简介这是一份面向C#开发者与计算机视觉初学者的图像识别软件源代码聚焦桌面端图像处理与文字识别OCR的完整实现适合用于课程设计、技术研究或二次开发练手。压缩包共26个文件约792KB以6个cs源码文件为核心辅以sln解决方案、csproj工程文件、resx与resources资源文件、dll与exe可执行程序、pdb调试符号及manifest清单等覆盖从工程配置到编译运行的完整链路。源代码围绕GDI与Windows Forms展开涉及Bitmap图像加载与显示、DrawImage缩放、鼠标事件驱动的选区操作并集成OCR文字识别、事件驱动编程、异常处理及MVC等设计模式注释与结构具备一定参考价值。目前已有618人学习下载读者可借此掌握C#图像处理与识别技术的落地思路理解桌面图像软件的模块划分与调试方法对提升实战能力与开发同类项目具有实际帮助。1. 从一张模糊的零件照片说起这套 C# 图形图像识别源码能帮你省下多少造轮子的时间产线上摄像头拍回来一张金属零件图光照不均、边缘发虚你要在 200 毫秒内判断它有没有缺角、孔位偏没偏。这种活儿用 Python 搭原型很快但真要塞进工控机、跟 PLC 和 MES 对接、打包成一个双击就能跑的桌面程序很多团队最后还是绕回 C#。我手上这份 C# 图形图像识别软件源代码就是冲着这个场景来的它把图像采集、预处理、特征提取、模板匹配、结果判定和界面展示串成了一条完整链路不是那种只丢一个算法函数的 Demo。适合两类人一类是刚接触机器视觉、想找一个能编译能跑、能改参数的完整工程练手的新手另一类是手里有 .NET 桌面项目、需要把图像识别模块嵌进去的熟手。下面我按自己拆包的顺序把它从目录结构到核心代码再到二次开发讲一遍。2. 工程结构与技术选型一个 WinForms 壳子下面藏了哪些模块2.1 目录分层与职责划分拿到源码包我第一件事是看目录怎么分的。这份工程是典型的 .NET 桌面项目结构用 Visual Studio 打开 .sln 之后大致能看到这么几层ImageRecognition.sln ├── ImageRecognition.UI/ # WinForms 主界面负责交互和结果显示 │ ├── Forms/ │ │ ├── MainForm.cs # 主窗体图像加载、按钮事件 │ │ └── ParamForm.cs # 参数调节面板 │ └── Controls/ │ └── ImageViewer.cs # 自定义图像显示控件支持缩放和框选 ├── ImageRecognition.Core/ # 核心算法库不依赖界面 │ ├── Preprocess/ │ │ ├── GrayTransform.cs # 灰度化、直方图均衡 │ │ └── Filter.cs # 高斯、中值、均值滤波 │ ├── Feature/ │ │ ├── EdgeDetect.cs # Sobel、Canny 边缘 │ │ └── ContourFinder.cs # 轮廓提取与筛选 │ ├── Match/ │ │ └── TemplateMatch.cs # 模板匹配与相似度计算 │ └── Utils/ │ └── BitmapHelper.cs # Bitmap 与 byte[] 互转 ├── ImageRecognition.Tests/ # 单元测试验证算法输出 └── samples/ # 示例图片方便直接跑这个分层的好处是 Core 层完全不引用 System.Windows.Forms你把它单独抽出来做成类库塞进 WPF、控制台甚至 ASP.NET 后台服务都行。我见过不少新手把算法和按钮事件写在一个 Form 里改一个阈值要重新编译整个界面这份代码至少在结构上避开了这个坑。2.2 技术栈与依赖核心依赖就两块一是 .NET Framework常见做法是 4.7.2 或 4.8工控机上兼容性好二是 System.Drawing.Common用来做 Bitmap 的像素级操作。没有引入 OpenCVSharp 这类重型库好处是部署时不用带一堆 native dll坏处是某些复杂算法得自己写。对于学习图像识别原理来说这反而是优点——你能看到每个像素是怎么被处理的而不是调一个Cv2.Canny()就完事。提示如果你打算在 .NET 6/8 上跑System.Drawing.Common 在非 Windows 平台有限制Windows 上没问题但建议把 Core 层逐步迁移到 ImageSharp 或 OpenCVSharp后面二次开发那章会讲怎么过渡。2.3 从加载图片到出结果的主流程主流程在 MainForm 里体现得最清楚我把它简化成一条链路// MainForm.cs 中的核心处理流程简化 private void btnProcess_Click(object sender, EventArgs e) { // 1. 