🌞欢迎莅临我的个人主页👈🏻这里是我专注于深度学习领域、用心分享知识精粹与智慧火花的独特角落！🍉
🌈如果大家喜欢文章，欢迎：关注🍷+点赞👍🏻+评论✍🏻+收藏🌟，如有错误敬请指正！🪐
🍓“请不要相信胜利就像山坡上的蒲公英一样唾手可得，但是请相信生活中总有美好值得我们全力以赴，哪怕粉身碎骨！”🌹
目录
引言：随着信息化的发展，计算机阅卷已经成为一种常规操作。在大型考试中，客观题基本不再 需要人工阅卷。本项目旨在开发一个基于OpenCV的高效答题卡识别系统，通过先进的图像处理和模式识别技术，实现对答题卡的快速准确分析。
文章所有资源请看文末！
透视变换矫正
假如有一张答题卡平放在地面上，那我们怎样去找到答题卡的边界轮廓呢？
答案是透视变换。首先我们需要找到答题卡的轮廓才能对选项做各种处理呀，接下来就是对透视变换的方法说明了。
假设原始图像中的点为，目标图像中的对应点为
。透视变换可以用一个 3x3 的矩阵
来描述：
其中，矩阵的元素取决于原始四边形和目标四边形顶点的坐标。其核心原理在于通过建立原始图像和目标图像之间的对应点关系，来计算一个变换矩阵。
综上所述，使用透视变换扫描得到答题卡边界具体步骤如下：
- 找到原始图像的4个顶点和目标图像的4个顶点
- 根据8个顶点构造原始图像到目标图像的变换矩阵
- 依据变换矩阵，实现原始图像到目标图像的变换，完成倾斜矫正
注意：用于构造变换矩阵使用的原始图像的4个顶点和目标图像的4个顶点的位置必须是匹配的，也就是说，要将左上、右上、左下、右下4个顶点按照相同的顺序排列。
OK，下面我们直接根据代码来进行说明。
import cv2
import math
import numpy as np
# x坐标
def sortBy_x(pt):
return pt[0]
# y坐标
def sortBy_y(pt):
return pt[1]
def correct(path):
try:
answerSheet = cv2.imread(path)
gray = cv2.cvtColor(answerSheet, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
canny = cv2.Canny(blurred, 75, 200)
contours, Hierarchy = cv2.findContours(canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
if len(contours) == 1:
result_contour = contours[0]
else:
max_length = -1
index = -1
for i, contour in enumerate(contours):
length = cv2.arcLength(contour, True)
if length > max_length:
max_length = length
index = i
result_contour = contours[index]
pts = cv2.approxPolyDP(result_contour, 0.02 * cv2.arcLength(result_contour, True), True)
if len(pts) != 4:
raise ValueError("透视变换需要四个点，但检测到的点数量为{}".format(len(pts)))
pts = np.array([pt[0] for pt in pts]) # 提取点坐标
print(pts)
pts = sorted(pts, key=sortBy_x)
print(pts)
pts = sorted(pts, key=sortBy_y)
print(pts)
print(pts[0][0])
width1 = math.sqrt((pts[0][0] - pts[1][0]) ** 2 + (pts[0][1] - pts[1][1]) ** 2)
width2 = math.sqrt((pts[2][0] - pts[3][0]) ** 2 + (pts[2][1] - pts[3][1]) ** 2)
width = int(max(width1, width2))
height1 = math.sqrt((pts[0][0] - pts[3][0]) ** 2 + (pts[0][1] - pts[3][1]) ** 2)
height2 = math.sqrt((pts[2][0] - pts[1][0]) ** 2 + (pts[2][1] - pts[1][1]) ** 2)
height = int(max(height1, height2))
pts_dst = np.array([[0, 0], [width - 1, 0], [width - 1, height - 1], [0, height - 1]], dtype="float32")
pts_src = np.array(pts, dtype="float32")
M = cv2.getPerspectiveTransform(pts_src, pts_dst)
birdMat = cv2.warpPerspective(answerSheet, M, (width, height))
return birdMat
except Exception as e:
print(f"Error in correct: {e}")
return None1、首先对读取的图像进行一系列预处理操作：灰度转换、滤波、边缘检测等以凸显图像特征
2、使用cv2.findContours查找图像轮廓
当轮廓数量为1时，直接将其结果作为轮廓。
否则通过计算 每个轮廓的弧长，找到弧长最长的轮廓作为结果轮廓。
3、使用cv2.approxPolyDP函数对结果轮廓进行多边形逼近，得到近似的顶点坐标
4、将顶点坐标提取出来，并分别按照x坐标和y坐标进行排序，同时计算相邻两点之间的距离，取最大值作为宽度和高度，并据此计算目标顶点
5、cv2.getPerspectiveTransfor计算变换矩阵，cv2.warpPerspective根据变换矩阵对原始图像进行透视变换，得到矫正后的图像
效果如下：
选项识别匹配
答题卡轮廓边界得到之后就是对选项的处理了。
import cv2
import numpy as np
import math
def sortBy_x(pt):
return pt[0]
def sortBy_y(pt):
return pt[1]
