模板匹配定位 找圆找线卡尺ROI跟随 C# opencvsharp opencv 工具库 仿visionpro 模板匹配 找圆 找线 卡尺 九点 棋盘格 自定义控件库
最近在折腾工业视觉定位方案，发现用C#搭配OpenCVSharp搞视觉算法比想象中有意思。尤其是想模仿VisionPro的工作流，自己折腾控件库的时候，总能在代码里找到些邪道玩法。
模板匹配这玩意，核心就三句话：
using Mat result = new Mat(); Cv2.MatchTemplate(srcMat, templateMat, result, TemplateMatchModes.CcoeffNormed); Cv2.MinMaxLoc(result, out _, out double maxVal, out _, out Point maxLoc);但实战时有个坑——目标尺寸变化超3%匹配率就崩。后来改成金字塔下采样循环匹配，效果居然比官方demo还稳。记得normalize参数别用默认值，对比度低的图会抽风。
找圆这事真能逼疯强迫症。HoughCircles的参数组合试了二十多组：
var circles = Cv2.HoughCircles(edgeMat, HoughMethods.Gradient, 1.2, //千万别用1.0，像素步长会丢边界 30, 100, //高阈值卡边缘 35, //累加器阈值，调小能找更多假圆 10, 40); //半径范围锁死省得误判最后发现把Canny阈值动态绑定到图像灰度方差才是正解。遇到椭圆别慌，用FitEllipse配合ROI裁剪，比硬怼Hough省心。
卡尺工具的ROI跟随才是精髓。举个找边缘点的例子：
//生成卡尺测量线 var measureLine = new List<Point>(); for(int i=0; i<20; i++){ var pt = new Point(startX + i*step, startY + i*deviation); measureLine.Add(pt); } //在测量线上做边缘检测 var gradients = new List<double>(); foreach(var pt in measureLine){ var roi = new Rect(pt.X-2, pt.Y-2, 5, 5); using var subMat = srcMat[roi]; gradients.Add(subMat.Mean().ToDouble()); } //找最大梯度点 var maxIndex = gradients.IndexOf(gradients.Max());这里藏了个骚操作——用5x5区域均值代替单像素值抗噪，实测比高斯滤波更保边缘锐度。
做自定义控件库时踩过最大的坑是GDI+和OpenCV的坐标系偏差。后来强行给所有绘制加了0.5f的偏移：
graphics.TranslateTransform(0.5f, 0.5f); //解决像素对齐模糊问题瞬间治好了边缘绘制发虚的毛病。控件拖拽用WPF的Thumb太笨重，最后用PictureBox+Mouse事件硬撸了个支持旋转缩放的ROI控件，带贝塞尔曲线手柄的那种。
九点标定千万别用传统最小二乘，遇到非线性畸变直接跪。改成RANSAC加多项式拟合，标定残差能从3像素压到0.5以内。棋盘格检测建议用FindChessboardCornersSB（注意是带SB的后缀），比旧版算法快三倍还不容易翻车。
最近在尝试把算法封装成NuGet包，发现用Source Generator自动生成参数面板比反射快10倍。比如：
[AlgorithmParam(Min=0, Max=255)] public int Threshold { get; set; } = 120;这样就能在UI层自动渲染出带滑动条的参数控件，算是造轮子时的小确幸吧。
