SkiaSharp 绘制多边形详细教程

2025-11-18

使用C#和OpenCvSharp实现基于颜色检测的对象计数

编辑

2025-11-17

1. 引言

基于颜色的对象检测和计数在工业、农业、医疗等领域有着广泛的应用。借助OpenCvSharp，我们可以快速实现这类功能。本文将详细介绍如何使用C#和OpenCvSharp来实现基于颜色的对象检测和计数。

2. 应用场景

工业生产线上的产品计数（如不同颜色的瓶盖）
农业领域的水果分选计数
医疗领域的细胞计数
质量控制中的缺陷检测
交通监控中的车辆计数
零售业中的商品库存统计

3. 环境准备

C#
// 安装必要的NuGet包
// Install-Package OpenCvSharp4
// Install-Package OpenCvSharp4.runtime.win

using OpenCvSharp;
using System;

4. 基本实现流程

4.1 基础代码框架

C#
public class ColorObjectCounter
{
    private Scalar lowerBound;
    private Scalar upperBound;

    public ColorObjectCounter(Scalar lower, Scalar upper)
    {
        lowerBound = lower;
        upperBound = upper;
    }

    public int CountObjects(string imagePath)
    {
        using (var src = Cv2.ImRead(imagePath))
        {
            return CountObjects(src);
        }
    }

    public int CountObjects(Mat image)
    {
        if (image == null)
            throw new ArgumentNullException(nameof(image));

        // 1. 转换颜色空间
        using var hsvImage = new Mat();
        Cv2.CvtColor(image, hsvImage, ColorConversionCodes.BGR2HSV);

        // 2. 创建掩码
        using var mask = new Mat();
        Cv2.InRange(hsvImage, lowerBound, upperBound, mask);

        // 3. 形态学操作
        using var kernel = Cv2.GetStructuringElement(MorphShapes.Ellipse, new Size(5, 5));
        using var processedMask = new Mat();
        Cv2.MorphologyEx(mask, processedMask, MorphTypes.Open, kernel);

        // 4. 查找轮廓
        Point[][] contours;
        HierarchyIndex[] hierarchy;
        Cv2.FindContours(
            processedMask,
            out contours,
            out hierarchy,
            RetrievalModes.External,
            ContourApproximationModes.ApproxSimple);

        // 5. 过滤和计数
        return FilterAndCountContours(contours);
    }

    private int FilterAndCountContours(Point[][] contours)
    {
        int count = 0;
        foreach (var contour in contours)
        {
            double area = Cv2.ContourArea(contour);
            if (area > 100) // 面积阈值，需要根据实际情况调整
            {
                count++;
            }
        }
        return count;
    }
}

C#
static void Main(string[] args)
{
    // 调整HSV范围以更好地检测红色缝线  
    Scalar lowerRed1 = new Scalar(0, 50, 50);    // 降低饱和度和亮度的最小值  
    Scalar upperRed1 = new Scalar(10, 255, 255);

    // 创建检测器实例  
    ColorObjectCounter counter1 = new ColorObjectCounter(lowerRed1, upperRed1);

    string imagePath = "output_cropped2.jpg";

    // 调用检测方法  
    int redObjects = counter1.CountObjects(imagePath);


    Console.WriteLine($"检测到 {redObjects} 条红色线");

}

阅读全文

使用C#和OpenCvSharp实现基于轮廓检测的对象计数

编辑

2025-11-17

1. 简介

本文将详细介绍如何使用C#和OpenCvSharp来实现基于轮廓检测的对象计数。我们将通过多个实例来说明不同场景下的轮廓检测和计数方法。

2. 环境准备

首先需要安装必要的NuGet包：

Bash
Install-Package OpenCvSharp4
Install-Package OpenCvSharp4.Windows

4. 简单对象计数示例

4.1 基础计数

C#
static void Main(string[] args)
{
    CountClips("clip.png");

    Cv2.WaitKey(0);
    Cv2.DestroyAllWindows();
}

public static int CountClips(string imagePath)
{
    using (var src = new Mat(imagePath))
    using (var gray = new Mat())
    using (var blur = new Mat())
    using (var binary = new Mat())
    {
        // 转换为灰度图  
        Cv2.CvtColor(src, gray, ColorConversionCodes.BGR2GRAY);

        // 高斯模糊  
        Cv2.GaussianBlur(gray, blur, new Size(5, 5), 0);

        // 使用自适应阈值  
        Cv2.AdaptiveThreshold(
            blur,
            binary,
            255,
            AdaptiveThresholdTypes.GaussianC,
            ThresholdTypes.Binary,
            11,  // 邻域大小  
            2    // 常数差值  
        );

        // 查找轮廓，包括内部轮廓  
        Point[][] contours;
        HierarchyIndex[] hierarchy;
        Cv2.FindContours(
            binary,
            out contours,
            out hierarchy,
            RetrievalModes.Tree,  // 改用Tree模式  
            ContourApproximationModes.ApproxSimple);

        // 过滤轮廓  
        int clipCount = 0;
        for (int i = 0; i < contours.Length; i++)
        {

            // 计算轮廓周长  
            double perimeter = Cv2.ArcLength(contours[i], true);

                Cv2.DrawContours(
                    src,
                    contours,
                    i,
                    Scalar.Red,
                    2);
                clipCount++;
        }

        Cv2.ImShow("Result", src);
        return clipCount;
    }
}

Python
Cv2.AdaptiveThreshold(  
    blur,       // 输入图像（通常是灰度图或经过模糊处理的图像）  
    binary,     // 输出图像（二值化结果）  
    255,        // 最大值（像素被判定为白色时的值）  
    AdaptiveThresholdTypes.GaussianC,  // 自适应方法类型  
    ThresholdTypes.Binary,             // 阈值类型  
    11,         // 邻域大小（块大小）  
    2           // 常数差值（C）  
);

阅读全文

C# OpenCvSharpt ORB算法详解：比SIFT快100倍的特征检测技术

编辑

2025-11-17

1. 什么是ORB?

