基于OpenCvSharp的全景拼接与HSV颜色提取实战解析

简介本资源是一套基于C# WinForm与OpenCVSharp实现的图像处理实战项目面向具备基础C#编程能力及图像处理兴趣的开发者聚焦全景图拼接、黑边消除、水印去除、RGB-HSV色彩空间转换与HSV阈值区域提取等核心任务。资源包共122个文件包含15个核心C#源码文件含主窗体逻辑与算法封装、25个OpenCVSharp相关DLL库、10张测试用JPG图像、8个资源文件及VS编译缓存文件整体大小为146.69MB结构完整可直接编译运行。已有2275人学习下载项目代码组织清晰涵盖从特征匹配拼接、透视变换裁剪去黑边、Inpaint修复去水印到HSV空间颜色分割的全流程实现配套工程文件.sln/.csproj与NuGet依赖配置packages.config齐全便于快速复现与二次开发。 做图像处理的朋友应该都有这种体验真正复杂的不一定是算法本身而是从一张原始图到最终可用结果之间那一长串的“脏活累活”。我这次处理的项目就非常典型——用C#和OpenCvSharp做全景图拼接拼完之后要去黑边、去水印中间还要用RGB转HSV做颜色分析再根据HSV阈值把特定目标区域抠出来。这整套流程串下来基本上把OpenCvSharp在工业视觉和图像处理里最常用的几个模块都过了一遍。这篇文章就把整个项目从思路到代码、从参数调到坑位排查完整整理出来给准备做类似需求的朋友一个可以直接参考的路线。先说清楚这个项目能干什么给一套连续拍摄、带有重叠区域的照片序列自动拼成一张宽幅全景图然后把拼接产生的黑边裁掉把图上叠加的水印文字清理掉再根据目标的颜色特征在HSV空间里把特定区域提取出来。这个流程在很多场景下都通用——无人机航拍拼图、证件扫描件拼接、工业产品外观检测、色块定位这类需求都能用同一套思路。文章适合正在用C#做图像处理、对OpenCvSharp有一定了解但还不太熟悉完整图像处理管线的开发者。1. 项目整体设计与思路拆解1.1 核心需求解析这个项目表面上看起来是五个独立的小功能——拼接、去黑边、去水印、RGB转HSV、区域提取但它们是串在一条完整的图像处理流水线里的顺序不能乱。第一步是全景拼接。不管你是用什么方式拍的一组图先得把多张图合成一张完整的全景图。这一步的输出结果里一定会带上黑边因为OpenCvSharp的Stitcher模块在做拼接时默认输出的是一张能容纳所有变形后图像的矩形画布而图像内容本身是不规则形状的画布上没被内容覆盖的地方就是纯黑色区域。第二步是去黑边。黑边存在意味着图像内容周围的像素值是0这会对后续处理造成干扰尤其是做颜色提取的时候黑色区域可能会被误判成目标区域。所以必须在拼接完成后马上处理掉。第三步是去水印。水印一般是后期叠加在图像上的半透明文字或logo它会污染目标区域的HSV值导致提取区域时把水印内容也包含进去。去水印其实是图像修复inpainting的活不是简单裁剪。第四步是RGB转HSV。为什么要转因为RGB空间里颜色受光照影响太大同一个目标在不同亮度下RGB值差别很大而HSV把色调H、饱和度S、明度V分开其中H通道对光照变化相对不敏感。第五步是根据HSV获取区域。把HSV转换后的图像做阈值分割再用轮廓分析把目标区域框出来或者提取成mask。这一步是整条流水线的最终目的。这个顺序是有讲究的拼接和去黑边解决的是“图像内容怎么组织”的问题去水印解决的是“图像污染怎么清除”的问题颜色转换和区域提取解决的是“目标怎么定位”的问题。跳步去做或者顺序颠倒都会导致后面的步骤输入数据不干净最后拿到错误的区域结果。1.2 技术选型与方案对比C#环境下做图像处理可选方案其实不少OpenCvSharp、Emgu CV、AForge.NET、ImageSharp等。我这次选OpenCvSharp是经过对比的。Emgu CV是把OpenCV的C接口包了一层.NET封装功能很全但类型系统和OpenCV原生风格差异比较大而且API设计偏老派写起来总觉得不够顺手。AForge.NET在图像处理基础功能上能用但特征匹配、拼接这类高级功能几乎等于没有维护状态也比较停滞。ImageSharp是纯托管实现部署方便但很多算法性能比不上OpenCV的原生C实现。OpenCvSharp则是对OpenCV原生C接口做了几乎一比一的C#映射——类名、方法名、参数顺序都和C版本保持一致。这意味着什么意味着你在网上搜到的OpenCV C代码几乎可以平移成C#代码。这个优势在拼接、特征提取这类复杂算法上特别明显因为现成的资料多、案例多遇到问题也容易查。另一个很实际的原因OpenCvSharp底层直接调用OpenCV的原生库性能损耗极小。全景拼接这种计算量很大的操作如果用纯托管库做速度会慢到让你怀疑人生。