目录
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：
- 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。
- 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。
- 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。
以上就是基于Opencv图像识别实现答题卡识别示例详解的详细内容，更多关于Opencv答题卡识别的资料请关注其它相关文章！