def recognition(path, imageIndex):
try:
answerSheet = cv2.imread(path)
gray = cv2.cvtColor(answerSheet, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
canny = cv2.Canny(blurred, 75, 200)
contours, _ = cv2.findContours(canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
if len(contours) == 1:
result_contour = contours[0]
else:
max_length = -1
index = -1
for i, contour in enumerate(contours):
length = cv2.arcLength(contour, True)
if length > max_length:
max_length = length
index = i
result_contour = contours[index]
pts = cv2.approxPolyDP(result_contour, 0.02 * cv2.arcLength(result_contour, True), True)
if len(pts) != 4:
raise ValueError("识别需要四个点，但检测到的点数量为{}".format(len(pts)))
pts = np.array([pt[0] for pt in pts])
pts = sorted(pts, key=sortBy_x)
pts = sorted(pts, key=sortBy_y)
width1 = math.sqrt((pts[0][0] - pts[1][0]) ** 2 + (pts[0][1] - pts[1][1]) ** 2)
width2 = math.sqrt((pts[2][0] - pts[3][0]) ** 2 + (pts[2][1] - pts[3][1]) ** 2)
width = int(max(width1, width2))
height1 = math.sqrt((pts[0][0] - pts[3][0]) ** 2 + (pts[0][1] - pts[3][1]) ** 2)
height2 = math.sqrt((pts[2][0] - pts[1][0]) ** 2 + (pts[2][1] - pts[1][1]) ** 2)
height = int(max(height1, height2))
pts_dst = np.array([[0, 0], [width - 1, 0], [width - 1, height - 1], [0, height - 1]], dtype="float32")
pts_src = np.array(pts, dtype="float32")
M = cv2.getPerspectiveTransform(pts_src, pts_dst)
birdMat = cv2.warpPerspective(answerSheet, M, (width, height))
cv2.imshow("original", birdMat)
################# 识别 ##############################
gray_birdMat = cv2.cvtColor(birdMat, cv2.COLOR_BGR2GRAY)
_, target = cv2.threshold(gray_birdMat, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
cv2.imshow("Img", target)
element = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
target = cv2.dilate(target, element)
cv2.imshow("image", target)
# 提取选项
contours, _ = cv2.findContours(target, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# print(contours)
selected_contours = [c for c in contours if cv2.boundingRect(c)[2] > 20 and cv2.boundingRect(c)[3] > 20]
answerSheet_con = cv2.cvtColor(target, cv2.COLOR_GRAY2BGR)
cv2.drawContours(answerSheet_con, selected_contours, -1, (0, 0, 255), 2)
# 选项定位、二维数组存储
radius = []
center = []
for contour in selected_contours:
(x, y), r = cv2.minEnclosingCircle(contour)
radius.append(r)
center.append((int(x), int(y)))
x_min = min(center, key=lambda x: x[0])[0]
x_max = max(center, key=lambda x: x[0])[0]
x_interval = (x_max - x_min) // 4
y_min = min(center, key=lambda x: x[1])[1]
y_max = max(center, key=lambda x: x[1])[1]
y_interval = (y_max - y_min) // 4
classed_contours = [[[] for _ in range(5)] for _ in range(5)]
for i, point in enumerate(center):
index_x = round((point[0] - x_min) / x_interval)
index_y = round((point[1] - y_min) / y_interval)
classed_contours[index_y][index_x] = selected_contours[i]