而OpenCvSharp在release模式下跑拼接速度基本和C版本持平。1.3 全景拼接的技术原理OpenCvSharp的Stitcher模块封装了完整全景拼接流程核心是特征点检测和匹配。先对每张输入图像检测特征点默认用SIFT也可以选ORB然后匹配相邻图像的特征点对用RANSAC算法求出一个单应性矩阵Homography也就是两张图像之间的几何变换关系。接着根据这些变换关系把所有图像投影到一个公共坐标系里最后做融合blending和曝光补偿。这一整套流程在OpenCvSharp里可能只需要几行代码就能跑起来但要想结果可接受有几个前提条件必须满足相邻图像之间需要有足够的重叠区域建议30%以上否则特征点匹配数量不够拼接会直接失败输入图像最好是同相机、同焦距拍摄的如果焦距变化太大单应性矩阵模型就不够用了图像顺序最好是从左到右或者从上到下依次拍摄不要跳着拍否则拼接顺序会乱。2. 核心细节解析与实操要点2.1 拼接参数与特征选择的取舍Stitcher的API看起来简单真正的门道都在参数里。OpenCvSharp的Stitcher类有几个关键配置点需要仔细调。第一个是拼接模式。Stitcher.Mode.Scans适合平面扫描的图片序列比如扫描仪输出、手机全景模式拍的照片Stitcher.Mode.Panorama适合更一般的全景场景允许较大的视角变化。我这次处理的图像是近似平面拍摄的场景类似一组从左往右平移拍摄的照片选的是Panorama模式因为它的鲁棒性更好不太容易在特征点匹配时因为图像比例变化而失败。第二个是特征检测器的选择。Stitcher默认使用ORB特征但ORB对尺度变化和视角变化的鲁棒性不如SIFT。处理航拍图、全景图这类对精度要求高的场景建议显式指定特征检测器。OpenCvSharp里设置方式是通过Stitcher.SetFeaturesFinder传入一个FeaturesFinder实例。SIFT在OpenCvSharp里对应SIFT类如果运行在OpenCV 4.4之后版本SIFT已经移到了xfeatures2d模块需要额外引用OpenCvSharp.WpfExtensions或者确认你用的OpenCvSharp版本里SIFT是否可用。实际测试下来ORB在重叠区域大、图像纹理丰富的场景下速度确实快很多但遇到纹理稀疏的区域比如大片天空、白墙匹配质量下降明显。SIFT虽然慢一些但纹理稀疏场景下多出来的特征点数量很可观能明显减少拼接失败的概率。第三个是融合方式。OpenCvSharp的Stitcher自动处理融合但拼接缝明显时可以手动调整融合参数或者在拼接完成后用多频段融合MultiBandBlender重新处理接缝区域。不过多频段融合写起来比较繁琐需要自己建Pyramid实际项目中我通常是先跑默认拼接看接缝情况再决定要不要上。2.2 去除黑边的阈值法与轮廓法拼接完成后的黑边处理业界最常用的有两类阈值法和轮廓法。阈值法的思路是把拼接结果转成灰度图然后找到所有非黑区域的边界。具体做法是先用Cv2.Threshold把图像二值化像素值大于某个阈值比如10的设为255小于的设为0。之后在这个二值图上找最大外接矩形用这个矩形去裁剪原图。这种方法适合黑边是规则矩形或半规则矩形的情况——比如拼接时图像内容整体在画布中间周围一圈是黑的。轮廓法的思路更通用先找到所有非黑色区域的轮廓然后取所有轮廓的最小外接矩形或最大轮廓的外接矩形作为裁剪区域。Cv2.FindContours配合Cv2.BoundingRect就能实现。如果图像内容里被分割成了多个不相连的区域比如两张图拼接后中间的物体断开了就需要把所有轮廓合并起来取外包矩形。我这边的实际体会是如果只是简单拼图阈值法就够用了代码也简单但如果你对拼接结果做过旋转、透视变换比如矫正了俯仰角内容区域会变成不规则的四边形这时候再用阈值法去取外接矩形很容易把黑色的角落也包进结果里必须用轮廓法或者更进一步用Cv2.MinAreaRect取旋转外接矩形。另外阈值阈值别设太高设成1~10之间就行因为拼接融合后的边缘像素值不是严格的0而是接近0的暗色值阈值太大会把内容边缘也裁掉。2.3 去除水印修复还是裁剪去除水印有两个完全不同的思路。如果水印在图像边缘而且不影响主体内容最省事的办法就是裁剪把水印区域直接切掉。这个方案简单粗暴但会损失画面内容不适合对完整性要求高的影像资料。如果水印叠加在图像中间或者覆盖了关键区域就得用图像修复Inpainting技术。OpenCvSharp里提供了Cv2.Inpaint方法原理是根据水印周围的像素信息用Telea算法或Navier-Stokes算法把水印区域的内容“填补”出来。Inpaint的输入是一张原图加一张mask图mask里水印区域是白色255其他区域是黑色0。