从文件加载原始图像 Bitmap src new Bitmap(txtImagePath.Text); // 2. 预处理灰度化 高斯滤波去噪 Bitmap gray GrayTransform.ToGray(src); Bitmap denoised Filter.GaussianBlur(gray, 3, 1.5); // 3. 边缘检测得到二值边缘图 Bitmap edges EdgeDetect.Sobel(denoised, 80); // 4. 轮廓提取筛选出面积在合理范围内的区域 var contours ContourFinder.Find(edges, minArea: 200, maxArea: 50000); // 5. 对每个轮廓做模板匹配计算相似度 double bestScore 0; foreach (var c in contours) { double score TemplateMatch.Compare(denoised, c.BoundingBox, template); bestScore Math.Max(bestScore, score); } // 6. 根据阈值判定 OK / NG并刷新界面 bool isOk bestScore numThreshold.Value; lblResult.Text isOk ? OK : NG; imageViewer.SetImage(edges); // 显示边缘图方便调试 }这段代码的价值在于它把「预处理 → 特征 → 匹配 → 判定」四步显式拆开了。参数说明GaussianBlur的第二个参数是核大小必须是奇数3 表示 3x3 核第三个参数是标准差1.5 适合一般工业图像。Sobel的第二个参数是阈值80 是我在示例图上试出来的经验值太低会引入噪声边缘太高会丢弱边缘。Find的 minArea/maxArea 用来过滤掉灰尘点和整幅图的大边框这两个值要根据你的实际分辨率调。2.4 界面与算法的解耦方式MainForm 只负责拿路径、调 Core 层方法、把结果画到 ImageViewer 上不包含任何像素运算。ParamForm 里放了一组 NumericUpDown 控件对应滤波核大小、边缘阈值、匹配阈值这些参数改完点应用就重新跑一遍。这种「参数外置」的做法在调参阶段特别省事不用每次改代码重编译。我一般还会把当前参数存成 XML 或 JSON下次打开自动加载这份源码里预留了 SaveConfig/LoadConfig 的空方法二次开发时补上就行。3. 核心算法模块拆解灰度、滤波、边缘、匹配四段代码逐行看3.1 灰度化与直方图均衡彩色转灰度是识别的第一步常见做法是按人眼敏感度加权// GrayTransform.cs public static Bitmap ToGray(Bitmap src) { Bitmap dst new Bitmap(src.Width, src.Height); for (int y 0; y src.Height; y) { for (int x 0; x src.Width; x) { Color c src.GetPixel(x, y); // 加权公式人眼对绿色最敏感红色次之蓝色最弱 int gray (int)(0.299 * c.R 0.587 * c.G 0.114 * c.B); dst.SetPixel(x, y, Color.FromArgb(gray, gray, gray)); } } return dst; }逻辑说明0.299/0.587/0.114 是 ITU-R BT.601 标准权重比简单取平均更符合视觉感知。参数方面没有可调的但要注意GetPixel/SetPixel在 4K 图上会慢得让你怀疑人生常见优化是改用LockBits拿到内存指针批量处理速度能差一个数量级。这份源码在 Utils/BitmapHelper.cs 里提供了 LockBits 版本主流程为了可读性用了 GetPixel你二次开发时换成 LockBits 版本即可。直方图均衡用来对付光照不均核心是统计每个灰度级的累计分布然后做映射。代码稍长思路是先遍历一遍统计 256 个桶的频次再算累计概率最后按newGray 255 * cdf[gray]重映射。这一步在背光或过曝的图上效果很明显但也会放大噪声所以一般放在滤波之前做。3.2 高斯滤波与中值滤波的选择滤波是为了去噪但去噪和保边是一对矛盾。