计算机视觉小实例 No.3 基于Hough变化的答题卡识别

最新推荐文章于 2023-03-21 20:04:18 发布
最新推荐文章于 2023-03-21 20:04:18 发布
阅读量8.1k 收藏 62
点赞数 21
分类专栏： MATLAB 文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/linglian0522/article/details/76409057
版权

答题卡识别

答题卡自动阅卷系统通过获取答题卡图像作为系统输入，并通过计算机处理、自动识别填图标记，存入数据库完成阅卷。
但是答题卡在运输和使用过程中，容易受到设备、环境等因素的影响，使得图像质量在一定程度上有所下降，影响了自动阅卷的准确率，甚至导致无法正常阅卷，因此要对答题卡图像进行一系列的预处理，滤去干扰、噪声，做几何校正（有的答题卡可能是倒着的），彩色校正等，并进行二值化处理。

图像二值化

图像的二值化，就是将图像的像素点只有1和0的取值，用来表示黑（0）白（1）二种颜色。

 f = imread('答题卡.jpg');
 subplot(1, 2, 1), imshow(f), title('原图');
 subplot(1, 2, 2), imshow(im2bw(f, graythresh(f))), title('二值化');

这里写图片描述

可以看到，如果不预先对图像进行处理的话，就会出现这种情况，那么结合我们现在学习的知识，让我们试一试一些处理方法吧。

对比度增强处理
 f = imread('答题卡.jpg');
 f = rgb2gray(f);
 subplot(1, 3, 1), imshow(f), title('原图');
 f = adapthisteq(f);
 subplot(1, 3, 2), imshow(f), title('增强后');
 subplot(1, 3, 3), imshow(im2bw(f, graythresh(f))), title('二值化');

这里写图片描述

这下子清晰了很多，但是呢，我们是不是还录用了一些没有必要的干扰信息，我们现在就去除干扰信息。

对比度拉伸(归一化处理)

图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。

f = imread('答题卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原图');
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, [0.0 0.25], [ ]);
subplot(1, 3, 2), imshow(f), title('归一化处理');
subplot(1, 3, 3), imshow(im2bw(f, graythresh(f))), title('二值化');

这里写图片描述

是不是加强了很多，接着，我们继续用中值滤波进行平滑处理。

f = imread('答题卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原图');
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
subplot(1, 3, 2), imshow(f), title('平滑处理');
f = im2bw(f, graythresh(f));
subplot(1, 3, 3), imshow(f), title('二值化');

这里写图片描述

发现还是有一些小的点， 我们只需要进行开闭操作即可。

f = imread('答题卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原图');
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
subplot(1, 3, 2), imshow(f), title('开闭前');
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
subplot(1, 3, 3), imshow(f), title('开闭后');

这里写图片描述

可以看到，一些小点点都消失了，接着，我们发现有的小方块太小了，那怎么办？只需要进行腐蚀操作即可。

f = imread('答题卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原图');
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
subplot(1, 3, 2), imshow(imcomplement(f)), title('腐蚀前');
f = imerode(f, strel('square', 4));
subplot(1, 3, 3), imshow(imcomplement(f)), title('腐蚀后');

这里写图片描述

怎么样，是不是很霸气- -，其中imcomplement是获得图像的负片的函数，就是1变成0，0变成1。

现在图像预处理完成了，接下来要干什么呢？就是要进行判断，分析！

先将其变为线的形式

f = imread('答题卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
subplot(1, 2, 1), imshow(imcomplement(f)), title('画线前');
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
subplot(1, 2, 2), imshow(f), title('画线后');

这里写图片描述

再找到最长的基准线

f = imread('答题卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
[h t r] = hough(f);
peaks = houghpeaks(h, 5);
lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
imshow(f), hold on;
len = 0;
for i = 1 : length(lines)
    tLen = norm(lines(i).point1 - lines(i).point2);
    if len < tLen
        len = tLen
        xy = [lines(i).point1; lines(i).point2];
    end
end
plot(xy(:, 1), xy(:, 2), 'LineWidth', 4, 'Color', 'red');

这里写图片描述

不过可以看出来，这个有点歪，我们需要对他进行校正

f = imread('答题卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
flag = true;
while flag
    figure;
    [h t r] = hough(f);
    peaks = houghpeaks(h, 5);
    lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
    subplot(1, 2, 1), imshow(f), title('校正前');
    len = 0;
    for i = 1 : length(lines)
        tLen = norm(lines(i).point1 - lines(i).point2);
        if len < tLen
            len = tLen;
            xy = [lines(i).point1; lines(i).point2];
        end
    end
    x1 = xy(:, 1);
    y1 = xy(:, 2);
    K1 = (x1(2)-x1(1))/(y1(2)-y1(1));
    angle = atan(K1)*180/pi;
    s = size(f);
    if y1(1) <= s(2) / 2 && y1(2) <= s(2) / 2&& abs(angle) > 75
        f= imrotate(f, angle, 'bilinear');
        flag = true;
    else
        f= imrotate(f, -angle, 'bilinear');
        flag = false;
    end
    subplot(1, 2, 2), imshow(f), title('校正后');
end