输出就是去除水印后的图像。Inpaint的效果取决于水印区域的大小和周围纹理的复杂度。水印越小、周围纹理越简单修复效果越好水印要是覆盖了大面积复杂纹理修复出来的区域就会糊成一片。所以去水印要尽早做最好在拼接和去黑边之后、颜色提取之前这样水印对HSV直方图分析的干扰最小。mask怎么生成如果水印是固定位置、固定颜色比如右下角的半透明白色文字可以用阈值分割先提取出来。但水印往往是半透明的和背景融合在一起用阈值直接提取经常会提取出一大片误检区域。更可靠的做法是如果有两张不同时间拍摄的同一场景图一张有水印一张无水印可以用图像差分得到精确的水印mask。做产品原型时这种方式最实用。2.4 RGB与HSV为什么从RGB转到HSVRGB空间里一个像素的颜色由红、绿、蓝三个通道的强度共同决定这三个通道对光照变化极其敏感。同一个红色物体在阳光下和阴影里拍出来的RGB值可能差好几倍。但HSV空间不一样它把颜色描述拆成三个独立的维度HHue色调表示颜色种类取值范围0~180OpenCV里或0~360其他库红色大约在0附近绿色在60附近蓝色在120附近。SSaturation饱和度表示颜色的鲜艳程度0是灰色255是纯色。VValue明度表示亮度0是黑色255是白色。在HSV空间里做颜色提取核心是只依赖H通道来确定目标颜色的种类S和V只用来排除太暗、太灰的干扰区域。这比在RGB里同时约束三个通道的阈值要直观得多而且对光照变化的容忍度更高。具体到OpenCvSharp的转换方式Cv2.CvtColor(src, dst, ColorConversionCodes.BGR2HSV)。注意这里输入是BGR不是RGB因为OpenCV默认图像格式是BGR。如果你用Cv2.ImRead读图片读进来就是BGR顺序如果你用Bitmap转过来的Mat最好先确认通道顺序否则转HSV后颜色会全部错位。HSV在OpenCvSharp里的存储格式是H、S、V三个通道共用一个三通道Mat类型是CV_8UC3H的取值范围被压缩到0~180。比如纯红色的H在RGB里是0度在OpenCV的HSV里就是0或180附近绿色的H在120度在OpenCV里就是60。做阈值范围时一定要记住这个压缩规则。2.5 根据HSV获取目标区域有了HSV转换后的图像提取某个区域的核心就是阈值加轮廓分析。先用Cv2.InRange根据目标颜色的H、S、V范围生成一张二值mask在范围内的像素设为255不在范围内的设为0。这一步是把“颜色筛选”变成“区域定位”的关键。生成的mask通常会有噪声——一些零散的小区域会被误判为目标或者目标区域内部有小孔。这时需要用形态学操作处理Cv2.Erode和Cv2.Dilate或者直接Cv2.MorphologyEx用MORPH_OPEN、MORPH_CLOSE操作。先开运算先腐蚀后膨胀去掉小噪声点再闭运算先膨胀后腐蚀填充目标内部的小孔。处理完的mask再用Cv2.FindContours找轮廓然后对轮廓做筛选。筛选条件一般有三个轮廓面积大于某个阈值过滤噪声、外接矩形的宽高比符合目标特征比如长度比宽度大可能是一个条形色块、轮廓的圆度或凸度符合目标形状。最后用Cv2.BoundingRect获取目标区域的外接矩形或者用Cv2.MinAreaRect获取旋转矩形。这五个步骤——转换、阈值、形态学、找轮廓、筛选矩形——是OpenCvSharp做颜色定位的通用套路应用范围非常广从色块分拣到仪表盘指针识别都能用。3. 实操过程与核心环节实现3.1 环境准备与依赖安装我的开发环境是Visual Studio 2022 .NET 6.0使用OpenCvSharp4和OpenCvSharp4.runtime.win这两个NuGet包。OpenCvSharp4是核心库OpenCvSharp4.runtime.win包含Windows下的原生运行库。缺了runtime包代码能编译但运行会报DllNotFoundException。Install-Package OpenCvSharp4 Install-Package OpenCvSharp4.runtime.win注意如果项目目标平台是x64记得把解决方案平台设为x64因为OpenCV原生库没有x86版本或者x86版本不完整用AnyCPU跑高分辨率拼接时容易出莫名其妙的内存错误。我一开始用AnyCPU编译跑拼接时遇到过AccessViolationException改成x64后问题消失。这个问题非常隐蔽排查起来很费时间建议在一开始就配好。