这篇文章主要介绍了用Opencv实现识别和处理答题卡的思路和方法是什么相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇用Opencv实现识别和处理答题卡的思路和方法是什么文章都会有所收获，下面我们一起来看看吧。

目录

• 1. 项目分析
• 2.项目实验
• 3.项目结果
• 总结

在观看唐宇迪老师图像处理的课程中，其中有一个答题卡识别的小项目，在此结合自己理解做一个简单的总结。

1. 项目分析

首先在拿到项目时候，分析项目目的是什么，要达到什么样的目标，有哪些需要注意的事项，同时构思实验的大体流程。

图1. 答题卡测试图像

比如在答题卡识别的项目中，针对测试图片如图1 ，首先应当实现的功能是:

能够捕获答题卡中的每个填涂选项。

将获取的填涂选项与正确选项做对比计算其答题正确率。

2.项目实验

在对测试图像进行形态学操作中，首先转换为灰度图像，其次是进行减噪的高斯滤波操作。

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
cv_show('blurred',blurred)

在得到高斯滤波结果后，对其进行边缘检测以及轮廓检测，用以提取答题卡所有内容的边界。

edged = cv2.Canny(blurred, 75, 200)
cv_show('edged',edged)

# 轮廓检测
cnts, hierarchy = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
	cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) 
cv_show('contours_img',contours_img)
docCnt = None

图2. 高斯滤波图

图3. 边缘检测图

在得到边缘检测图像后，进行外轮廓检测以及进行透视变换。

# 轮廓检测
cnts, hierarchy = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
	cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) 
cv_show('contours_img',contours_img)

def four_point_transform(image, pts):
	# 获取输入坐标点
	rect = order_points(pts)
	(tl, tr, br, bl) = rect

	# 计算输入的w和h值
	widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
	widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
	maxWidth = max(int(widthA), int(widthB))

	heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
	heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
	maxHeight = max(int(heightA), int(heightB))

	# 变换后对应坐标位置
	dst = np.array([
		[0, 0],
		[maxWidth - 1, 0],
		[maxWidth - 1, maxHeight - 1],
		[0, maxHeight - 1]], dtype = "float32")

	# 计算变换矩阵
	M = cv2.getPerspectiveTransform(rect, dst)
	warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

	# 返回变换后结果
	return warped

# 执行透视变换

warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)

在透视变换之后，需要再进行二值转换，为了找到ROI圆圈轮廓，采用二次轮廓检测执行遍历循环以及 if 判断找到所有符合筛选条件的圆圈轮廓。此处不使用霍夫变换的原因是在填涂答题卡的过程中，难免会有填涂超过圆圈区域的情况，使用霍夫变换的直线检测方式会影响实验结果的准确性。

# 找到每一个圆圈轮廓
cnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
	cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3) 
cv_show('thresh_Contours',thresh_Contours)
questionCnts = []

# 遍历
for c in cnts:
	# 计算比例和大小
	(x, y, w, h) = cv2.boundingRect(c)
	ar = w / float(h)

	# 根据实际情况指定标准
	if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
		questionCnts.append(c)

# 按照从上到下进行排序
questionCnts = sort_contours(questionCnts,
	method="top-to-bottom")[0]
correct = 0

图4. 轮廓检测图

图5. 透视变换图

图6. 二值转换图

图7. 轮廓筛选图

在得到每个圆圈轮廓后，需要将其进行排序，排序方式为从左到右，从上到下，以图7为例，答题卡分布为五行五列，在每一列中，每行A选项的横坐标x值是相近的，而在每一行中，A、B、C、D、E的纵坐标y是相近的，因此利用这一特性来对所得到的圆圈轮廓进行排序，代码如下：

def sort_contours(cnts, method="left-to-right"):
    reverse = False
    i = 0
    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in cnts]
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
                                        key=lambda b: b[1][i], reverse=reverse))
    return cnts, boundingBoxes

在得到每一个具体轮廓后，便是判断每道题所填涂的答案是否为正确答案，使用的方法为通过双层循环遍历每一个具体圆圈轮廓，通过mask图像计算非零点数量来判断答案是否正确。

# 每排有5个选项
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):
	# 排序
	cnts = sort_contours(questionCnts[i:i + 5])[0]     #从左到右排列，保持顺序：A B C D E
	bubbled = None

	# 遍历每一个结果
	for (j, c) in enumerate(cnts):
		# 使用mask来判断结果
		mask = np.zeros(thresh.shape, dtype="uint8")
		cv2.drawContours(mask, [c], -1, 255, -1) #-1表示填充
		cv_show('mask',mask)
		# 通过计算非零点数量来算是否选择这个答案
		mask = cv2.bitwise_and(thresh, thresh, mask=mask)
		total = cv2.countNonZero(mask)

		# 通过阈值判断
		if bubbled is None or total > bubbled[0]:
			bubbled = (total, j)

	# 对比正确答案
	color = (0, 0, 255)
	k = ANSWER_KEY[q]

	# 判断正确
	if k == bubbled[1]:
		color = (0, 255, 0)
		correct += 1
	# 绘图
	cv2.drawContours(warped, [cnts[k]], -1, color, 3)

图8. 圆圈轮廓遍历图

3.项目结果

在实验完成后，输出实验结果

score = (correct / 5.0) * 100
print("[INFO] score: {:.2f}%".format(score))
cv2.putText(warped, "{:.2f}%".format(score), (10, 30),
	cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow("Exam", warped)
cv2.waitKey(0)

Connected to pydev debugger (build 201.6668.115)
[INFO] score: 100.00%

Process finished with exit code 0

图9. 答题卡识别结果图

总结

在处理答题卡识别小项目中，个人觉得重点有以下几个方面：

1. 图像的形态学操作，处理的每一步都应该预先思考，选择最合适的处理方式，如：未采用霍夫变换而使用了二次轮廓检测。
2. 利用mask图像对比答案正确与否，通过判断非零像素值的数量来进行抉择。
3. 巧妙利用双层 for 循环以及 if 语句遍历所有圆圈轮廓，排序之后进行答案比对。 

这篇关于“用Opencv实现识别和处理答题卡的思路和方法是什么”的文章就介绍到这了,更多相关的内容，欢迎关注群英网络，小编将为大家输出更多高质量的实用文章！

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• Python模块可以分几类，怎样引入和定义模块

  这篇文章主要为大家介绍了Python的模块，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助

• python中栈、队列、双端队列和链表怎样定义

  在上一章的学习中，我们主要学习了怎么去衡量一个算法的好坏，比较常见的方式是使用大O记法，就是所谓的时间复杂度，这一章节我来学习基本的数据结构，如栈、队列和双端队列等等。感兴趣的小伙伴可以参考一下

• Python bin()函数的基本使用是什么

  Python bin() 返回一个整数 int 或者长整数 long int 的二进制表示。

• 为什么使用nn.Embedding，具体用法是怎样的

  本文主要介绍了PyTorch中的nn.Embedding的使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

• Python中scapy模块发包收包的实现是怎样

  这篇文章主要介绍了Python如何使用scapy模块发包收包，帮助大家更好的理解和学习使用python，感兴趣的朋友可以了解下