第一次校正
这里写图片描述
第二次校正
这里写图片描述

现在，我们的答题卡已经校正完毕，接着，我们需要将答题卡分割为信息部分和答题部分

f = imread('答题卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
flag = true;
while flag
    [h t r] = hough(f);
    peaks = houghpeaks(h, 5);
    lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
    len = 0;
    for i = 1 : length(lines)
        tLen = norm(lines(i).point1 - lines(i).point2);
        if len < tLen
            len = tLen;
            xy = [lines(i).point1; lines(i).point2];
        end
    end
    x1 = xy(:, 1);
    y1 = xy(:, 2);
    K1 = (x1(2)-x1(1))/(y1(2)-y1(1));
    angle = atan(K1)*180/pi;
    s = size(f);
    if y1(1) <= s(2) / 2 && y1(2) <= s(2) / 2&& abs(angle) > 75
        f= imrotate(f, angle, 'bilinear');
        flag = true;
    else
        f= imrotate(f, -angle, 'bilinear');
        flag = false;
    end
end
% 再进行画线，画出三条基准线
[h t r] = hough(f);
peaks = houghpeaks(h, 5);
lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
figure, imshow(f), title('分割前'), hold on;
for i = 1 : length(lines)
    xy = [lines(i).point1; lines(i).point2];
    if abs(lines(i).point1(2) - lines(i).point2(2)) <= 10
        len(i) = norm(lines(i).point1 - lines(i).point2);
    else
        len(i) = -1;
    end
    plot(xy(:, 1), xy(:, 2), 'LineWidth', 4, 'Color', 'red');
    plot(lines(i).point1(1), lines(i).point1(2), 'bo');
    plot(lines(i).point2(1), lines(i).point2(2), 'yo');
    xyD{i} = xy;
end
[len, ind] = sort(len(:), 'descend');
for i = 1 : length(ind)
    xyN{i} = xyD{ind(i)};
end
up = f;
down = f;
u = xyN{1};
d = xyN{2};
if u(1, 2) > d(1, 2)
    t = u;
    u = d;
    d = t;
end
up(u(1, 2) : 1 : d(1, 2), :) = 0;
down(1 : u(1, 2), :) = 0;
figure, imshow(up), title('信息部分');
figure, imshow(down), title('答题部分');

这里写图片描述
这里写图片描述
这里写图片描述

分割完了以后，让我们来获取信息。

f = imread('答题卡.jpg');
rg = f;
f = rgb2gray(f);
f = adapthisteq(f); % 对比度增强
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High , [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
flag = true;
while flag
    [h t r] = hough(f);
    peaks = houghpeaks(h, 5);
    lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
    len = 0;
    for i = 1 : length(lines)
        tLen = norm(lines(i).point1 - lines(i).point2);
        if len < tLen
            len = tLen;
            xy = [lines(i).point1; lines(i).point2];
        end
    end
    x1 = xy(:, 1);
    y1 = xy(:, 2);
    K1 = (x1(2)-x1(1))/(y1(2)-y1(1));
    right = x1(2);
    angle = atan(K1)*180/pi;
    s = size(f);
    if y1(1) <= s(2) / 2 && y1(2) <= s(2) / 2&& abs(angle) > 75
        f = imrotate(f, angle, 'bilinear');
        rg = imrotate(rg, angle, 'bilinear');
        flag = true;
    else
        f= imrotate(f, -angle, 'bilinear');
        rg = imrotate(rg, -angle, 'bilinear');
        flag = false;
    end
end
down = f;
% 再进行画线，画出三条基准线
[h t r] = hough(f);
peaks = houghpeaks(h, 5);
lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
for i = 1 : length(lines)
    xy = [lines(i).point1; lines(i).point2];
    if abs(lines(i).point1(2) - lines(i).point2(2)) <= 10
        len(i) = norm(lines(i).point1 - lines(i).point2);
    else
        len(i) = -1;
    end
    xyD{i} = xy;
end
[len, ind] = sort(len(:), 'descend');
for i = 1 : length(ind)
    xyN{i} = xyD{ind(i)};
end
u = xyN{1};
d = xyN{2};
if u(1, 2) > d(1, 2)
    t = u;
    u = d;
    d = t;
end
% 下半部分处理

subplot(1, 2, 1), imshow(rg), title('原图'), hold on;

