前言

纸上得来终觉浅，绝知此事要躬行。算法是要多读论文、多看代码、多复现代码的。后两步特别重要。

github

https://github.com/yanjingke/opencv_answer_sheet

答题卡识别

需求分析

在本次识别中识别答题卡上的答案，并且计算出错误和正确的部分，统计出来。

具体步骤

1.图像基本预处理，保留试卷部分
2.仿射变化，把图片摆正，方便下一步识别
3.对答题卡圆形轮廓检测，并按列排序
4.按行排序，对圆形区域的像素值，检测
5.计算答案的正确率

图像基本预处理

图像基本预处理包括：把图片转换为灰度图、高斯模糊、canny算子边缘检测、检测轮廓、对轮廓进行排序

# 预处理
image = cv2.imread("images/test_01.png")
contours_img = image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
cv_show('blurred',blurred)
# 边缘检测
edged = cv2.Canny(blurred, 75, 200)
cv_show('edged',edged)# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[0]
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3)
cv_show('contours_img',contours_img)
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=cv2.contourArea, reverse=True)# 遍历每一个轮廓for c in cnts:# 近似peri = cv2.arcLength(c, True)approx = cv2.approxPolyDP(c, 0.02 * peri, True)# 准备做透视变换if len(approx) == 4:docCnt = approxbreak

仿射变化

仿射变化，我们的试卷变正，方便我们下一步操作


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

答题卡圆形轮廓检测，并排序

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

# 过滤出圆形轮廓
# 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]

按行排序，对圆形区域的像素值，检测

在按行排序时，要确保每行有5个像素值，利用mask，计算圆形区域内的像素。通过阈值计算出每行涂上答题卡的部分。计算时每行的第几个，并记录下来。

correct = 0
# 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]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，判断出答题部分if bubbled is None or total > bubbled[0]:bubbled = (total, j)

计算答案的正确率

这里答题卡是5行5列，利用计算出的5列的涂黑的值与真实答案的位置是否对应，对比正确答案，汇出图形。

# 每行对比正确答案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)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)

总结

还是要多写代码。

opencv task3------答题卡识别相关推荐

基于Android和OpenCV的答题卡识别软件
基于Android和OpenCV的答题卡识别软件 1. 软件介绍设计目标是可以添加不同的考试,在不同考试下可以设置模板,包括题目数量.答题卡样式.每题分值以及每题答案:扫描结果按列表显示,并讲识别出 ...
Opencv之答题卡识别判卷
项目要求提供一张答题卡图像,通过图像处理识别出答题卡上每个题的选项,与正确答案对比,得出分数并写在答题卡上. 代码实现过程 1.引入需要的库 import numpy as np import cv ...
基于 Java 的答题卡识别系统
这张答题卡想必伴随了大家的学生时代,不管是中考.高考.考研,都会用 2B 铅笔涂好卡上的红框框. 今天推荐一个基于 Spring MVC + OpenCV 的答题卡识别系统,OpenCV 是一个计算机 ...
Java答题卡识别系统
今天团长推荐的是一个基于 Spring MVC + OpenCV 的答题卡识别系统效果展示项目地址 https://github.com/ColorlibHQ/AdminLTE 如果觉得我的分享不 ...
基于 SpringMvc + OpenCV 实现的答题卡识别系统（附源码）
点击关注公众号,实用技术文章及时了解 java_opencv 项目介绍 OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,它提供了一系列图像处理和计算机视觉方面很多通用算法.是研究图像 ...
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 ...
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 ...
深入学习OpenCV文档扫描OCR识别及答题卡识别判卷（文档扫描，图像矫正，透视变换，OCR识别）
人工智能学习离不开实践的验证,推荐大家可以多在FlyAI-AI竞赛服务平台多参加训练和竞赛,以此来提升自己的能力.FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台.每周免费提供 ...

opencv task3------答题卡识别

答题卡识别

前言

github

答题卡识别

需求分析

具体步骤

图像基本预处理

仿射变化

答题卡圆形轮廓检测，并排序

按行排序，对圆形区域的像素值，检测

计算答案的正确率

总结

opencv task3------答题卡识别相关推荐

最新文章

热门文章