一、思路分析

首先拿到答题卡照片的时候，需要对照片进行一系列预处理操作，通过透视变换将图像摆正方便后续的操作。每一道题五个选项，有五道题，通过字典存放准确答案。没有依次对答题卡进行轮廓检测，这里采用的是正方形，宽高比是1:1，当然也可以是矩形，也可以通过指定其他的筛选进行进行过滤筛选。最后通过掩膜操作，因为用户所选择的答案都是被涂过的，也就是通过判断黑色和白色来进行区分是否是用户选择的答案。一行一行的存储，因为一道题是五个选项，每一行是一道题，这里采用从上到下从左到右分别依次存放1-5题的A-E选项。通过与标准答案字典所存放的索引进行对比，从而给出用户得分。

二、导包及其相关函数

#导入工具包
import numpy as np
import argparse
import imutils
import cv2

# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,help="path to the input image")
args = vars(ap.parse_args())# 正确答案
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}#存放正确答案BEADB

def order_points(pts):# 一共4个坐标点rect = np.zeros((4, 2), dtype = "float32")# 按顺序找到对应坐标0123分别是 左上，右上，右下，左下# 计算左上，右下s = pts.sum(axis = 1)rect[0] = pts[np.argmin(s)]rect[2] = pts[np.argmax(s)]# 计算右上和左下diff = np.diff(pts, axis = 1)rect[1] = pts[np.argmin(diff)]rect[3] = pts[np.argmax(diff)]return rectdef four_point_transform(image, pts):#透视变换# 获取输入坐标点rect = order_points(pts)(tl, tr, br, bl) = rect#拿到答题卡四个顶点坐标# 计算输入的w和h值widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))#因为拿到的答题卡的不一定是正儿八经的矩形，需要对四条边进行计算长度，选出最长的作为最后矩形的长度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")#看个人需求而定，这里将图像左上角规定为(0,0)位置# 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
def sort_contours(cnts, method="left-to-right"):#从上到下进行排序，因为题目就是一行一行的reverse = Falsei = 0if method == "right-to-left" or method == "bottom-to-top":reverse = Trueif method == "top-to-bottom" or method == "bottom-to-top":i = 1boundingBoxes = [cv2.boundingRect(c) for c in cnts](cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))#排完序之后，前五个是第一题的，之后每五个依次为下一题的return cnts, boundingBoxes
def cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()

三、对答题卡进行预处理及透视变换摆正

# 预处理
image = cv2.imread(args["image"])#读取图像
contours_img = image.copy()#为了不改动原始图像，copy一下图像，因为后续需要进行一系列轮廓检测
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#灰度图
blurred = cv2.GaussianBlur(gray, (5, 5), 0)#高斯滤波，去除一些噪音点
cv_show('blurred',blurred)
edged = cv2.Canny(blurred, 75, 200)#Canny边缘检测
cv_show('edged',edged)

# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#轮廓检测完之后会得到三个返回值，这里的[1]存放的是轮廓信息
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) #将图像通过透视变换进行摆正，绘制出答题卡的大致轮廓，拿到的答题卡图像也不一定是正儿八经的矩形
cv_show('contours_img',contours_img)
docCnt = None

# 确保检测到了
if len(cnts) > 0:#因为可能会检测到其他干扰影响，但是答题卡的轮廓是最大的# 根据轮廓大小进行排序cnts = sorted(cnts, key=cv2.contourArea, reverse=True)#把检测到的所有轮廓按面积进行排序# 遍历每一个轮廓for c in cnts:# 近似peri = cv2.arcLength(c, True)#计算一下轮廓周长approx = cv2.approxPolyDP(c, 0.02 * peri, True)#对轮廓进行近似# 准备做透视变换if len(approx) == 4:#多边形顶点有四个也就是矩形，这个就是我们的答题卡轮廓docCnt = approxbreak

# 执行透视变换
warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)

四、对每一道题均进行轮廓检测，遍历筛选

# 自适应阈值处理
thresh = cv2.threshold(warped, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
thresh_Contours = thresh.copy()

# 找到每一道题轮廓
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#这里再次进行轮廓检测，之所以不用霍夫圆检测是因为有可能答题卡会被全部涂满甚至越界
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3)
cv_show('thresh_Contours',thresh_Contours)
questionCnts = []

