项目：opencv01（C# / .NET 8 / OpenCvSharp4） 仓库：https://github.com/keterforcpp/OpenCVLearn.git 本文件是整个学习工程的"教学契约"——任何 AI 或教程提供者接手时，按本文件执行。
-
学过 C/C++、；C# 普通水平（语法方面不是特别熟悉，特别是新特性）
-
偏好：代码简洁不过度复杂、注释详尽（中文）、理论必须结合可运行的演示代码
-
学习方式：每课一个可运行的 Program.cs，新代码覆盖旧代码，靠 git 历史回溯
-
学习风格：会主动追问底层原理（如"卷积为什么代表模糊""为什么叫求导"），喜欢数字实例和对照实验，不接受含糊其辞
-
代码结构：
-
单文件
Program.cs，顶部用注释块写明"第 X 课：标题 + 理论核心" -
分节编号（---------- 1. xxx ----------），每节先注释后代码
-
文件末尾附"本课小结"注释（5 条左右要点）
-
读取图片后必须有
src.Empty()健壮性检查 -
逐像素循环必须缓存
Height/Width到局部变量（P/Invoke 性能坑） -
编译尽量 0 警告 0 错误（
dotnet build --nologo -v q验证）
-
-
教学方式：
-
理论 → 手写实现（简单的原理如果实现过于复杂就不需要）（理解原理）→ 内置 API（工程用法）→ 对照实验，四段式
-
关键概念用具体数字举例（如像素值序列演示差分），不用抽象描述
-
每课设计 1~2 个"参数实验"（如 Canny 高低阈值对比），让学习者亲手感受调参
-
常见坑要显式指出（byte 溢出、BGR 顺序、new Mat 不清零、At 的 T 必须匹配 MatType 等）
-
老知识在新课中回收利用（如 Sobel 出现在 Canny 课），建立知识网络
-
-
Git 规范：
-
每课完成即提交，提交信息格式：
第X课教学：课程标题 -
推送由学习者本人操作（AI 只提交本地）
-
教学图片不上传（.gitignore 已配置 *.jpg 等），只上传 .cs/.csproj/.sln/.gitignore
-
| 课 | 主题 | 核心内容 | 提交 |
|---|---|---|---|
| 1 | 图像的本质——像素、通道与灰度化 | Mat 与像素访问 At<T>、BGR 通道、灰度化公式 0.299R+0.587G+0.114B、手写灰度化 vs CvtColor、byte 溢出截断 |
529af8d |
| 2 | 滤波与卷积 | 卷积=滑窗加权求和、手写 3x3 均值滤波、Blur/GaussianBlur、锐化核（负权重）、椒盐噪声实验（均值 vs 中值）、Filter2D 自定义核 | ecef642 |
| 3 | 边缘检测——梯度、Sobel 与 Canny | 手写水平/竖直差分、Sobel（差分×平滑的可分离设计）、Laplacian（二阶导/过零点）、手写过零点检测（符号翻转+幅度门槛30）、Canny 四步流水线（高斯/Sobel/NMS/双阈值滞后） | 352007e |
| 4 | 二值化与形态学操作 | 固定阈值 vs Otsu 自动阈值、结构元素、手写腐蚀、Erode/Dilate、开闭运算（开=去白噪点，闭=填黑洞）、形态学梯度（Dilate-Erode） | f0ab883 |
| 5 | 轮廓提取与物体计数 | 完整流水线：灰度→Otsu→开闭清理→FindContoursAsArray→面积过滤→计数；DrawContours/BoundingRect/PutText 可视化；BinaryInv 反转（目标为暗色时） | 4fc38e3 |
| 6 | 直方图与均衡化 | 手写计票直方图 vs CalcHist（上界 256 开区间）、直方图诊断（双峰→Otsu 可切，单峰/宽峰→必失败，第八课伏笔）、手写 CDF 重映射 + LUT vs EqualizeHist、均衡化后直方图"拉开而非平坦"、CLAHE 分块均衡 + clipLimit 限高（2.0 vs 6.0 参数实验） | d7bc488 |
| 7 | HSV 颜色空间与颜色分割 | BGR vs HSV（H 色相/S 饱和度/V 明度）、光照打击 V 不打击 H 的数字实例、手写 BGR→HSV 公式 vs CvtColor 对照、H 的 0~179 刻度坑与红色跨界两段 InRange + BitwiseOr、Cv2.InRange 三通道区间掩膜（手写对照验证）、S/V 门槛滤灰滤暗、mask 直接接第五课流水线计数、H 容差 ±10 vs ±30 参数实验 | 3cb84df |
