C＃中的深度学习：使用OpenCV进行硬币检测

在本文中，我们将介绍一个OpenCV应用程序，它将检测图像中的硬币。硬币检测是完整硬币识别之前的常见阶段。它包括检测和提取给定图像中的硬币。

下载源1.5 MB

本系列附带的代码将使用Keras.NET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。在所有选项中，为什么要使用Keras.NET？Keras.NET非常易于学习，因为它基本上是从用Python编写的经典TensorFlow到C＃的直接映射。与不采用其他方法之一创建示例相比，对于不熟悉机器学习的读者而言，此示例要容易得多。

硬币检测过程分为三个阶段：

将图像转换为灰度。颜色会增加检测任务的复杂性，并且在许多情况下，颜色不会传达无法从图像亮度获得的任何相关信息。
应用高斯模糊。由于硬币通常包含一个内圈，因此我们应用此变换来模糊图像。这样可以确保下一步不会忽略任何内部圆圈，因此我们的算法不会意外地认为它们是单独的硬币。
应用霍夫变换。这是为了检测圆形。有关霍夫变换的更多信息，请参见此处。

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。我们将命名解决方案和项目为“CoinRecognitionExample”，并使用CoinDetector类在其中创建一个Detection文件夹。

我们将使用OpenCVSharp，因此我们可以从Visual Studio中的Nuget软件包管理器中安装依赖项。为此，请转到工具> Nuget软件包管理器。

我们可以看到需要安装的与OpenCVSharp有关的依赖项。

实际的实现发生在CoinDetector类中：

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();}}}

在该类的构造函数中，我们接收硬币图像的路径。这个和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，并且与上面列出的三个阶段有关。

在ImageProcessing方法中，我们保存图像的原始Mat（像素矩阵）对象，并为要进行的转换制作它的副本。Mat类和对Cv2类的所有调用都来自OpenCVSharp。每次转换后，我们都会调用new Window，以直观方式显示该转换。

Cv2.HoughCircles参数取决于您所面临的问题，即取决于正在处理的图像。代码中显示的参数就是适合我们示例的参数。

为了完成硬币检测示例，我们可以在控制台应用程序项目的main方法中添加以下行并执行。

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

这是我们将用于测试的图像。它包含Serbian Dinar硬币等：

最终结果将是我们之前看到的图像：

如我们所见，在与霍夫变换相对应的中央和最终窗口的白色圆圈内已检测到硬币。

本系列的第一篇文章到此结束。在接下来的文章中，我们将一个进行预处理的数据集被输入到机器学习模型。

C＃中的深度学习：使用OpenCV进行硬币检测相关推荐

opencv 多线程_深度学习和OpenCV的对象检测(MobileNet SSD视频流实时识别)
上期文章,我们分享了如何使用opencv 与MobileNet SSD模型来检测给定的图片,有网友反馈能否提供一下视频流的实时检测代码,其实我们在分享人脸识别的时候,分享了如何使用cv2.videoC ...
在OpenCV中基于深度学习的边缘检测
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:AI算法与图像处理导读分析了Canny的优劣,并给出 ...
深度学习：Opencv的BlobfromImage如何工作
深度学习:Opencv的BlobfromImage如何工作 1. 原理 1.2 均值减法是什么 1.3 cv2.dnn.BlogFromImage 2. 源码参考想要从深度神经网络获取正确的预测, ...
深度学习与OpenCV DNN模块:权威指南
计算机视觉领域自20世纪60年代末就已经存在.图像分类和目标检测是计算机视觉领域的一些最古老的问题,研究人员已经努力解决了几十年.使用神经网络和深度学习,我们已经达到了一个阶段,计算机可以开始真正地理 ...
在浏览器中进行深度学习：TensorFlow.js (四）用基本模型对MNIST数据进行识别
2019独角兽企业重金招聘Python工程师标准>>> 在了解了TensorflowJS的一些基本模型的后,大家会问,这究竟有什么用呢?我们就用深度学习中被广泛使用的MINST数据集 ...
综述：NLP中的深度学习优势
[简介]自然语言处理(NLP)能够帮助智能型机器更好地理解人类的语言,实现基于语言的人机交流.目前随着计算能力的发展和大量语言数据的出现,推动了使用数据驱动方法自动进行语义分析的需求.由于深度学习方法 ...
我的机器学习入门之路（中）——深度学习(自然语言处理)
继上一篇<我的机器学习入门之路(上)--传统机器学习>,这一篇博客主要记录深度学习(主要是自然语言处理)这一块内容的学习过程.以下均将自然语言处理简称NLP. 这一块内容的学习路线分为三部 ...
图像识别中的深度学习【香港中文大学王晓刚】
深度学习发展历史深度学习是近十年来人工智能领域取得的重要突破.它在语音识别.自然语言处理.计算机视觉.图像与视频分析.多媒体等诸多领域的应用取得了巨大成功.现有的深度学习模型属于神经网络.神经网络的 ...
深度学习在遥感图像目标检测中的应用综述
深度学习在遥感图像目标检测中的应用综述 1 人工智能发展 1.1 发展历程 1.2 深度学习的应用 2 深度学习 2.1 机器学习概述 2.2 神经网络模型 2.3 深度学习 2.4 深度学习主要模型 ...
在浏览器中进行深度学习：TensorFlow.js (十二）异常检测算法
2019独角兽企业重金招聘Python工程师标准>>> 异常检测是机器学习领域常见的应用场景,例如金融领域里的信用卡欺诈,企业安全领域里的非法入侵,IT运维里预测设备的维护时间点等. ...

C＃中的深度学习：使用OpenCV进行硬币检测

C＃中的深度学习：使用OpenCV进行硬币检测相关推荐

最新文章

热门文章