这份源码里两种都给了// Filter.cs 中的高斯核生成 public static double[,] BuildGaussianKernel(int size, double sigma) { double[,] kernel new double[size, size]; int center size / 2; double sum 0; for (int i 0; i size; i) { for (int j 0; j size; j) { int x i - center, y j - center; // 二维高斯公式 kernel[i, j] Math.Exp(-(x * x y * y) / (2 * sigma * sigma)); sum kernel[i, j]; } } // 归一化保证滤波后亮度不变 for (int i 0; i size; i) for (int j 0; j size; j) kernel[i, j] / sum; return kernel; }参数说明size 是核边长3 或 5 最常用sigma 越大越模糊1.0~2.0 是常规范围。归一化这步不能省否则图像整体会变亮或变暗。中值滤波则是取邻域中位数对椒盐噪声特别有效代码里用了一个 size x size 的窗口排序取中间值缺点是比高斯慢窗口大了更明显。我一般的选择习惯图像有随机颗粒噪声用高斯有孤立白点黑点用中值两者都有就先中值后高斯。这份源码的示例图是金属件表面有反光点所以主流程用的是高斯。3.3 Sobel 边缘检测的实现细节边缘检测是识别轮廓的关键Sobel 用两个 3x3 卷积核分别算水平和垂直梯度// EdgeDetect.cs private static readonly int[,] Gx { { -1, 0, 1 }, { -2, 0, 2 }, { -1, 0, 1 } }; private static readonly int[,] Gy { { -1, -2, -1 }, { 0, 0, 0 }, { 1, 2, 1 } }; public static Bitmap Sobel(Bitmap src, int threshold) { Bitmap dst new Bitmap(src.Width, src.Height); for (int y 1; y src.Height - 1; y) { for (int x 1; x src.Width - 1; x) { int gx 0, gy 0; // 3x3 邻域卷积 for (int i -1; i 1; i) { for (int j -1; j 1; j) { int gray src.GetPixel(x j, y i).R; gx gray * Gx[i 1, j 1]; gy gray * Gy[i 1, j 1]; } } // 梯度幅值 int mag (int)Math.Sqrt(gx * gx gy * gy); // 二值化超过阈值就是边缘 int val mag threshold ? 255 : 0; dst.SetPixel(x, y, Color.FromArgb(val, val, val)); } } return dst; }逻辑说明Gx 检测垂直边缘Gy 检测水平边缘两者平方和开根号得到梯度幅值。threshold 是唯一需要调的参数示例图用 80 效果不错。注意边界像素x0、y0 那一圈没有处理直接留黑实际项目里可以复制边缘像素或跳过。Canny 比 Sobel 多了一步非极大值抑制和双阈值连接效果更好但代码量翻倍这份源码里 Canny 在 EdgeDetect.cs 后半部分思路类似多了滞后阈值处理。3.4 模板匹配与相似度打分匹配这步决定了最终判定。源码里用的是归一化互相关NCC的简化版// TemplateMatch.cs public static double Compare(Bitmap src, Rectangle roi, Bitmap template) { // 把 ROI 区域缩放到和模板一样大 Bitmap patch BitmapHelper.CropAndResize(src, roi, template.Width, template.Height); double sumSrc 0, sumTpl 0, sumCross 0; int n template.Width * template.Height; for (int y 0; y template.Height; y) { for (int x 0; x template.Width; x) { double s patch.GetPixel(x, y).R; double t template.GetPixel(x, y).R; sumSrc s; sumTpl t; sumCross s * t; } } // 归一化相关系数范围 -1 到 1 double meanSrc sumSrc / n, meanTpl sumTpl / n; double num sumCross - n * meanSrc * meanTpl; double den Math.Sqrt((sumSrc * sumSrc - n * meanSrc * meanSrc) * (sumTpl * sumTpl - n * meanTpl * meanTpl)); return den 0 ? 