C#中的深度學習（一）：使用OpenCV識別硬幣

在本系列文章中，我們將使用深度神經網絡(DNN)來執行硬幣識別。具體來說，我們將訓練一個DNN識別圖像中的硬幣。

在本文中，我們將描述一個OpenCV應用程序，它將檢測圖像中的硬幣。硬幣檢測是硬幣完整識別之前的一個常見階段。它包括從給定圖像中檢測和提取硬幣。

 

 

 

 

 

 

 

 

 

 

本系列附帶的代碼將使用Keras在C#中實現。在本系列的最后一篇文章中，我們將簡要地使用ML.NET。在眾多選擇中，為什么要使用Keras.NET呢?Keras.NET 非常容易學習，因為它基本上是從Python編寫的經典TensorFlow到C#的直接映射。對於不熟悉機器學習的讀者來說，這比用其他方法創建示例要容易得多。

硬幣檢測過程分為三個階段:

1. 轉換圖像到灰度。顏色增加了檢測任務的復雜性，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信息。
2. 應用高斯模糊。因為硬幣通常包含一個內圓，我們應用這個變換來模糊圖像。這確保了任何內圓被下一步中的操作忽略，所以我們的算法不會意外地認為它們是一個單獨的硬幣。
3. 應用霍夫變換。這是為了檢測圓形。

首先，讓我們在Visual Studio Community 2019中創建一個.net Framework 4.7.2控制台應用程序。我們將把我們的解決方案和項目命名為“CoinRecognitionExample”，並在其中創建一個Detection文件夾，創建一個CoinDetector類。

我們將使用OpenCVSharp，所以我們可以繼續在Visual Studio中從Nuget包管理器安裝依賴項。要做到這一點，請點擊Tools > Nuget Package Manager.

我們可以看到需要安裝OpenCVSharp的依賴項。

具體的實現發生在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, 1.6, 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();
          }
      }
  }

在類的構造函數中，我們接收到硬幣圖像的路徑。這個方法和ImagePreprocessing方法是CoinDetector類中僅有的兩個公共實體。所有其他方法都是私有的，與上面列出的三個階段相關。在ImageProcessing 方法中，我們保存一個原始的Mat(像素矩陣)對象的圖像，並生成即將發生的轉換副本。Mat類和所有對Cv2類的調用都來自OpenCVSharp。在每次轉換之后，我們調用new Window以可視化地顯示轉換。Cv2.HoughCircles的參數取決於你所面臨的問題，也就是正在處理的圖像。

代碼中顯示的參數符合我們的示例。

要完成硬幣檢測示例，我們可以在控制台應用程序項目的主方法中添加以下代碼行並執行。

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

這是我們將用於測試的圖像。其中包括塞爾維亞硬幣:

最終的結果將是我們之前看到的圖像:

正如我們所看到的，在中間使用對應霍夫變換的白色圓圈標識，並被識別出來。

本系列的第一篇文章到此結束。在下一篇文章中，我們將對輸入到機器學習模型中的數據集進行預處理。

歡迎關注我的公眾號，如果你有喜歡的外文技術文章，可以通過公眾號留言推薦給我。