本文共 8627 字，大约阅读时间需要 28 分钟。

#################################################################

【纸上得来终觉浅，绝知此事要躬行】 视频 新课件：https://pan.baidu.com/s/1frWHqCVGR2VTn5QBtW4lPA 提取码：xh02 老课件：https://pan.baidu.com/s/1Wi31FxSPBqWiuJX9quX-jA 提取码：bbfg ################################################################

答题卡识别效果

【大致思路】：先进行仿射变换去除背景（只留试卷部分），二值化，圆形轮廓检测，遍历每一行选项，统计非零像素，记录填充选项（即非零像素最多的轮廓区域），与正确答案进行比对，正确则correct数+1，得到总成绩

1-4 基础操作+透视变换

1-4是基础操作, 3是做近似变换, 取最大的那个轮廓,最有可能是图像最大外围的轮廓

3的近似变换 和 4的透视变换原理 可以参考我的

# 1.预处理image = cv2.imread(args["image"])contours_img = image.copy()gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (5, 5), 0)cv_show('blurred',blurred)edged = cv2.Canny(blurred, 75, 200)cv_show('edged',edged)# 2.轮廓检测cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,	cv2.CHAIN_APPROX_SIMPLE)[1]cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) cv_show('contours_img',contours_img)docCnt = None# 3.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 = approx			break# 4.执行透视变换warped = four_point_transform(gray, docCnt.reshape(4, 2))cv_show('warped',warped)

5-6 阈值处理+轮廓检测

5.Otsu’s 阈值处理

THRESH_OTSU会自动寻找合适的阈值，适合双峰，需把阈值参数设置为0 在我的中出现也有应用(第三、五部分)

6.然后怎么区分涂和没涂的圆？

这里不用霍夫变换,因为有些涂完后 会突出边界，如下

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

7-8 筛选答题圈

7.遍历所有圆圈轮廓(包括干扰项) 筛选出答题区域的圆,其轮廓存于questionCnts

无论是圆形还是矩形的答题卡,都是规则的形状,比例相同. 所以这里要人工设定圆圈外接矩形的长宽比例 参考 (第四部分)

8.按照从上到下(从左到右)进行排序

参考 (第二部分)

# 7.遍历所有圆圈轮廓(包括干扰项) 筛选出答题区域的圆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	-- 过滤操作	if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:		questionCnts.append(c)# 8.按照从上到下进行排序questionCnts = sort_contours(questionCnts,	method="top-to-bottom")[0]correct = 0

9.每行的5个选项 分别比对正确答案

答题圈的轮廓questionCnts长度应为25, 间隔5, 可以遍历5次, 则

q 取0 1 2 3 4,共5行; i 表示从第几个轮廓开始:0,5,10,15,20. 即每行的第一个轮廓

# 9.每行的5个选项 分别比对正确答案for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):	# 9.1排序	cnts = sort_contours(questionCnts[i:i + 5])[0]	bubbled = None	# 9.2 遍历每一个结果	for (j, c) in enumerate(cnts):		# 9.2.1 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)		# 9.2.2 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)		# 9.2.3 通过阈值判断		if bubbled is None or total > bubbled[0]:			bubbled = (total, j)	# 9.3 获取正确答案	color = (0, 0, 255)	k = ANSWER_KEY[q]	# 9.4 对比答案 并 判断正确	if k == bubbled[1]:		color = (0, 255, 0)		correct += 1	# 9.5 绘图	cv2.drawContours(warped, [cnts[k]], -1, color, 3)

9.1 确保每一行的顺序为A B C D E

9.2 同样这么一行里,这5个框有什么不同.

j 取每个选项0 1 2 3 4

9.2.1 使用mask来判断结果

初始化一个 跟透视变换后的图 一样大小的mask(全黑)

然后在mask上, 画出当前遍历的这个(圆圈)轮廓c, 画成白色

• cv2.drawContours (传入绘制图像,轮廓,轮廓索引,颜色模式,线条厚度)
  参考
  补充一点：线条厚度 为负值或CV_FILLED 表示填充轮廓内部

