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:

 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   }

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。