# 遍历，对所有的轮廓进行筛选
for c in cnts:# 计算比例和大小(x, y, w, h) = cv2.boundingRect(c)ar = w / float(h)#因为是圆形，这里是宽高比，外接矩形差不多宽高比是1:1# 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

五、对比答案，评分

# 每排有5个选项
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):#因为每一题都有五个选项，q为第几行# 排序cnts = sort_contours(questionCnts[i:i + 5])[0]#第i题的五个结果bubbled = None# 遍历每一个结果for (j, c) in enumerate(cnts):#j为第i道题的第j个选项# 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)#看下框出来的选项中非零的个数有多少个# 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]#第q道题的答案# 判断正确if k == bubbled[1]:color = (0, 255, 0)correct += 1# 绘图cv2.drawContours(warped, [cnts[k]], -1, color, 3)

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("Original", image)
cv2.imshow("Exam", warped)
cv2.waitKey(0)

六、Pycharm参数设定

设置参数指定图像路径

找到Edit Configurations
将image参数改成自己测试图像路径--image images\test11.png，其中images\test11.png为答题卡路径

七、完整代码

#导入工具包
import numpy as np
import argparse
import imutils
import cv2# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,help="path to the input image")
args = vars(ap.parse_args())# 正确答案
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}#存放正确答案BEADBdef order_points(pts):# 一共4个坐标点rect = np.zeros((4, 2), dtype = "float32")# 按顺序找到对应坐标0123分别是 左上，右上，右下，左下# 计算左上，右下s = pts.sum(axis = 1)rect[0] = pts[np.argmin(s)]rect[2] = pts[np.argmax(s)]# 计算右上和左下diff = np.diff(pts, axis = 1)rect[1] = pts[np.argmin(diff)]rect[3] = pts[np.argmax(diff)]return rectdef four_point_transform(image, pts):#透视变换# 获取输入坐标点rect = order_points(pts)(tl, tr, br, bl) = rect#拿到答题卡四个顶点坐标# 计算输入的w和h值widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))#因为拿到的答题卡的不一定是正儿八经的矩形，需要对四条边进行计算长度，选出最长的作为最后矩形的长度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")#看个人需求而定，这里将图像左上角规定为(0,0)位置# 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
def sort_contours(cnts, method="left-to-right"):#从上到下进行排序，因为题目就是一行一行的reverse = Falsei = 0if method == "right-to-left" or method == "bottom-to-top":reverse = Trueif method == "top-to-bottom" or method == "bottom-to-top":i = 1boundingBoxes = [cv2.boundingRect(c) for c in cnts](cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))#排完序之后，前五个是第一题的，之后每五个依次为下一题的return cnts, boundingBoxes
def cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()  # 预处理
image = cv2.imread(args["image"])#读取图像
contours_img = image.copy()#为了不改动原始图像，copy一下图像，因为后续需要进行一系列轮廓检测
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#灰度图
blurred = cv2.GaussianBlur(gray, (5, 5), 0)#高斯滤波，去除一些噪音点
cv_show('blurred',blurred)
edged = cv2.Canny(blurred, 75, 200)#Canny边缘检测
cv_show('edged',edged)# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#轮廓检测完之后会得到三个返回值，这里的[1]存放的是轮廓信息
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) #将图像通过透视变换进行摆正，绘制出答题卡的大致轮廓，拿到的答题卡图像也不一定是正儿八经的矩形
cv_show('contours_img',contours_img)
docCnt = None# 确保检测到了
if len(cnts) > 0:#因为可能会检测到其他干扰影响，但是答题卡的轮廓是最大的# 根据轮廓大小进行排序cnts = sorted(cnts, key=cv2.contourArea, reverse=True)#把检测到的所有轮廓按面积进行排序# 遍历每一个轮廓for c in cnts:# 近似peri = cv2.arcLength(c, True)#计算一下轮廓周长approx = cv2.approxPolyDP(c, 0.02 * peri, True)#对轮廓进行近似# 准备做透视变换if len(approx) == 4:#多边形顶点有四个也就是矩形，这个就是我们的答题卡轮廓docCnt = approxbreak# 执行透视变换
warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)# 自适应阈值处理
thresh = cv2.threshold(warped, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
thresh_Contours = thresh.copy()# 找到每一道题轮廓
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#这里再次进行轮廓检测，之所以不用霍夫圆检测是因为有可能答题卡会被全部涂满甚至越界
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3)
cv_show('thresh_Contours',thresh_Contours)
questionCnts = []# 遍历，对所有的轮廓进行筛选
for c in cnts:# 计算比例和大小(x, y, w, h) = cv2.boundingRect(c)ar = w / float(h)#因为是圆形，这里是宽高比，外接矩形差不多宽高比是1:1# 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# 每排有5个选项
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):#因为每一题都有五个选项，q为第几行# 排序cnts = sort_contours(questionCnts[i:i + 5])[0]#第i题的五个结果bubbled = None# 遍历每一个结果for (j, c) in enumerate(cnts):#j为第i道题的第j个选项# 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)#看下框出来的选项中非零的个数有多少个# 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]#第q道题的答案# 判断正确if k == bubbled[1]:color = (0, 255, 0)correct += 1# 绘图cv2.drawContours(warped, [cnts[k]], -1, color, 3)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("Original", image)
cv2.imshow("Exam", warped)
cv2.waitKey(0)