colors = [(0, 0, 255), (255, 0, 255), (0, 255, 255), (255, 0, 0), (0, 255, 0)]
test_result = cv2.cvtColor(target, cv2.COLOR_GRAY2BGR)
for i in range(5):
for j in range(5):
if len(classed_contours[i][j]) > 0:
cv2.drawContours(test_result, classed_contours[i][j], -1, colors[i], 2)
# 答案自定义，只有 5个选项
correct_answers = [0, 4, 4, 2, 1]
# 定义选项位置
result_count = np.zeros((5, 5), dtype=int)
re_rect = [[cv2.boundingRect(contour) for contour in row] for row in classed_contours]
count_roi = np.zeros((5, 5), dtype=np.float32)
min_count = 999
max_count = -1
for i in range(5):
for j in range(5):
if len(classed_contours[i][j]) > 0:
rect = re_rect[i][j]
tem = target[rect[1]:rect[1] + rect[3], rect[0]:rect[0] + rect[2]]
count = cv2.countNonZero(tem)
if count > max_count:
max_count = count
if count < min_count:
min_count = count
count_roi[i][j] = count
mean = (max_count - min_count) // 2
option_diff = np.abs(count_roi - max_count)
for i in range(5):
for j in range(5):
if option_diff[i][j] < mean:
result_count[i][j] += 1
# 进行审阅
label_answer = birdMat.copy()
correct_count = 0
wrong_answers = {}
for i in range(5):
selected = []
for j in range(5):
if result_count[i][j] == 1:
selected.append(j)
if j == correct_answers[i]:
cv2.drawContours(label_answer, classed_contours[i][j], -1, (255, 0, 0), 2)
else:
cv2.drawContours(label_answer, classed_contours[i][j], -1, (0, 0, 255), 2)
# 记录题目数量、正确题数、错题
if len(selected) == 0:
continue # 未作答，不做任何处理
elif len(selected) == 1:
if selected[0] == correct_answers[i]:
correct_count += 1
else:
wrong_answers[i + 1] = chr(65 + selected[0]) # 错误选项
else:
blue_count = sum(1 for j in selected if j == correct_answers[i])
red_count = len(selected) - blue_count
if blue_count > 0 and red_count > 0:
wrong_answers[i + 1] = '多选'
total_questions = len(correct_answers)
score = correct_count / total_questions * 100
data = {
"序号": "{:02}".format(imageIndex + 1),
"成绩": score,
"题目总数": total_questions,
"错题": str(wrong_answers),
"正确题数": correct_count
}
return label_answer, data
except Exception as e:
print(f"Error in recognition: {e}")
return None, None1、首先仍就是图像预处理，这通常会使得我们更易于提取选项，得到其位置。将变换后的图像转为灰度图并进行反二阈值化凸显选项，随后进行膨胀操作以连接断开的部分或填充小的空洞。
2、提取选项轮廓。通过cv2.findContours得到所有轮廓，随后对每个轮廓进行筛选，只有宽度和高度均大于20像素的轮廓才会被保留下来，这样就能够得到选项了。
3、选项定位与分类。计算每个符合条件的轮廓的最小外接圆的圆心和半径。根据圆心坐标，将选项按照水平和垂直方向进行分类并存储到二维数组中。
4、答案识别与审阅。
- 自定义正确答案，用数字标识答案位置，默认从0开始。
- 为每个选项区域计算非零像素的数量。
- 通过计算得到的数量与平均值，确定每个选项的选择情况并存储到二维数组中。
5、审阅结果展示与数据统计。比较二维数组与正确答案，绘制正确和错误选项的轮廓，正确为蓝色，错误为红色；同时统计正确题数、计算分数，并将相关数据存储到字典中。
效果如下：
QT 界面设计
本次界面设计使用的是pyqt5，我也只是初学，所以做的界面不是很好，但也勉强还算看的过眼吧。这个界面其实就是把变换后的图像和识别检测的结果弄到展示窗口，然后把记录的数据信息这些保存到excel表而已，说实在的还是太简陋了呀。OK，下面我们直接看效果吧。
答题卡识别
好的，以上就是本次项目的所有内容了，希望对大家有所帮助呀，有疑问的可以评论或私聊我解答哟！
文章所有资源有需要的可自取
百度网盘链接: https://pan.baidu.com/s/1pFeaKRGAwF1zfip_wqt_dQ 提取码: 0bw7
扫一扫
1495
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
