在EmguCV中计算图像差异及基于物体的百分比差异（C#实现）

嘿，我太懂你找不到EmguCV C#版本资料的痛苦了！刚好我之前做过类似的需求，给你一步步讲清楚怎么实现，分两种场景来：

最直接的方法就是用EmguCV自带的AbsDiff方法，逐像素计算差值的绝对值，能快速得到两张图的差异区域。不过要先确保两张图像的尺寸、通道数完全一致，不然会报错。

给你贴一段可直接运行的C#代码：

using Emgu.CV;
using Emgu.CV.CvEnum;
using Emgu.CV.Structure;
using System;

class ImageDiffCalculator
{
    static void Main(string[] args)
    {
        // 加载两张待对比图像
        Image<Bgr, byte> img1 = new Image<Bgr, byte>("image1.jpg");
        Image<Bgr, byte> img2 = new Image<Bgr, byte>("image2.jpg");

        // 先校验图像规格是否一致
        if (img1.Size != img2.Size || img1.NumberOfChannels != img2.NumberOfChannels)
        {
            throw new ArgumentException("两张图像的尺寸、通道数必须完全匹配！");
        }

        // 计算像素级绝对差异
        Image<Bgr, byte> diffImage = img1.AbsDiff(img2);

        // 转灰度图+阈值化，让差异区域更明显（可选，根据需求调整阈值）
        Image<Gray, byte> grayDiff = diffImage.Convert<Gray, byte>();
        CvInvoke.Threshold(grayDiff, grayDiff, 30, 255, ThresholdType.Binary);

        // 显示结果
        CvInvoke.Imshow("原图1", img1);
        CvInvoke.Imshow("原图2", img2);
        CvInvoke.Imshow("差异图", diffImage);
        CvInvoke.Imshow("阈值化后差异图", grayDiff);
        CvInvoke.WaitKey(0);
        CvInvoke.DestroyAllWindows();
    }
}

运行后，差异图里亮色区域就是两张图不一样的地方，阈值化后能更清晰地定位差异区域。

如果要针对图像里的特定物体计算差异，得先把物体从背景中提取出来，再用距离算法衡量特征差异，最后转化为百分比。这里给你两种常用的实现思路：

思路1：基于轮廓的豪斯多夫距离计算 #

适合简单、对比度高的物体，先提取物体轮廓，再用豪斯多夫距离衡量轮廓的相似性，最后归一化得到百分比差异。

代码示例：

using Emgu.CV;
using Emgu.CV.CvEnum;
using Emgu.CV.Structure;
using System;
using System.Collections.Generic;

class ObjectDiffCalculator
{
    static void Main(string[] args)
    {
        Image<Bgr, byte> img1 = new Image<Bgr, byte>("object1.jpg");
        Image<Bgr, byte> img2 = new Image<Bgr, byte>("object2.jpg");

        // 预处理：灰度化+二值化（根据你的图像调整阈值）
        Image<Gray, byte> gray1 = img1.Convert<Gray, byte>();
        Image<Gray, byte> gray2 = img2.Convert<Gray, byte>();
        CvInvoke.Threshold(gray1, gray1, 127, 255, ThresholdType.BinaryInv);
        CvInvoke.Threshold(gray2, gray2, 127, 255, ThresholdType.BinaryInv);

        // 提取轮廓（只取最外层的物体轮廓）
        VectorOfVectorOfPoint contours1 = new VectorOfVectorOfPoint();
        VectorOfVectorOfPoint contours2 = new VectorOfVectorOfPoint();
        CvInvoke.FindContours(gray1, contours1, null, RetrType.External, ChainApproxMethod.ChainApproxSimple);
        CvInvoke.FindContours(gray2, contours2, null, RetrType.External, ChainApproxMethod.ChainApproxSimple);

        // 获取每张图里最大的轮廓（假设每张图只有一个主要物体）
        VectorOfPoint contour1 = GetLargestContour(contours1);
        VectorOfPoint contour2 = GetLargestContour(contours2);

        if (contour1 == null || contour2 == null)
        {
            Console.WriteLine("未检测到物体轮廓！");
            return;
        }

        // 计算豪斯多夫距离（值越小，轮廓越相似）
        double hausdorffDist = CvInvoke.HausdorffDistance(contour1, contour2);