3.2 全景拼接与去黑边完整实现拼接的代码在OpenCvSharp里非常简洁using OpenCvSharp; Mat[] images LoadImages(imagePaths); // 加载所有待拼接图像 Stitcher stitcher Stitcher.Create(Stitcher.Mode.Panorama); Mat pano new Mat(); Stitcher.Status status stitcher.Stitch(images, pano); if (status ! Stitcher.Status.OK) { throw new Exception(拼接失败状态码: status); } // 保存拼接原始结果 Cv2.ImWrite(pano_raw.png, pano);这个Stitch方法内部已经处理了特征点检测、匹配、变换、融合整个流程封装得很干净。但如果默认参数拼接失败通常是因为特征点匹配质量不够。这时可以改用SIFT特征并调整参数using OpenCvSharp.Features2D; using OpenCvSharp.XFeatures2D; // 创建SIFT特征检测器并设置到Stitcher中 using var sift SIFT.Create(400); // 400表示最大特征点数量 stitcher.SetFeaturesFinder(sift); Stitcher.Status status stitcher.Stitch(images, pano);注意SIFT在OpenCvSharp4中位于OpenCvSharp.XFeatures2D命名空间如果你的OpenCvSharp版本较新4.5.x以后SIFT已经被移入主模块OpenCvSharp.Features2D两种命名空间都要试一下编译不过就换一个引用。拼接结果pano是一个包含黑边的矩形Mat。接下来去黑边// 将全景图转灰度 Mat gray new Mat(); Cv2.CvtColor(pano, gray, ColorConversionCodes.BGR2GRAY); // 二值化像素值大于5认为是有效内容 Mat mask new Mat(); Cv2.Threshold(gray, mask, 5, 255, ThresholdTypes.Binary); // 找到有效内容区域的外接矩形 Rect cropRect Cv2.BoundingRect(mask); // 裁剪 Mat cropped new Mat(pano, cropRect); Cv2.ImWrite(pano_cropped.png, cropped);这段代码的精髓在于Cv2.BoundingRect(mask)会遍历整个二值图返回所有非零像素的最小外接矩形。因为mask里黑色区域是0、有效内容是255所以BoundingRect能直接把黑边排除在矩形外。不过我只用一次BoundingRect的话如果矩形内部还有小块的黑色空洞比如拼接融合时造成的暗区这些区域不会被处理。严谨的做法是基于刚才的二值mask用Cv2.FindContours找到所有轮廓再把所有轮廓的矩形合并成一个总的矩形。这样即使内容被分割成多个连通区也能正确框住整体范围。Cv2.FindContours(mask, out Point[][] contours, out HierarchyIndex[] hierarchy, RetrievalModes.External, ContourApproximationModes.ApproxSimple); Rect totalRect Rect.Empty; foreach (var contour in contours) { Rect r Cv2.BoundingRect(contour); if (totalRect Rect.Empty) totalRect r; else totalRect | r; // 矩形合并 } Mat cropped new Mat(pano, totalRect);在C#里这行totalRect | r是OpenCvSharp内置的矩形合并运算符会把两个矩形扩充成同时包含两者的最小矩形。实际用下来效果很稳。3.3 去水印的Inpaint实现去掉黑边之后水印如果还在关键区域就要用Inpaint。