最全人工智能项目实战-使用OMR完成答题卡识别判卷_人工智能判卷(1)

这里是一些基础的形态学操作，首先我们将图像由RGB转为gray图像，灰度图像。然后我们对灰度图像进行一个高斯滤波操作，目的就是消除掉图片中的一些噪音点，方便后期处理。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/d910f2157d6744bf96da40a41c26f858.png)  
 高斯滤波之后，我们又做了一次边缘检测，以75和200像素值作为阈值。对滤波后的操作进行一个边缘检测。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/ebb5600f1a03463687f6d532e1394a41.png)  
 然后我们对边缘检测后的图像进行轮廓检测，并且画出轮廓。文档的边缘是如何清晰定义的，检查的所有四个顶点都存在于图像中。获取文档的这个轮廓非常重要，因为我们将使用它作为标记，将透视转换应用于考试，从而获得文档的自上而下的鸟瞰图。

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)

这里要注意就是老版本的CV轮廓检测返回的是三个结果，而新的版本返回的是两个结果。所以我们只需要第一个结果，所以索引就是定位0，老版本就定为1.然后我们定义参数，只检测外轮廓，并且使用四个点检测轮廓的方法。完成之后我们生成的图像就是：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/eb5615f7e29e4fd4b9cae668f9d157b8.png)  
 我们检测出来外面轮廓之后，接下来想把整个试卷拿出来，做一个透视变换操作。拿到轮廓的坐标。

docCnt = None
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:
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

#### ⭐️二、透视变换


这里我们把轮廓按照面积做了一个排序，然后遍历排序后的轮廓。`cv2.approxPolyDP`主要功能是把一个连续光滑曲线折线化。如果轮廓检测出来是四个点组成的，那么我们就把他给拿出来。

warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show(‘warped’,warped)

其中four\_point\_transform函数对应的转换操作是：

def four_point_transform(image, pts):
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

首先我们用`order_points`把四个点的坐标提取出来了。然后我们计算一下透视变换的w和h。选择出来透视变换之后的坐标结果。然后我们基于这两个结果求出一个中间矩阵M，然后使用一个当前矩阵\*中间矩阵M就得到了透视变换之后的结果。  
 其中`order_points`函数是：

def order_points(pts):
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 rect

对着四个点进行操作，如果相加那么肯定是左上的点是最小的，右下的点是最大的。那么我们把他提取出来。然后在做差，那么很明显就是右上是最大的，左下是最小的，这样我们就把四个点给提取出来了。然后返回回去。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/3a8d2a8db16e4888a9c52f89194c35f5.png)


#### ⭐️三、阈值处理


我们拿到了透视变换的结果之后，对透视结果进行操作，首先我们进行一次阈值处理。这里的阈值处理如下：

thresh = cv2.threshold(warped, 0, 255,
cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show(‘thresh’,thresh)

\*\*这里不是选择阈值为0，再次强调！！！！\*\*而是让计算机随机的给我们提供一个阈值合适的数值。然后进行阈值处理。得到的结果是：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/b337e929edf843de97041b04dedcf025.png)  
 然后对结果做一次轮廓检测。

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)

还是同上面做轮廓检测的结果一致。得到的结果是这样：  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/dcdad7b8bbfc435192f3472c6cd9ff38.png)


#### ⭐️四、过滤干扰项


然后我们过滤掉一些干扰项。

questionCnts = []
for c in cnts:
(x, y, w, h) = cv2.boundingRect©
ar = w / float(h)#ar定义一个长宽比
if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
questionCnts.append©
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)):
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
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)

首先我们定义一个长宽比，然后我们根据长宽比和wh对实际项目进行一个过滤轮廓操作。首先我们进行一次竖直方向的一个排序。分为一排一排的，然后我们在遍历每一排，对每一排进行一个排序。然后我们使用一个掩码和正确答案做一个与操作，然后通过判断其中非0点的个数来判断是都是正确答案。因为涂卡的地方我们处理之后的结果都是白色像素点较多。选择出来结果之后我们和正确答案进行一次对比。正确答案是我们提前定义好的：通过对比索引，我们就可以得到结果。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/5d8302dc3a584b7593fb6b0d2c651975.png)

ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}

其中`sort_contours`的函数具体是这样。

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© for c in cnts]
(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
key=lambda b: b[1][i], reverse=reverse))
return cnts, boundingBoxes

排序的结果也可以展示一下。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/79ad2df5addd4d8f871bbe6f795cb4f5.png)


![在这里插入图片描述](https://img-blog.csdnimg.cn/d75ccc24a74b4b179ebdd8f94254840b.png)  
 通过一次一次遍历来判断。


#### ⭐️五、展示操作


![img](https://img-blog.csdnimg.cn/img_convert/4d62689f71827b879b9783d2029514a6.png)
![img](https://img-blog.csdnimg.cn/img_convert/d99c159ff9ce43ba3ed5b96f36c1d1a9.png)
![img](https://img-blog.csdnimg.cn/img_convert/807cf75de14235ae8932b31e2b92e4b6.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**

-lnz4hVP3-1714811089768)]

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**