一行遍历5个选项，5行一共25个选项，这展示前两行的遍历结果，后三行同理…

9.2.2 与操作

一张图片 跟 一张相同大小的黑白图片 进行与操作,则只保留图片的白色区域

• cv2.bitwise_and(src1, src2, dst=None, mask=None)

  对图像(灰度图像或彩色图像均可)每个像素值进行二进制“与”操作,
  1&1=1，1&0=0，0&1=0，0&0=0

  函数返回值： 调用时若无mask参数 则返回src1 & src2，若存在mask参数，则返回src1 & src2 & mask

  src1：输入原图1

  src2：输入原图2, src1与src2可以相同也可以不相同,可以是灰度图像也可以是彩色图像

  dst：输出矩阵,和输入矩阵一样的尺寸和类型 若存在参数时：src1 & src2 或者 src1 & src2 & mask

  mask：可以是单通道8bit灰度图像,也可以是矩阵,一般为二值化后的图像,指定要更改的输出数组的元素

• cv2.countNonZero统计非零像素点个数

9.2.3 依次判断5个选项的哪个非零值最大(即哪个被填充上了)

total > bubbled[0] 比它大的才保留到bubbled

bubbled 保留最大的选项( 即填充上的选项 ) j

9.3 k = ANSWER_KEY[q] 是第几题(行)的正确答案

9.4 若k = bubbled[1]，判断正确，correct+=1

.

10.打印正确率

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

. .

* 测试其他答题卡效果

结束语

虽然代码有点长，但大部分内容都是前面几个项目有用到的知识。可见遇到不同场景的举一反三能力多重要啦

扩展

有兴趣的同学们 可以尝试一下矩形答题卡的识别

完整代码

一个py文件，3个函数

# 导入工具包import numpy as npimport argparseimport cv2def 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 warpeddef 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, boundingBoxesdef cv_show(name,img):    cv2.imshow(name, img)    cv2.waitKey(0)    cv2.destroyAllWindows()  '''下面为主函数'''if __name__ == "__main__":	# 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}	# 1.预处理	image = cv2.imread(args["image"])	contours_img = image.copy()	gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)	blurred = cv2.GaussianBlur(gray, (5, 5), 0)	cv_show('blurred',blurred)	edged = cv2.Canny(blurred, 75, 200)	cv_show('edged',edged)	# 2.轮廓检测	cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,		cv2.CHAIN_APPROX_SIMPLE)[1]	cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) 	cv_show('contours_img',contours_img)	docCnt = None	# 3.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 = approx				break	# 4.执行透视变换	warped = four_point_transform(gray, docCnt.reshape(4, 2))	cv_show('warped',warped)	# 5.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()	# 6.找到所有轮廓	cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,		cv2.CHAIN_APPROX_SIMPLE)[1]	cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3) 	cv_show('thresh_Contours',thresh_Contours)	questionCnts = []	# 7.遍历所有圆圈轮廓(包括干扰项) 筛选出答题区域的圆	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	-- 过滤操作		if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:			questionCnts.append(c)	# 8.按照从上到下进行排序	questionCnts = sort_contours(questionCnts,		method="top-to-bottom")[0]	correct = 0	# 9.每行的5个选项 分别比对正确答案	for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):		# 9.1排序		cnts = sort_contours(questionCnts[i:i + 5])[0]		bubbled = None		# 9.2 遍历每一个结果		for (j, c) in enumerate(cnts):			# 9.2.1 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)			# 9.2.2 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)			# 9.2.3 通过阈值判断			if bubbled is None or total > bubbled[0]:				bubbled = (total, j)		# 9.3 获取正确答案		color = (0, 0, 255)		k = ANSWER_KEY[q]		# 9.4 对比答案 并 判断正确		if k == bubbled[1]:			color = (0, 255, 0)			correct += 1		# 9.5 绘图		cv2.drawContours(warped, [cnts[k]], -1, color, 3)	# 10.打印正确率	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, 255, 0), 2)	cv2.imshow("Original", image)	cv2.imshow("Exam", warped)	cv2.waitKey(0)

转载地址：http://jujii.baihongyu.com/