先构造水印区域的mask然后调用Inpaintusing OpenCvSharp; Mat src Cv2.ImRead(pano_cropped.png, ImreadModes.Color); Mat mask new Mat(src.Size(), MatType.CV_8UC1, Scalar.All(0)); // 如果水印是固定位置的文字直接在mask中填充该区域 // 这里假设水印在图片右下角200x50的区域内 Rect watermarkRect new Rect(src.Width - 200, src.Height - 50, 200, 50); mask.Rectangle(watermarkRect, new Scalar(255), -1); Mat result new Mat(); Cv2.Inpaint(src, mask, result, 3, InpaintMethod.Telea); Cv2.ImWrite(pano_deduplicated.png, result);Cv2.Inpaint的第三个参数是修复半径一般取3~5半径太小修复区域会露出痕迹太大会把细节模糊掉。InpaintMethod.Telea用的是快速行进法速度较快适合大多数场景NavierStokes方法对大面积修复效果更好但速度慢处理高分辨率图像时等待时间很长。大多数情况下Telea足够了。水印mask的获取这次项目里我采了一个高效方案如果手里有两张同一机位、目标同一但不是同一时刻拍摄的图先对齐用Cv2.FindTransformECC或者特征点配准然后做差分差分超过阈值的区域就是水印区域。但因为全景图拼接后的图像是transform过的直接对全景图做差分不太准更好的方式是在水印叠加前的那一步就去掉。也就是说去水印整体上还是“尽早做”的原则在原始单张图像上做再拼接效果比拼接后再去水印好得多。这一点是这次项目最值得记下来的经验。3.4 RGB转HSV与区域提取最后一步是颜色提取这是整条流水线的最终产出。Mat src Cv2.ImRead(pano_deduplicated.png, ImreadModes.Color); // BGR转HSV Mat hsv new Mat(); Cv2.CvtColor(src, hsv, ColorConversionCodes.BGR2HSV); // 目标颜色阈值范围红色示例OpenCV的H范围0~180 Scalar lower new Scalar(0, 100, 100); Scalar upper new Scalar(10, 255, 255); Mat mask new Mat(); Cv2.InRange(hsv, lower, upper, mask); // 形态学去噪 Mat kernel Cv2.GetStructuringElement(MorphShapes.Rect, new Size(5, 5)); Cv2.MorphologyEx(mask, mask, MorphTypes.Open, kernel); Cv2.MorphologyEx(mask, mask, MorphTypes.Close, kernel); // 找轮廓 Cv2.FindContours(mask, out Point[][] contours, out HierarchyIndex[] hierarchy, RetrievalModes.External, ContourApproximationModes.ApproxSimple); foreach (var contour in contours) { double area Cv2.ContourArea(contour); if (area 500) continue; // 过滤小面积噪声 Rect rect Cv2.BoundingRect(contour); Cv2.Rectangle(src, rect, new Scalar(0, 0, 255), 2); } Cv2.ImWrite(result_with_boxes.png, src);这里要注意红色的H范围是个特例因为红色在HSV色环上是0度和180度交汇的想提取所有红色区域需要用两个范围——一个在0~10一个在170~180分别生成mask再合并Mat lowerMask new Mat(); Mat upperMask new Mat(); Cv2.InRange(hsv, new Scalar(0, 100, 100), new Scalar(10, 255, 255), lowerMask); Cv2.InRange(hsv, new Scalar(170, 100, 100), new Scalar(180, 255, 255), upperMask); Mat mask new Mat(); Cv2.BitwiseOr(lowerMask, upperMask, mask);这个坑如果不提前知道做红色目标提取的时候一定会漏掉很大一部分。S和V阈值对提取结果影响也很大。S太低会把灰色、白色区域也包含进来V太低会把暗部阴影区包含进来。