答题卡原题：

这里展示的太大，我就截取了其中一小部分进行展示

接下来就是依次对每道题进行遍历找到掩膜，一共25次，这里就不一一展示了
最后根据设定的字典里面的正确答案给出评分

四、模拟英语四六级答题卡识别阅卷评分相关推荐

英语四六级答题卡(PDF打印版)+关于写作和翻译从此处开始作答的问题解答
点击此处跳转百度网盘分享下载答题卡,提取码:t6h2 点击此处跳转CSDN资源下载答题卡四六级答题卡,写作和翻译时,在"从此处开始作答"后第一行或第二行开始书写均可
自动判卷、答题卡识别、六级答题卡客观题自动判卷系统1.0
自动判卷 .答题卡识别.六级答题卡客观题自动判卷系统1.0 一.前言二.代码三.处理原图片.以及效果图片四.总结一.引言: 1.本程序设计想法来源于一次四六级考试,因为六级没有好好准备,裸考上 ...
python 答题卡识别_opencv+python机读卡识别（初级版）
最近在进一步学习Python,在网上发现有使用opencv进行机读卡识别的, 就根据大神的文章,跟着学习,自己写了一个机读卡识别, 文章一:opencv+python机读卡识别整合版文章二:pyth ...
OpenCV C++案例实战五《答题卡识别》
OpenCV C++案例实战五<答题卡识别> 前言一.图像矫正 1.源码二.获取选项区域 1.扣出每题选项 2.源码三.获取答案 1.思路 2.辅助函数 3.源码 4.效果总结前 ...
opencv图像处理—项目实战：答题卡识别判卷
哔站唐宇迪opencv课程--项目实战:答题卡识别判卷 [计算机视觉-OpenCV]唐宇迪博士教会了我大学四年没学会的OpenCV OpenCV计算机视觉实战全套课程(附带课程课件资料+课件笔记+源码 ...
答题卡识别任务--opencv python（附代码）
答题卡识别项目理论和源码来自唐宇迪opencv项目实战记一篇python-opencv 完成答题卡识别项目的学习笔记输入一张特定格式的答题卡图片(答题卡中题目数量和选项个数是固定的),能够输出 ...
python CV 趣味项目答题卡识别
英文原文来自 Bubble sheet multiple choice scanner and test grader using OMR, Python and OpenCV 说到答题卡,满满的都是 ...
基于EmguCv圆形答题卡识别的优化
主要对答题卡通用性方面进行了优化(可不限于5*5的答题卡,对图片规格进行统一,可自动计算轮廓间距),并对一些容易出现的bug进行了修复.还需要手动控制统一后的图片大小规格及测量需要检测到的轮廓大小范围 ...
用Python+OpenCV+PyQt开发的答题卡识别软件
用Python+OpenCV+PyQt开发的答题卡识别软件软件使用说明软件设计思路如何设置答案界面风格备注这是一个可以识别定制答题卡的软件,它可以根据用户自定的答案来进行识别,校对正误并统 ...
答题卡识别C++版本（一）
之前用Python+Opencv 写过答题卡识别的算法. 这篇博客用的C++和Opencv来完成答题卡的识别,相关算法的思想是不变的. (一)定位答题卡的四个边角锚点因为标准答题卡的四角都有黑色的圈 ...

四、模拟英语四六级答题卡识别阅卷评分