如何使用OpenCV-Python实现识别答题卡判卷功能

这篇文章主要为大家展示了“如何使用OpenCV-python实现识别答题卡判卷功能”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“如何使用OpenCV-Python实现识别答题卡判卷功能”这篇文章吧。

任务

识别用相机拍下来的答题卡，并判断最终得分（假设正确答案是B, E, A, D, B）

主要步骤

1. 轮廓识别——答题卡边缘识别

2. 透视变换——提取答题卡主体

3. 轮廓识别——识别出所有圆形选项，剔除无关轮廓

4. 检测每一行选择的是哪一项，并将结果储存起来，记录正确的个数

5. 计算最终得分并在图中标注

分步实现

轮廓识别——答题卡边缘识别

输入图像

import cv2 as cvimport numpy as np # 正确答案right_key = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1} # 输入图像img = cv.imread('./images/test_01.jpg')img_copy = img.copy()img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)cvshow('img-gray', img_gray)

图像预处理

# 图像预处理# 高斯降噪img_gaussian = cv.GaussianBlur(img_gray, (5, 5), 1)cvshow('gaussianblur', img_gaussian)# canny边缘检测img_canny = cv.Canny(img_gaussian, 80, 150)cvshow('canny', img_canny)

轮廓识别——答题卡边缘识别

# 轮廓识别——答题卡边缘识别cnts, hierarchy = cv.findContours(img_canny, cv.RETR_EXTERNAL, cv.CHaiN_APPROX_SIMPLE)cv.drawContours(img_copy, cnts, -1, (0, 0, 255), 3)cvshow('contours-show', img_copy)

透视变换——提取答题卡主体

对每个轮廓进行拟合，将多边形轮廓变为四边形

docCnt = None # 确保检测到了if len(cnts) > 0:    # 根据轮廓大小进行排序    cnts = sorted(cnts, key=cv.contourArea, reverse=True)     # 遍历每一个轮廓    for c in cnts:        # 近似        peri = cv.arcLength(c, True)        # arclength 计算一段曲线的长度或者闭合曲线的周长；        # 第一个参数输入一个二维向量，第二个参数表示计算曲线是否闭合         approx = cv.approxPolyDP(c, 0.02 * peri, True)        # 用一条顶点较少的曲线/多边形来近似曲线/多边形，以使它们之间的距离<=指定的精度；        # c是需要近似的曲线，0.02*peri是精度的最大值，True表示曲线是闭合的         # 准备做透视变换        if len(approx) == 4:            docCnt = approx            break

透视变换——提取答题卡主体

# 透视变换——提取答题卡主体docCnt = docCnt.reshape(4, 2)warped = four_point_transfORM(img_gray, docCnt)cvshow('warped', warped)

def four_point_transform(img, four_points):    rect = order_points(four_points)    (tl, tr, br, bl) = rect     # 计算输入的w和h的值    widthA = np.sqrt((tr[0] - tl[0]) ** 2 + (tr[1] - tl[1]) ** 2)    widthB = np.sqrt((br[0] - bl[0]) ** 2 + (br[1] - bl[1]) ** 2)    maxWidth = max(int(widthA), int(widthB))     heightA = np.sqrt((tl[0] - bl[0]) ** 2 + (tl[1] - bl[1]) ** 2)    heightB = np.sqrt((tr[0] - br[0]) ** 2 + (tr[1] - br[1]) ** 2)    maxHeight = max(int(heightA), int(heightB))     # 变换后对应的坐标位置    dst = np.array([        [0, 0],        [maxWidth - 1, 0],        [maxWidth - 1, maxHeight - 1],        [0, maxHeight - 1]], dtype='float32')     # 最主要的函数就是 cv2.getPerspectiveTransform(rect, dst) 和 cv2.warpPerspective(image, M, (maxWidth, maxHeight))    M = cv.getPerspectiveTransform(rect, dst)    warped = cv.warpPerspective(img, M, (maxWidth, maxHeight))    return warped  def order_points(points):    res = np.zeros((4, 2), dtype='float32')    # 按照从前往后0，1，2，3分别表示左上、右上、右下、左下的顺序将points中的数填入res中     # 将四个坐标x与y相加，和最大的那个是右下角的坐标，最小的那个是左上角的坐标    sum_hang = points.sum(axis=1)    res[0] = points[np.argmin(sum_hang)]    res[2] = points[np.argmax(sum_hang)]     # 计算坐标x与y的离散插值np.diff()    diff = np.diff(points, axis=1)    res[1] = points[np.argmin(diff)]    res[3] = points[np.argmax(diff)]     # 返回result    return res