这些值没有标准答案需要根据实际图像的亮度、饱和度和目标颜色准确调试。建议在调试阶段用Cv2.CreateTrackbar做一个简单的滑块窗口实时调S、V阈值并观察mask变化比一遍遍改代码重新编译高效得多。4. 常见问题与排查技巧实录4.1 问题速查表实际操作中踩坑的地方很多整理成表格更方便排查现象可能原因解决方案Stitch返回ERR_NEED_MORE_IMGS输入图像重叠区域太小或特征点匹配太少增加重叠区域改用SIFT特征降低conf_thresh拼接结果有明显的拼接缝融合参数不佳或曝光差异过大用MultiBandBlender做多频段融合或先做直方图匹配BoundingRect裁剪结果包含黑边二值化阈值太高把暗色内容也变成0将阈值从5降到1~3检查内容区域是否有暗色边缘Inpaint后水印区域有明显模糊修复半径太大或mask边界太粗糙缩减inpaint半径对mask做高斯模糊或膨胀让边界过渡更自然HSV提取到的区域颜色不对通道顺序搞错把RGB当BGR输入确认Mat的通道顺序必要时调用Cv2.CvtColor前先Cv2.CvtColor转成BGR红色目标总是提取不全忽略了H0和H180的环形重叠用两个InRange合并maskFindContours后矩形框特别多形态学去噪不够或小面积过滤阈值太低增加开运算核尺寸调高面积过滤阈值拼接速度非常慢图像分辨率太高特征点过多先用Cv2.Resize缩小图像到合理尺寸拼接完成后再放大全景图边缘出现重影特征点匹配有误匹配尝试提高RANSAC置信度或换用更严格的匹配器4.2 独家避坑经验第一个经验是关于Stitch失败后的降级方案。OpenCvSharp的Stitcher虽然封装很好但遇到输入图像类型差异大比如明暗对比强烈、一张过曝一张过暗时经常返回失败。我的做法是预先把所有图像做一次直方图均衡化或者用Cv2.Normalize把亮度统一到相近范围。很多看似是拼接算法不行的情况其实是输入图像质量不行。第二个经验是内存管理。OpenCvSharp的Mat对象是原生内存的托管包装虽然实现了IDisposable但GC回收不及时会导致原生内存一直占着。全景拼接动辄处理几十MB甚至上百MB的图像MemoryUsage很容易爆。我建议用using语句包裹大的Mat对象或者在高消耗片段后主动调用GC.Collect()。虽然这在业界有争议但图像处理这种峰值内存很高的场景主动回收比放任GC更稳。第三个经验是图像尺寸。全景图拼接之后分辨率通常非常高直接对全尺寸图做HSV提取和轮廓分析速度慢、内存占用大。我习惯先缩小到宽度2000像素左右做轮廓分析拿到矩形坐标后再映射回全尺寸图。比例换算很简单scale originalWidth / resizedWidth所有坐标乘以scale就行。实测下来速度能提升三倍以上而且对最终定位精度几乎没有影响。第四个经验是去水印和拼接的先后顺序。最初我按“拼接→去黑边→去水印”的顺序做发现Inpaint对拼接后的图像效果很差因为拼接融合处理已经改变了水印区域的原始像素Inpaint算法很难正确还原。后来改成“单张图像去水印→拼接→去黑边”效果立竿见影。这个调换顺序的思路值得记住图像修复和融合这类操作尽量在几何变换之前做因为变换会破坏原始像素的空间关系。第五个经验是调试辅助可视化。我的代码里会保留多个中间结果的保存和输出比如保存拼接原始图含黑边、去黑边后的图、水印mask、HSV提取的mask等。调试阶段这些中间图比任何日志都有用。我一般会生成一个调试文件夹把每个阶段的结果全部输出定位问题的时候直接看图效率高得多。结尾做完整套流程之后我最大的感受是OpenCvSharp和OpenCV一样解决问题的能力很强但参数和顺序的敏感度也极高。很多Bug不是算法选错了而是顺序错了、类型搞混了或者阈值不合理。全景拼接这种多步骤的管线每一步输出质量都会影响下一步所以一定要在纸面上先画清楚流程明确每一步的输入输出格式再进行代码实现。另外HSV相关的代码强烈建议把所有阈值都提升为可配置的参数最好放配置文件里不要写死。我这次项目里红色区域的H、S、V阈值从调试到最终上线调了不下十次每次都是因为换了光照环境或者换了相机。如果写死在代码里每次都得改代码重新编译效率低还容易出错。最后再分享一个实操技巧OpenCvSharp的项目建议同时引入OpenCvSharp.Extensions这个包它能提供Bitmap和Mat之间的高效互转。你在WinForms或者WPF里做图像预览时只需要BitmapConverter.ToBitmap(mat)就能显示调试体验会好很多。这个包很小功能很实用算是C#图像处理开发的必备组件。本文还有配套的精品资源点击获取