就是c# 使用OpenCV識(shí)別硬幣的詳細(xì)內(nèi)容，更多關(guān)于c# opencv識(shí)別的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論