C#中的深度学习（一）：使用OpenCV识别硬币

https://www.cnblogs.com/hhhnicvscs/p/14167449.html

 

在本系列文章中，我们将使用深度神经网络(DNN)来执行硬币识别。具体来说，我们将训练一个DNN识别图像中的硬币。

在本文中，我们将描述一个OpenCV应用程序，它将检测图像中的硬币。硬币检测是硬币完整识别之前的一个常见阶段。它包括从给定图像中检测和提取硬币。

 

 

 

 

 

 

 

 

 

 

本系列附带的代码将使用Keras在C#中实现。在本系列的最后一篇文章中，我们将简要地使用ML.NET。在众多选择中，为什么要使用Keras.NET呢?Keras.NET 非常容易学习，因为它基本上是从Python编写的经典TensorFlow到C#的直接映射。对于不熟悉机器学习的读者来说，这比用其他方法创建示例要容易得多。

硬币检测过程分为三个阶段:

  1. 转换图像到灰度。颜色增加了检测任务的复杂性，而且在很多情况下，它们不能传递任何可以从图像亮度中获取的相关信息。
  2. 应用高斯模糊。因为硬币通常包含一个内圆，我们应用这个变换来模糊图像。这确保了任何内圆被下一步中的操作忽略，所以我们的算法不会意外地认为它们是一个单独的硬币。
  3. 应用霍夫变换。这是为了检测圆形。

首先，让我们在Visual Studio Community 2019中创建一个.net Framework 4.7.2控制台应用程序。我们将把我们的解决方案和项目命名为“CoinRecognitionExample”，并在其中创建一个Detection文件夹，创建一个CoinDetector类。

我们将使用OpenCVSharp，所以我们可以继续在Visual Studio中从Nuget包管理器安装依赖项。要做到这一点，请点击Tools > Nuget Package Manager.

我们可以看到需要安装OpenCVSharp的依赖项。

具体的实现发生在CoinDetector类中:

复制代码 
 1 public class CoinDetector  2   {  3       private Mat _image;  4       private Mat _originalImage;  5       private string _pathToFile;  6   7       public CoinDetector(string pathToFile)  8       {  9           _pathToFile = pathToFile; 10       } 11  12       public void ImagePreprocessing() 13       { 14           _image = new Mat(_pathToFile, ImreadModes.Color); 15           _originalImage = _image.Clone(); 16           TransformGrayScale(); 17           TransformGaussianBlur(); 18           HoughSegmentation(); 19       } 20  21       private void TransformGrayScale() 22       { 23           _image = _originalImage.CvtColor(ColorConversionCodes.BGR2GRAY); 24           new Window(Grayed Coins, WindowMode.Normal, _image); 25           Cv2.WaitKey(); 26       } 27  28       private void TransformGaussianBlur() 29       { 30           Cv2.GaussianBlur(_image, _image, new Size(0, 0), 1); 31           new Window(Blurred Coins, WindowMode.Normal, _image); 32           //Cv2.WaitKey(); 33       } 34  35       private void HoughSegmentation() 36       { 37           Mat result = _image.Clone(); 38  39           var circleSegments = Cv2.HoughCircles(_image, HoughMethods.Gradient, 1.6, 40); 40           for (int i = 0; i < circleSegments.Length; i++) 41           { 42               Cv2.Circle(result, (Point) circleSegments[i].Center, (int)circleSegments[i].Radius, new Scalar(255, 255, 0), 2); 43           } 44  45           using (new Window(Circles, result)) 46           { 47               Cv2.WaitKey(); 48           } 49       } 50   }
复制代码

在类的构造函数中，我们接收到硬币图像的路径。这个方法和ImagePreprocessing方法是CoinDetector类中仅有的两个公共实体。所有其他方法都是私有的，与上面列出的三个阶段相关。在ImageProcessing 方法中，我们保存一个原始的Mat(像素矩阵)对象的图像，并生成即将发生的转换副本。Mat类和所有对Cv2类的调用都来自OpenCVSharp。在每次转换之后，我们调用new Window以可视化地显示转换。Cv2.HoughCircles的参数取决于你所面临的问题，也就是正在处理的图像。

代码中显示的参数符合我们的示例。

要完成硬币检测示例，我们可以在控制台应用程序项目的主方法中添加以下代码行并执行。

1 string filePath = @C:/Users/arnal/Documents/coins.jpg; 2 var coinDetector = new CoinDetector(filePath); 3 coinDetector.ImagePreprocessing();

这是我们将用于测试的图像。其中包括塞尔维亚硬币:

最终的结果将是我们之前看到的图像:

正如我们所看到的，在中间使用对应霍夫变换的白色圆圈标识，并被识别出来。

本系列的第一篇文章到此结束。在下一篇文章中，我们将对输入到机器学习模型中的数据集进行预处理。