轮廓识别——识别出选项

# 轮廓识别——识别出选项thresh = cv.threshold(warped, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)[1]cvshow('thresh', thresh)thresh_cnts, _ = cv.findContours(thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)w_copy = warped.copy()cv.drawContours(w_copy, thresh_cnts, -1, (0, 0, 255), 2)cvshow('warped_contours', w_copy) questionCnts = []# 遍历，挑出选项的cntsfor c in thresh_cnts:    (x, y, w, h) = cv.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) # 检查是否挑出了选项w_copy2 = warped.copy()cv.drawContours(w_copy2, questionCnts, -1, (0, 0, 255), 2)cvshow('questionCnts', w_copy2)

成功将无关轮廓剔除

检测每一行选择的是哪一项，并将结果储存起来，记录正确的个数

# 检测每一行选择的是哪一项，并将结果储存在元组bubble中，记录正确的个数correct# 按照从上到下t2b对轮廓进行排序questionCnts = sort_contours(questionCnts, method="t2b")[0]correct = 0# 每行有5个选项for (i, q) in enumerate(np.arange(0, len(questionCnts), 5)):    # 排序    cnts = sort_contours(questionCnts[q:q+5])[0]     bubble = None    # 得到每一个选项的mask并填充，与正确答案进行按位与操作获得重合点数    for (j, c) in enumerate(cnts):        mask = np.zeros(thresh.shape, dtype='uint8')        cv.drawContours(mask, [c], -1, 255, -1)        # cvshow('mask', mask)         # 通过按位与操作得到thresh与mask重合部分的像素数量        bitand = cv.bitwise_and(thresh, thresh, mask=mask)        totalPixel = cv.countNonZero(bitand)         if bubble is None or bubble[0] < totalPixel:            bubble = (totalPixel, j)     k = bubble[1]    color = (0, 0, 255)    if k == right_key[i]:        correct += 1        color = (0, 255, 0)     # 绘图    cv.drawContours(warped, [cnts[right_key[i]]], -1, color, 3)    cvshow('final', warped)

def sort_contours(contours, method="l2r"):    # 用于给轮廓排序，l2r, r2l, t2b, b2t    reverse = False    i = 0    if method == "r2l" or method == "b2t":        reverse = True    if method == "t2b" or method == "b2t":        i = 1     boundingBoxes = [cv.boundingRect(c) for c in contours]    (contours, boundingBoxes) = zip(*sorted(zip(contours, boundingBoxes), key=lambda a: a[1][i], reverse=reverse))    return contours, boundingBoxes

用透过mask的像素的个数来判断考生选择的是哪个选项

计算最终得分并在图中标注

# 计算最终得分并在图中标注score = (correct / 5.0) * 100print(f"Score: {score}%")cv.putText(warped, f"Score: {score}%", (10, 30), cv.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)cv.imshow("Original", img)cv.imshow("Exam", warped)cv.waiTKEy(0)