| 8 | 自适应阈值与光照不均对策 | 人造乘性渐变光照图、全局 Otsu 失败现场（一刀切两端各错一次）、手写自适应阈值（积分图 O(1) 矩形和 + 邻域均值−C）vs AdaptiveThreshold(MeanC) 内部区域验证、GaussianC、blockSize 11/51/101 参数实验（小=碎、大=退化全局）、平场校正（大核模糊估光照→相除还原反射率→Otsu 复活）、GetArray/SetArray 整块像素搬运 | 91ecde3 |
| 9 | 距离变换与分水岭（粘连分割） | 合成粘连双圆图、老流水线计数=1 与腐蚀无解验证（第四课伏笔）、手写暴力距离变换（小图）vs DistanceTransform(L2) 对照、距离图=山峰/鞍部直觉、种子提取（相对阈值 maxDist×0.5）、markers 协议（0未知/1背景/≥2种子）与 DrawContours 填编号、Watershed 原地改写与边界-1、种子阈值 0.3/0.5/0.7 参数实验（种子质量=成败命门） | c942663 |
| 10 | 几何变换（缩放/旋转/仿射） | 反向映射思想（新图每格反问取色处→无洞无重叠）、仿射矩阵 2x3 统一平移/缩放/旋转与 WarpAffine、手写最近邻放大 vs Resize(Nearest) 验证、GetRotationMatrix2D、旋转扩画布（外接矩形+中心平移修正）、插值对比（最近邻锯齿 vs 双线性平滑）、二值图/标签图必须 Nearest（Linear 插出中间灰度污染 mask） | 0968357 |
| 11 | 霍夫变换（找直线与圆） | 参数空间投票思想（点共线→(θ,ρ)曲线共点→峰值=直线）、标准 HoughLines（无限长直线+垂足延伸画线）vs 概率 HoughLinesP（子集投票快+线段端点+minLineLength/maxLineGap）、手写"共线点ρ离散度扫描"验证投票心脏、HoughCircles（梯度定圆心再定半径的两步降维、minDist/param2 旋钮）、threshold 纯度-完整度权衡（同 Canny 双阈值族） | f98d1bf |
| 12 | 模板匹配基础 | 滑窗相似度=卷积近亲、结果图（相似度地图，峰值=模板位置）、手写 SQDIFF 暴力滑窗（缩小图）vs MatchTemplate 位置对照、三族方法对比（SqDiff 谷底/CCorr 怕亮/CCoeff 去均值最稳）、_NORMED 归一化跨图可比、CCoeffNormed 得分带（≥0.95 命中，第十四课 OK/NG 伏笔）、SubMat 视图须 Clone、MinMaxIdx 预分配数组坑 | 135e34b |
| 13 | 多目标定位与 NMS | 硬币图实战（yb.jpg+ybmb.png）、多尺度匹配（模板尺度不符时 0.5~1.5 逐档试）、贪心峰值提取（循环取最大→阈值判→邻域抹零）、手写纯数组 MinMaxIdx、IoU 交并比（交集/并集，目标检测通用货币）、标准 NMS 两段式（候选全收→按分降序→IoU>0.3 抑制）、MinMaxIdx 下标 [y,x] 与 Point(x,y) 相反的真 bug 修复（红绿双框自查定位）、阈值 0.5/0.65/0.8 纯度-完整度实验 | 7b409d6 |
| 14 | 模板匹配的边界与实战 | 得分=相关系数=去均值后夹角 cos 模型（线性调光 aI+b 免疫、反相=−1 负相关的数字验证）、半边阴影大跌（空间非线性，全局/局部分条乘法对照）、旋转双重伤害（画布黑角假伤+像素排布真伤）、圆形掩膜测纯旋转损伤（新版 OpenCV 才支持 CCoeffNormed+mask）、多角度模板库找回（来料歪 30° 得分 0.228→0.931）、首件良品裁标准模板、OK/NG 质检流水线（良品 1.0/划痕 0.868/反相 −0.22）、GATE 门槛=漏检-误杀旋钮（0.80 漏放/0.90 正确/0.97 严） | 7e285bd |
| 15 | 相机标定——教相机认识毫米（路线 D 开篇） | 针孔成像管线（世界点→R,t→÷Z→畸变→×K→像素，上一课 Proj 的逆运算）、fx=近大远小斜率/k1=边缘拉回量的数字实例、FindChessboardCorners+CornerSubPix 亚像素精化（平均修正 0.49px）、张正友标定法（平面棋盘 Z=0）、CalibrateCamera 盲猜参数、开卷对答案（fx 标出 799.74 vs 真值 800，误差 0.03%）、FixK3 的必要性（k3 与 k1/k2 强相关互相补偿漂移：不加 k1 标到 −0.21，加了回 −0.16）、重投影误差 RMS=官方考分（0.43px，54点×15图互相投票）、Undistort 畸变矫正（只去镜头畸变不改视角）+Absdiff 差值图=畸变场（中心暗边缘亮）、照片数量参数实验（N=1 正面照 fx 漂 5038/N=8 漂 5/N=15 归位，约束数量=钉死程度） | da1340d |