0 : num / den; }参数说明roi 是轮廓的外接矩形template 是事先准备好的标准样本图。返回值越接近 1 越相似一般设 0.85 作为 OK 阈值。这里有个坑如果 ROI 和模板尺寸差太多缩放会引入形变误差所以实际项目里要么固定相机高度要么用多尺度匹配。源码里预留了CompareMultiScale的空方法二次开发时可以补上金字塔搜索。注意NCC 对亮度线性变化不敏感但对旋转和缩放敏感。如果你的零件在视野里会转角度得换成旋转不变的匹配方法或者先做角度校正。4. 编译运行与参数调试从 clone 到出第一张结果图4.1 环境准备与编译步骤先把环境对齐。你需要 Visual Studio 2019 或 2022安装时勾选「.NET 桌面开发」工作负载。打开 .sln 后把 ImageRecognition.UI 设为启动项目直接 F5 就能跑。如果报 System.Drawing 找不到检查项目引用里有没有手动添加System.Drawing程序集。常见做法是在 NuGet 里装System.Drawing.Common版本选 6.0 以下兼容性最好。编译顺序上Core 先编UI 后编Tests 最后。如果 Tests 报找不到 Core 的引用右键 Tests 项目 → 添加引用 → 勾选 Core 即可。整个过程不需要联网下载额外模型文件samples 目录里自带了几张测试图。4.2 用示例图跑通第一条链路启动后主界面左侧是图像显示区右侧是参数面板。操作顺序点「打开图片」选 samples/part_01.png点「灰度化」看中间结果是否符合预期调「高斯核大小」为 3「Sigma」为 1.5点「滤波」调「边缘阈值」为 80点「边缘检测」点「模板匹配」选 samples/template_01.png 作为模板看右下角相似度分数调「判定阈值」观察 OK/NG 切换每一步都会在 ImageViewer 里刷新方便你对照。如果边缘图一片黑说明阈值太高降到 40 试试如果全是白边说明阈值太低升到 120。这个「边调边看」的交互是这份源码对新手最友好的地方。4.3 关键参数的影响与推荐范围参数作用推荐范围调过头会怎样高斯核大小去噪强度3 或 5太大边缘糊成一片Sigma模糊半径1.0~2.0太大细节全丢边缘阈值边缘灵敏度40~120太低噪声多太高断边最小轮廓面积过滤小噪点100~500太大会漏掉小零件匹配阈值OK/NG 分界0.80~0.90太低误判 OK太高误判 NG这张表是我在示例图上试出来的你的实际图像分辨率不同数值要按比例调。一般原则分辨率翻倍面积阈值翻四倍核大小可以不变。4.4 用单元测试验证算法输出Tests 项目里有几个现成的测试用例比如ToGray_ShouldReturnCorrectGrayValue输入一个已知 RGB 的 1x1 图断言输出灰度值等于加权计算结果。跑测试用 Test → Run All Tests全绿说明算法逻辑没被改坏。我建议你在改任何 Core 层代码之前先跑一遍测试改完再跑一遍这是防止「改一个参数崩三个功能」的后悔药。如果测试挂了先看断言里的期望值和实际值差多少再定位是哪个像素处理错了。5. 避坑与常见问题那些让我加班到凌晨的坑5.1 图像格式导致的 Bitmap 锁定现象加载图片后想覆盖保存报「文件正被另一进程使用」。原因new Bitmap(path)会锁定文件直到 Bitmap 被 Dispose。解决用FileStream读成 byte[]再new Bitmap(new MemoryStream(bytes))或者读完立刻Clone一份再释放原图。我现在的习惯是封装一个LoadImageSafe方法所有加载都走它。5.2 GetPixel 在大图上的性能悬崖现象1920x1080 的图跑一次灰度化要 2 秒以上。原因GetPixel/SetPixel 每次调用都有托管到非托管的边界开销。解决改用LockBits拿到BitmapData用Marshal.Copy把像素拷到 byte[] 数组在数组上算完再拷回去。实测 1080p 图能从 2 秒降到 30 毫秒以内。这份源码的 BitmapHelper 里有现成实现直接调。5.3 阈值硬编码导致换图就废现象示例图跑得好好的换一张现场图全 NG。原因边缘阈值、匹配阈值写死在代码里没跟图像特性挂钩。解决把阈值提到配置文件或界面参数里并且加一个「自动阈值」按钮用 Otsu 方法根据当前图的直方图自动算。Otsu 的核心是遍历 256 个灰度级找类间方差最大的那个作为阈值代码不长网上有标准实现。5.4 轮廓顺序不稳定导致匹配错位现象同一张图跑两次匹配分数不一样。