完整代码

import cv2 as cvimport numpy as np  def cvshow(name, img):    cv.imshow(name, img)    cv.waitKey(0)    cv.destroyAllwindows() def four_point_transform(img, four_points):    rect = order_points(four_points)    (tl, tr, br, bl) = rect     # 计算输入的w和h的值    widthA = np.sqrt((tr[0] - tl[0]) ** 2 + (tr[1] - tl[1]) ** 2)    widthB = np.sqrt((br[0] - bl[0]) ** 2 + (br[1] - bl[1]) ** 2)    maxWidth = max(int(widthA), int(widthB))     heightA = np.sqrt((tl[0] - bl[0]) ** 2 + (tl[1] - bl[1]) ** 2)    heightB = np.sqrt((tr[0] - br[0]) ** 2 + (tr[1] - br[1]) ** 2)    maxHeight = max(int(heightA), int(heightB))     # 变换后对应的坐标位置    dst = np.array([        [0, 0],        [maxWidth - 1, 0],        [maxWidth - 1, maxHeight - 1],        [0, maxHeight - 1]], dtype='float32')     # 最主要的函数就是 cv2.getPerspectiveTransform(rect, dst) 和 cv2.warpPerspective(image, M, (maxWidth, maxHeight))    M = cv.getPerspectiveTransform(rect, dst)    warped = cv.warpPerspective(img, M, (maxWidth, maxHeight))    return warped  def order_points(points):    res = np.zeros((4, 2), dtype='float32')    # 按照从前往后0，1，2，3分别表示左上、右上、右下、左下的顺序将points中的数填入res中     # 将四个坐标x与y相加，和最大的那个是右下角的坐标，最小的那个是左上角的坐标    sum_hang = points.sum(axis=1)    res[0] = points[np.argmin(sum_hang)]    res[2] = points[np.argmax(sum_hang)]     # 计算坐标x与y的离散插值np.diff()    diff = np.diff(points, axis=1)    res[1] = points[np.argmin(diff)]    res[3] = points[np.argmax(diff)]     # 返回result    return res  def sort_contours(contours, method="l2r"):    # 用于给轮廓排序，l2r, r2l, t2b, b2t    reverse = False    i = 0    if method == "r2l" or method == "b2t":        reverse = True    if method == "t2b" or method == "b2t":        i = 1     boundingBoxes = [cv.boundingRect(c) for c in contours]    (contours, boundingBoxes) = zip(*sorted(zip(contours, boundingBoxes), key=lambda a: a[1][i], reverse=reverse))    return contours, boundingBoxes # 正确答案right_key = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1} # 输入图像img = cv.imread('./images/test_01.jpg')img_copy = img.copy()img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)cvshow('img-gray', img_gray) # 图像预处理# 高斯降噪img_gaussian = cv.GaussianBlur(img_gray, (5, 5), 1)cvshow('gaussianblur', img_gaussian)# canny边缘检测img_canny = cv.Canny(img_gaussian, 80, 150)cvshow('canny', img_canny) # 轮廓识别——答题卡边缘识别cnts, hierarchy = cv.findContours(img_canny, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)cv.drawContours(img_copy, cnts, -1, (0, 0, 255), 3)cvshow('contours-show', img_copy) docCnt = None # 确保检测到了if len(cnts) > 0:    # 根据轮廓大小进行排序    cnts = sorted(cnts, key=cv.contourArea, reverse=True)     # 遍历每一个轮廓    for c in cnts:        # 近似        peri = cv.arcLength(c, True)  # arclength 计算一段曲线的长度或者闭合曲线的周长；        # 第一个参数输入一个二维向量，第二个参数表示计算曲线是否闭合         approx = cv.approxPolyDP(c, 0.02 * peri, True)        # 用一条顶点较少的曲线/多边形来近似曲线/多边形，以使它们之间的距离<=指定的精度；        # c是需要近似的曲线，0.02*peri是精度的最大值，True表示曲线是闭合的         # 准备做透视变换        if len(approx) == 4:            docCnt = approx            break  # 透视变换——提取答题卡主体docCnt = docCnt.reshape(4, 2)warped = four_point_transform(img_gray, docCnt)cvshow('warped', warped)  # 轮廓识别——识别出选项thresh = cv.threshold(warped, 0, 255, cv.THRESH_BINARY_INV | cv.THRESH_OTSU)[1]cvshow('thresh', thresh)thresh_cnts, _ = cv.findContours(thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)w_copy = warped.copy()cv.drawContours(w_copy, thresh_cnts, -1, (0, 0, 255), 2)cvshow('warped_contours', w_copy) questionCnts = []# 遍历，挑出选项的cntsfor c in thresh_cnts:    (x, y, w, h) = cv.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) # 检查是否挑出了选项w_copy2 = warped.copy()cv.drawContours(w_copy2, questionCnts, -1, (0, 0, 255), 2)cvshow('questionCnts', w_copy2)  # 检测每一行选择的是哪一项，并将结果储存在元组bubble中，记录正确的个数correct# 按照从上到下t2b对轮廓进行排序questionCnts = sort_contours(questionCnts, method="t2b")[0]correct = 0# 每行有5个选项for (i, q) in enumerate(np.arange(0, len(questionCnts), 5)):    # 排序    cnts = sort_contours(questionCnts[q:q+5])[0]     bubble = None    # 得到每一个选项的mask并填充，与正确答案进行按位与操作获得重合点数    for (j, c) in enumerate(cnts):        mask = np.zeros(thresh.shape, dtype='uint8')        cv.drawContours(mask, [c], -1, 255, -1)        cvshow('mask', mask)         # 通过按位与操作得到thresh与mask重合部分的像素数量        bitand = cv.bitwise_and(thresh, thresh, mask=mask)        totalPixel = cv.countNonZero(bitand)         if bubble is None or bubble[0] < totalPixel:            bubble = (totalPixel, j)     k = bubble[1]    color = (0, 0, 255)    if k == right_key[i]:        correct += 1        color = (0, 255, 0)     # 绘图    cv.drawContours(warped, [cnts[right_key[i]]], -1, color, 3)    cvshow('final', warped)  # 计算最终得分并在图中标注score = (correct / 5.0) * 100print(f"Score: {score}%")cv.putText(warped, f"Score: {score}%", (10, 30), cv.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)cv.imshow("Original", img)cv.imshow("Exam", warped)cv.waitKey(0)

以上是“如何使用OpenCV-Python实现识别答题卡判卷功能”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注编程网Python频道！