l = d(1, 2) - u(1, 2);
l = l / 31;
for i = 1 : 31
    plot([0 1000], [u(1, 2) + l * (i - 1), u(1, 2) + l * (i - 1)], 'LineWidth', 1, 'Color', 'red');
end

l = right - d(1, 1);
l = l / 26;
for i = 1 : 26
    plot([d(1, 1) + l * (i - 1), d(1, 1) + l * (i - 1)], [u(1, 2) d(1, 2)], 'LineWidth', 1, 'Color', 'red');
end

down(1 : u(1, 2), :) = 0;
down = imdilate(down, strel('square', 3));
down = imfill(down, 'holes');
subplot(1, 2, 2), imshow(down), title('处理图'), hold on;

l = d(1, 2) - u(1, 2);
l = l / 31;
for i = 1 : 31
    plot([0 1000], [u(1, 2) + l * (i - 1), u(1, 2) + l * (i - 1)], 'LineWidth', 1, 'Color', 'red');
end

l = right - d(1, 1);
l = l / 27;
for i = 1 : 27
    plot([d(1, 1) + l * (i - 1), d(1, 1) + l * (i - 1)], [u(1, 2) d(1, 2)], 'LineWidth', 1, 'Color', 'red');
end

这里写图片描述

到这里就差不多了，只需要判断对应方格内是否为1即可。

下面是另外一张答题卡的图像

这里写图片描述

DLNU-linglian
关注
专栏目录
基于Hough变化的答题卡识别
01-23
本案例研究答题卡识别软件的设计与开发，集成了图像分割、模式识别等功能模块，设计计算机图像处理等知识。通过图像处理技术，完成识别答题卡图像的答案选项，应用了图像校正、模式识别等算法
基于opencv的答题卡识别
最新发布
qq_42301955的博客
07-25 447
答题卡检测
基于Hough变化的答题卡识别.zip
05-22
基于hough变换的答题卡识别matlab程序，包括图像调整，答题卡旋转，hough变换和答案识别多个程序，包含详细的注释和配套图片，能够直接运行！matlab2012以上版本
MATLAB图像与视频处理实用案例详解——第 04 章 基于Hough变化的答题卡识别
05-25
第 04 章 基于Hough变化的答题卡识别——相关代码及源文件 \Analysis.m \Compute_Angle.m \Gray_Convert.m \Hough_Process.m \images \......\1.JPG \Image_Binary.m \Image_Normalize.m \Image_Rotate.m \Image_Smooth.m \Location_Label.m \Morph_Process.m \Region_Segmation.m \results \runme.m \Write_Results.m
【答题卡识别】基于hough变换答题卡判定与成绩统计含Matlab源码
matlab_dingdang的博客
03-11 2369
1 简介 目前,考试阅卷使用光标阅读机进行阅卷.而教师个人及普通学校则难以承担光标阅读机高昂的购买与维护费用.如何保证计算机视觉相关技术在教育教学领域被充分应用,使教师个人,普通学校以及偏远山区的学校也能享受到教育信息化发展的红利,是急需解决的问题.答题卡识别作为计算机视觉研究的内容之一,是图像处理和人工智能领域研究的一个重要方向.将其运用到教育教学领域,则能有效解决这一问题,将老师从繁复的阅卷劳动中解放出来,推动教育教学质量上台阶.本文对目前的答题卡识别技术进行了研究,分析了其现实需求,在此基础上,设计
计算机视觉与深度学习实战-以MATLAB和Python为工具_基于Hough变化的答题卡识别_项目开发案例教程.pdf
04-27
总的来说，基于Hough变化的答题卡识别项目开发案例教程涉及到计算机视觉的基础理论和实践技巧，如图像处理的各个环节，以及针对特定应用场景的优化策略。MATLAB和Python作为工具，提供强大的图像处理库和算法支持，...
4 基于Hough变化的答题卡识别_答题卡_4基于Hough变化的答题卡识别_
10-02
总之，基于Hough变化的答题卡识别技术是计算机视觉在教育领域的成功应用，它通过自动化处理大量填涂数据，大大减轻了人工阅卷的工作负担。随着技术的不断进步，未来的答题卡识别系统将会更加智能，识别精度也将...
基于Hough变化的答题卡识别.rar
01-20
本项目采用基于Hough变换的方法，结合MATLAB编程环境，实现了一套高效且易用的答题卡识别系统。Hough变换是一种图像处理技术，主要用于检测直线、圆等几何形状，在答题卡识别中尤其适用，因为它可以很好地定位到答题...
基于Hough变化的答题卡识别.rar_hough 答题卡_答题卡_答题卡识别_自动校正_阅卷系统
07-14