-
知识点：棋盘格标定、畸变矫正（去鱼眼）、像素→毫米换算、亚像素角点
-
素材模式：模拟相机"开卷考试"——
bin/Debug/net8.0/routeD_img/由已知参数的虚拟相机生成（15 张棋盘标定照 + object.png 测量工件照 + ground_truth.txt 真值：fx=800 cx=320 cy=240 k1=-0.15 k2=0.05，Z=400 测量平面，工件真值见第五节延伸讨论），标定/测量结果可与真值对比验证；生成脚本为一次性临时脚本未提交，素材丢失可按"第 15 课生成参数"重写（参数全部记录于 ground_truth.txt） -
已完成：第 15 课（针孔模型、CalibrateCamera、FixK3、重投影误差、Undistort）
-
待续：像素→毫米测量（object.png 的板长/孔径/孔距 vs 真值）、完整质检流水线（矫正→测量→判 OK/NG）
-
定位：真实测量（毫米而非像素）；搭"拍照→矫正→测量→判 OK/NG"完整质检流水线；与工业相机 FFC 话题衔接
-
回收：第十课几何变换（畸变矫正=逐像素重映射）、第十一课霍夫（找棋盘格角点）
-
知识点：Harris/FAST 角点、ORB 描述子、BF/FLANN 匹配、单应矩阵、全景拼接
-
定位：传统视觉经典；概念（局部特征/描述子/RANSAC）是现代视觉通用语汇；但金属件纹理贫乏是其死穴，工业实操面窄，价值偏思想开拓
-
回收：第三课梯度（角点=梯度方向剧变）、第十课几何变换（单应=透视矩阵实战）
-
知识点：
VideoCapture逐帧处理、帧差法运动检测、背景建模 MOG2、KCF 目标跟踪 -
定位：前十一课算法在"每 33ms 一帧"约束下重演；与学习者实时音频采集背景思路相通（实时流处理）
-
知识点：棋盘格标定、畸变矫正（去鱼眼）、像素→毫米换算、亚像素角点
-
定位：真实测量（毫米而非像素）；搭"拍照→矫正→测量→判 OK/NG"完整质检流水线；与工业相机 FFC 话题衔接
-
回收：第十课几何变换（畸变矫正=逐像素重映射）、第十一课霍夫（找棋盘格角点）
-
知识点：CNN 与第三课卷积的血脉联系、OpenCV DNN 模块加载 ONNX、跑 YOLO 目标检测推理
-
定位：手动调参 vs 学出来的核；只做推理门槛可控，深入需 Python 环境
-
回收：第三课伏笔（卷积核）、第五课 NMS（第十二课先修）
-
卷积是万能框架：模糊（加权求和）→ 锐化 → Sobel（差分×平滑）→ 形态学（取最值）→ CNN（机器学核）——每引入新算子都指出它在这个框架里的位置
-
宽类型计算、窄类型显示：8U 输入 → 16S/32F 中间运算 → ConvertScaleAbs 回 8U 显示，Sobel/Laplacian 均体现
-
线与面的双路线：边缘检测（第三课，产出线）vs 二值化+轮廓（第四五课，先有面再得线），在 FindContours 处会师——轮廓天然闭合，正是 Canny 追求的性质
-
相对阈值优于绝对阈值：面积过滤用"最大轮廓×5%"、Canny 双阈值比例 1:2~1:3
-
OpenCvSharp 特有的坑：P/Invoke 属性缓存、Mat 不清零（用 new Scalar(0) 打底）、At 类型必须匹配、saturate_cast 饱和转换（库内自动防溢出，手写循环需自理）
-
CNN 的卷积与传统卷积同源（第三课延伸讨论）→ 第十二课如走深度学习方向需回收
-
拉普拉斯过零点检测无官方 API，手写属正统做法（第三课）→ 第九课分水岭同为"手拼流水线"风格
-
全局二值化三大死穴：光照不均、粘连、阈值敏感（第五课实战发现）→ 第八、九课正面解决
-
TopHat/BlackHat 相减留差思想与 Gradient 同构（第四课延伸）→ 第九课距离变换峰值检测的伏笔
-
线性调光免疫/阴影大跌（第十四课 cos 模型实验）→ 路线 D 打光与相机 FFC 话题的衔接点
-
模拟相机"开卷考试"模式（第十五课）：素材由已知参数的虚拟相机生成，真值藏于 ground_truth.txt——标定/测量的精度可与真值对比验证，真实拍摄做不到；后续测量课回收 object.png 的工件真值（板长 100mm/孔径 ⌀10/孔距 60/圆片 ⌀50）