原因轮廓查找用的是扫描线顺序遇到面积相近的轮廓时排序不稳定。解决找到轮廓后按面积从大到小排序或者按外接矩形中心点的坐标排序保证每次取到的 ROI 一致。如果还是不稳就在匹配前加一步 ROI 对齐用质心或最小外接矩形做归一化。5.5 内存泄漏Bitmap 没 Dispose现象连续处理几十张图后程序卡死或崩。原因Bitmap 实现了 IDisposable但很多人忘了 using 或手动 Dispose。解决所有中间 Bitmap 都用using包起来或者用 try/finally 确保释放。UI 上显示的图如果频繁替换旧图也要 Dispose。我一般在 ImageViewer.SetImage 里先把旧图释放再赋新值。6. 二次开发与改造思路把这套源码变成你自己的识别工具6.1 替换算法内核从手写卷积到 OpenCVSharp如果你需要更复杂的算法比如 SIFT 特征点、深度学习推理手写卷积就不够用了。常见做法是引入 OpenCVSharp4把 Core 层的接口保持不变内部实现换成Cv2.GaussianBlur、Cv2.Canny、Cv2.MatchTemplate。这样 UI 层一行不用改。迁移时注意 Mat 和 Bitmap 的互转BitmapConverter.ToMat(bitmap)和ToBitmap(mat)OpenCVSharp 提供了现成扩展方法。NuGet 装OpenCVSharp4和OpenCVSharp4.runtime.win两个包即可。6.2 增加多模板与多角度匹配单模板只能应付固定姿态。要支持旋转思路是先对模板做 -30° 到 30° 的旋转生成一组模板匹配时取最高分。代码上把 TemplateMatch.Compare 包一层循环public static (double score, double angle) CompareWithRotation( Bitmap src, Rectangle roi, Bitmap template, int angleStep 5) { double bestScore -1, bestAngle 0; for (int angle -30; angle 30; angle angleStep) { // 旋转模板空白区域用边缘像素填充 Bitmap rotated BitmapHelper.Rotate(template, angle); double score Compare(src, roi, rotated); if (score bestScore) { bestScore score; bestAngle angle; } rotated.Dispose(); // 及时释放否则内存暴涨 } return (bestScore, bestAngle); }参数说明angleStep 越小越精确但越慢5° 步长在 13 个角度上跑一遍1080p 图大约 200 毫秒能满足多数产线节拍。如果嫌慢先用低分辨率金字塔粗搜再在最佳角度附近细搜。6.3 接入相机与产线触发工业场景下图片不是从文件来的而是相机实时采集。常见做法是用相机的 SDK比如某品牌工业相机的 .NET SDK注册回调回调里拿到帧数据转成 Bitmap直接调 Core 层处理结果通过串口或 TCP 发给 PLC。改造点在于把 MainForm 里的「打开文件」按钮逻辑抽成一个ProcessFrame(Bitmap frame)方法文件加载和相机回调都调它。这样界面和产线逻辑共用一套处理链路调试时用文件上线时切相机。6.4 用配置文件管理参数把阈值、核大小、模板路径这些写进 JSON{ preprocess: { gaussianSize: 3, sigma: 1.5 }, edge: { threshold: 80 }, match: { minScore: 0.85, angleRange: 30, angleStep: 5 }, templatePath: templates/part_01.png }启动时用System.Text.Json反序列化界面上改完参数点保存再序列化回去。这样换产品时只改配置文件不用重新编译。我一般还会加一个「参数版本」字段方便追溯哪套参数对应哪个批次。6.5 一个验证改造是否成功的小技巧改完算法后怎么确认没改坏我的习惯是准备一组「黄金样本」10 张已知 OK 的图、10 张已知 NG 的图写一个批量测试方法跑完输出混淆矩阵。准确率、漏检率、误检率三个数一出来比肉眼看几张图靠谱得多。这份源码的 Tests 项目里可以加一个BatchTest类读 samples 目录下所有图按文件名前缀区分 OK/NG自动统计。从那以后我每次改 Core 层代码都强制走一遍批量测试再也不敢凭感觉说「应该没问题」。希望这套源码和这些改造思路能帮到你。本文还有配套的精品资源点击获取