答题卡自动阅卷系统通过获取答题卡图像作为系统输入，并通过计算机处理、自动识别填图标记，存入数据库完成阅卷。 但是答题卡在运输和使用过程中，容易受到设备、环境等因素的影响，使得图像质量在一定程度上有所...
【MATLAB图像处理实用案例详解（2）】—— 基于Hough变换的答题卡识别
Wendy的博客
03-30 5400
一、背景意义 研究答题卡识别软件的设计与开发，集成了图像分割、模式识别等领域的功能模块，涉及计算机图像处理的一系列知识。通过图像处理技术，系统能够识别答题卡图像的答案选项，再通过输入正确答案的答题卡并与之对照，进而对学生答题卡进行判别并计算出分数。本案例侧重于图像识别方面的实现，应用了图像校正、模式识别等方面的算法。 二、理论基础 答题卡自动阅卷系统通过获取答题卡图像作为系统输入，并通过计算机处理、自动识别填涂标记，存入数据库完成阅卷。在图像数字化的过程中，受设备、环境等因素的影响，答题卡图像的质量在一定程
第 04 章 基于Hough变化的答题卡识别.zip
05-28
基于霍夫变换的答题卡识别，在matlab上进行仿真，可以很好的运行。
基于Hough变化的答题卡识别_hough_答题卡_图像处理_
10-02
图像处理案例，本程序是在matlab语言上完成基于Hough变化的答题卡识别功能
基于Hough变化的答题卡识别（不带GUI界面）.zip
01-08
基于Hough变化的答题卡识别（不带GUI界面）.zip，main.m为主函数，运行主函数即可。 各个函数后面的flag表示是否显示图像，1或无为显示，0为不显示，详细内容和信息可以参考文章：https://wendy.blog.csdn.net/article/details/115316478
第 04 章 基于Hough变化的答题卡识别_答题卡_matlab答题卡_基于Hough变化的答题卡识别_
10-03
基于Hough变化的答题卡识别，在matlab上运行
答题卡识别
05-11
毕业设计和课程设计全套资料，主程序代码 clc; clear all; close all; warning off all; I = imread('images\\1.jpg'); I1 = Image_Normalize(I, 0);%图像归一化 hsize = [3 3]; sigma = 0.5; I2 = Image_Smooth(I1, hsize, sigma, 0); I3 = Gray_Convert(I2, 0); bw2 = Image_Binary(I3, 0);%二值化处理 [~, ~, xy_long] = Hough_Process(bw2, I1, 0);%霍夫变换 angle = Compute_Angle(xy_long);%计算角度 [I4, bw3] = Image_Rotate(I1, bw2, angle*1.8, 0);%图像旋转 [bw4, Loc1] = Morph_Process(bw3, 0);%形态处理 [Len, XYn, xy_long] = Hough_Process(bw4, I4, 0); [bw5, bw6] = Region_Segmation(XYn, bw4, I4, 0); [stats1, stats2, Line] = Location_Label(bw5, bw6, I4, XYn, Loc1, 1); [Dom, Aom, Answer, Bn] = Analysis(stats1, stats2, Line, I4);
【深度学习】基于Hough变化的答题卡识别（Matlab代码实现）
Ke_Yan_She的博客
03-21 1926
实验结果表明，此方法提取的图像清晰度较高，能够提取到图像的颜色特征和纹理特征，提取多个视频图像关键帧的时间较少。此外，还要解决机器视觉系统对目标的识别和位置的检测计算量大、精度低的问题，本文基于提出了一种Hough变换的图像特征识别算法，利用Hough变换对边缘检测结果进行形状特征的识别，提高了目标识别的准确度，降低了计算量。[1]刘峰,吴文杰,刘小磊,王欣然,方亚平,李国亮,杜小勇.计算机视觉与深度学习在猪只识别中的研究进展[J/OL].华中农业大学学报:1-10[2023-03-17]
【第 04 章 基于Hough变化的答题卡识别】
dongbao520的博客
06-19 540
全套系统MATLAB智能驾驶深度学习之hough变换实现案例应用 函数比较基础，应用起来难度不高，主要倾向于图像的识别和简单的处理。 主函数如下 main.m Hough函数变换 即 Hough_Process.m 区域分割子函数 Region_Segmation.m 其他具体的函数列表文件 全套文件源码–>传送门...
基于MATLAB数字图像处理技术的答题卡识别方法
m0_59833680的博客
08-18 1869
基于数字图像处理技术的答题卡识别方法摘 要背景：随着科技的发展，电子与计算机技术的进步，答题卡的出现大大减轻教学工作者们批改试卷的工作量。答题卡是光标阅读机输入信息的载体，是配套光标阅读机的各种信息录入表格的总称。 答题卡将用户需要的信息转化为可选择的选项，供用户涂写。OMR是用光学扫描的方法来识别按一定格式印刷或书写的标记，并将其转换为计算机能接受的电信号的设备，并根据信息点的涂与未涂和格式...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值