ORB (Oriented FAST and Rotated BRIEF) 是一种快速稳健的局部特征描述子，由 Ethan Rublee 等人在2011年提出。它是FAST关键点检测和BRIEF描述子的结合，并在此基础上做了改进，添加了一些新特性以增强性能。

1.1 ORB的主要特点

计算效率高：ORB的计算速度比SIFT快两个数量级，比SURF快一个数量级。
旋转不变性：通过计算关键点的主方向，ORB具有良好的旋转不变性。
尺度不变性：通过构建图像金字塔，ORB可以检测多尺度的特征点。
对噪声具有鲁棒性：ORB对图像噪声和仿射变换具有较强的抵抗力。
无需专利许可：与SIFT和SURF不同，ORB是开源的，可以免费使用。

2. ORB在OpenCvSharp中的实现

在OpenCvSharp中，ORB算法主要通过ORB类来实现。下面我们将详细介绍如何使用OpenCvSharp来进行ORB特征检测和匹配。

2.1 ORB特征检测

以下是使用OpenCvSharp进行ORB特征检测的基本步骤：

创建ORB对象
检测关键点
计算描述子

下面是一个完整的代码示例：

C#
public partial class Form7 : Form
{
    private Mat originalImage;
    public Form7()
    {
        InitializeComponent();
    }

    private void btnLoadImage_Click(object sender, EventArgs e)
    {
        using (OpenFileDialog ofd = new OpenFileDialog())
        {
            ofd.Filter = "Image Files|*.jpg;*.jpeg;*.png;*.bmp";
            if (ofd.ShowDialog() == DialogResult.OK)
            {
                originalImage = new Mat(ofd.FileName, ImreadModes.Color);
                DisplayImage(originalImage);
                btnDetectFeatures.Enabled = true;
            }
        }
    }

    private void DisplayImage(Mat image)
    {
        try
        {
            using (var bitmap = BitmapConverter.ToBitmap(image))
            {
                if (pic.Image != null)
                {
                    pic.Image.Dispose();
                }
                pic.Image = new Bitmap(bitmap);
            }
        }
        catch (Exception ex)
        {
            MessageBox.Show($"Error displaying image: {ex.Message}");
        }
    }

    protected override void OnFormClosing(FormClosingEventArgs e)
    {
        base.OnFormClosing(e);
        originalImage?.Dispose();
    }

    private void btnDetectFeatures_Click(object sender, EventArgs e)
    {
        if (originalImage == null)
            return;

        try
        {
            // 创建ORB对象  
            using var orb = ORB.Create(500); // 最多检测500个特征点  

            // 检测关键点  
            KeyPoint[] keypoints = orb.Detect(originalImage);

            // 计算描述子  
            using var descriptors = new Mat();
            orb.Compute(originalImage, ref keypoints, descriptors);

            // 创建一个新的Mat来绘制结果  
            using var result = new Mat();
            // 绘制关键点，使用红色圆圈标记特征点  
            Cv2.DrawKeypoints(originalImage, keypoints, result,
                new Scalar(0, 0, 255), // 红色  
                DrawMatchesFlags.DrawRichKeypoints); // 绘制带有大小和方向的关键点  

            // 显示结果  
            DisplayImage(result);

            MessageBox.Show($"检测到 {keypoints.Length} 个ORB特征点");
        }
        catch (Exception ex)
        {
            MessageBox.Show($"Error detecting features: {ex.Message}");
        }
    }
}

阅读全文

C# OpenCVSharp基于SURF算法的图像特征点智能匹配

编辑

2025-11-17

SURF简介

SURF（Speeded Up Robust Features）是一种计算机视觉中的局部特征检测器和描述符。它于2006年由Herbert Bay等人首次提出，旨在加速SIFT（Scale-Invariant Feature Transform）算法。SURF算法在保持高性能的同时，显著提高了计算速度。

SURF的主要目标是在不同的图像中检测和匹配关键点。这些关键点是图像中独特和稳定的特征，即使在图像发生旋转、缩放或光照变化时也能保持不变。

SURF的特点

速度快：SURF比SIFT快很多，这主要归功于其使用积分图像和盒子滤波器。
尺度和旋转不变性：SURF能够检测和描述在不同尺度和旋转下的特征点。
光照和视角变化的鲁棒性：对光照变化和小幅度的视角变化具有良好的适应性。
特征描述符：SURF生成64维或128维的特征描述符，用于后续的匹配过程。
基于Haar小波：使用Haar小波响应来进行特征描述，提高了效率。
多尺度分析：通过构建尺度空间金字塔来实现多尺度特征检测。

在OpenCvSharp中使用SURF

在OpenCvSharp中使用SURF需要注意，由于专利原因，SURF算法在OpenCV 3.0之后的版本中被移到了opencv_contrib模块。因此，要使用SURF，你需要确保你的OpenCvSharp版本包含了这个额外模块。

以下是在OpenCvSharp中使用SURF的基本步骤：

引入必要的命名空间：

C#
using OpenCvSharp;
using OpenCvSharp.XFeatures2D;

创建SURF对象：

C#
var surf = SURF.Create(hessianThreshold: 100);

检测关键点：

C#
using var image = new Mat("path/to/your/image.jpg", ImreadModes.Grayscale);
KeyPoint[] keypoints = surf.Detect(image);

计算描述符：

C#
Mat descriptors = new Mat();
surf.Compute(image, ref keypoints, descriptors);

SURF应用示例

特征点检测和描述

阅读全文