        // 归一化计算百分比差异：用轮廓外接矩形的对角线长度作为基准
        Rectangle rect1 = CvInvoke.BoundingRectangle(contour1);
        Rectangle rect2 = CvInvoke.BoundingRectangle(contour2);
        double maxDiagonal = Math.Max(
            Math.Sqrt(Math.Pow(rect1.Width, 2) + Math.Pow(rect1.Height, 2)),
            Math.Sqrt(Math.Pow(rect2.Width, 2) + Math.Pow(rect2.Height, 2))
        );
        double percentageDiff = (hausdorffDist / maxDiagonal) * 100;

        Console.WriteLine($"物体轮廓的百分比差异：{percentageDiff:F2}%");
    }

    // 辅助函数：找到面积最大的轮廓
    static VectorOfPoint GetLargestContour(VectorOfVectorOfPoint contours)
    {
        double maxArea = 0;
        VectorOfPoint largestContour = null;
        for (int i = 0; i < contours.Size; i++)
        {
            double area = CvInvoke.ContourArea(contours[i]);
            if (area > maxArea)
            {
                maxArea = area;
                largestContour = contours[i];
            }
        }
        return largestContour;
    }
}

思路2：基于特征点匹配的差异计算 #

适合复杂、有纹理的物体，用SIFT/ORB等特征检测器提取物体特征，通过匹配率反推差异百分比。

代码示例（用SIFT）：

using Emgu.CV;
using Emgu.CV.CvEnum;
using Emgu.CV.Features2D;
using Emgu.CV.Structure;
using System;
using System.Collections.Generic;

class FeatureBasedDiffCalculator
{
    static void Main(string[] args)
    {
        Image<Bgr, byte> img1 = new Image<Bgr, byte>("object1.jpg");
        Image<Bgr, byte> img2 = new Image<Bgr, byte>("object2.jpg");

        // 转灰度图
        Image<Gray, byte> gray1 = img1.Convert<Gray, byte>();
        Image<Gray, byte> gray2 = img2.Convert<Gray, byte>();

        // 初始化SIFT检测器
        using (var sift = new SIFTDetector())
        {
            // 提取特征点和描述子
            VectorOfKeyPoint keyPoints1 = new VectorOfKeyPoint();
            VectorOfKeyPoint keyPoints2 = new VectorOfKeyPoint();
            Mat descriptors1 = new Mat();
            Mat descriptors2 = new Mat();
            sift.DetectAndCompute(gray1, null, keyPoints1, descriptors1, false);
            sift.DetectAndCompute(gray2, null, keyPoints2, descriptors2, false);

            if (keyPoints1.Size == 0 || keyPoints2.Size == 0)
            {
                Console.WriteLine("未检测到足够的特征点！");
                return;
            }

            // 暴力匹配描述子
            BFMatcher matcher = new BFMatcher(DistanceType.L2);
            VectorOfVectorOfDMatch matches = new VectorOfVectorOfDMatch();
            matcher.KnnMatch(descriptors1, descriptors2, matches, 2);

            // 用Lowe比例测试筛选优质匹配
            List<DMatch> goodMatches = new List<DMatch>();
            for (int i = 0; i < matches.Size; i++)
            {
                if (matches[i][0].Distance < 0.75 * matches[i][1].Distance)
                {
                    goodMatches.Add(matches[i][0]);
                }
            }

            // 计算百分比差异：(1 - 优质匹配数/最多特征点数) * 100
            double matchRatio = (double)goodMatches.Count / Math.Max(keyPoints1.Size, keyPoints2.Size);
            double percentageDiff = (1 - matchRatio) * 100;

            Console.WriteLine($"基于SIFT特征的百分比差异：{percentageDiff:F2}%");
        }
    }
}

注意事项 #

• 预处理很关键！如果图像有噪声，先做高斯模糊（CvInvoke.GaussianBlur）再处理，结果会更准确。
• 如果物体有旋转、缩放，推荐用ORB特征（比SIFT快，且免费），或者归一化Hu矩来计算相似性。
• 百分比差异的计算基准可以根据你的场景调整，比如用物体的面积、周长代替对角线长度，只要逻辑自洽就行。

内容的提问来源于stack exchange，提问作者Vesper Lynd