Program.cs

using System;
using System.IO;
using System.Linq;
using OpenCvSharp;
using OpenCvSharp.Features2D;

namespace MachineVisionPro
{
    class Program
    {
        static void Main(string[] args)
        {
            Console.WriteLine("--- Machine Vision: Bag of Visual Words ---");

            // 1. Localização automática da imagem (busca PNG ou png)
            string[] possibleFiles = { "hog.PNG", "hog.png", "SURF.PNG", "SURF.png" };
            string imagePath = "";

            foreach (var fileName in possibleFiles)
            {
                string fullPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, fileName);
                if (File.Exists(fullPath))
                {
                    imagePath = fullPath;
                    break;
                }
            }

            if (string.IsNullOrEmpty(imagePath))
            {
                Console.WriteLine("ERRO: Nenhuma imagem encontrada em: " + AppDomain.CurrentDomain.BaseDirectory);
                return;
            }

            try 
            {
                // 2. Leitura e Extração de Características
                using var mat = Cv2.ImRead(imagePath, ImreadModes.Grayscale);
                if (mat.Empty()) return;

                using var sift = SIFT.Create();
                KeyPoint[] keypoints;
                using Mat descriptors = new Mat();
                sift.DetectAndCompute(mat, null, out keypoints, descriptors);

                Console.WriteLine($"Passo 1: {keypoints.Length} descritores SIFT extraídos.");

                // 3. Criação do Dicionário Visual (K-Means)
                int clusterCount = 20; // Tamanho do vocabulário visual
                using Mat labels = new Mat();
                using Mat centers = new Mat();
                
                using Mat descriptorsFloat = new Mat();
                descriptors.ConvertTo(descriptorsFloat, MatType.CV_32F);

                // A SOLUÇÃO: Kmeans com 'm' minúsculo
                Cv2.Kmeans(descriptorsFloat, clusterCount, labels, 
                    new TermCriteria(CriteriaTypes.Eps | CriteriaTypes.MaxIter, 10, 1.0), 
                    3, KMeansFlags.PpCenters, centers);

                Console.WriteLine($"Passo 2: Dicionário visual de {clusterCount} palavras gerado.");

                // 4. Geração do Histograma (Vetor de Características)
                float[] histogram = new float[clusterCount];
                for (int i = 0; i < labels.Rows; i++)
                {
                    int clusterIdx = labels.At<int>(i);
                    histogram[clusterIdx]++;
                }

                Console.WriteLine("Passo 3: Histograma calculado com sucesso.");
                Console.WriteLine("Vetor (Primeiras 5 posições): " + string.Join(" | ", histogram.Take(5)));

                // 5. Resultado Visual
                using Mat output = new Mat();
                Cv2.DrawKeypoints(mat, keypoints, output, Scalar.All(-1), DrawMatchesFlags.DrawRichKeypoints);
                string outPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "resultado_bovw.png");
                Cv2.ImWrite(outPath, output);

                Console.WriteLine("\n==========================================");
                Console.WriteLine("SUCESSO! Resultado visual salvo em:");
                Console.WriteLine(outPath);
                Console.WriteLine("==========================================\n");
            }
            catch (Exception ex)
            {
                Console.WriteLine($"Erro durante a execução: {ex.Message}");
            }
        }
    }
}