目錄1、設(shè)定答題卡模板2、讀取答題卡圖像并對圖像進(jìn)行灰度化處理3、高斯模糊圖像去噪點(diǎn)4、使用大津法二值分割圖像5、使用開運(yùn)算去噪點(diǎn)6、使用canny邊緣檢測算法7、篩選答題區(qū)域輪廓，透視變換矯正目標(biāo)區(qū)域使用攝像頭實(shí)時判卷部分總結(jié)1、設(shè)定答題卡模板

該圖像為答題卡的答題區(qū)域，黑色邊框是為了能夠在各種環(huán)境中輕易的檢測，左部分和上部分的黑色矩形，是為能夠定位到答題選項(xiàng)的坐標(biāo)而設(shè)置，同時題目數(shù)量為20×3共60道選擇題，在進(jìn)行批改試卷之前，需要手動輸入該次考試的正確答案作為模板來對識別的內(nèi)容進(jìn)行比較判分。

2、讀取答題卡圖像并對圖像進(jìn)行灰度化處理

# 最大值法求圖像灰度值def graying(image): h, w = image.shape[0], image.shape[1] gray = np.zeros((h, w), np.uint8) for i in range(h):for j in range(w): gray[i, j] = max(image[i,j][0], image[i,j][1], image[i,j][2]) return gray3、高斯模糊圖像去噪點(diǎn)

gray = cv2.GaussianBlur(gray, (3, 3), 0)4、使用大津法二值分割圖像

經(jīng)過上一步操作后，答題卡的前背景分明，已經(jīng)能夠輕易將標(biāo)識矩陣和答題區(qū)域涂改信息和背景分離開來，接下來需要將圖像的標(biāo)識矩陣和答題區(qū)域的涂改信息提取出來，需要進(jìn)一步規(guī)劃數(shù)字圖像信息，二值化圖像能使圖像的數(shù)據(jù)量大大減少，既保留原有的數(shù)字信息，又能將無用的數(shù)據(jù)舍去，將原本數(shù)值范圍為0-255的圖像信息分割成像素值為0或255的二值圖像，在這里0值代表背景，無用且不需要處理的信息，255表示目標(biāo)信息(標(biāo)識矩陣和答題區(qū)域的涂改信息)，其算法原理非常簡單，圖像中像素值大于閾值時為255，小于閾值時為0。在二值化時，需要確定一個閾值，而這個閾值人為來定義是無法隨著環(huán)境變換隨時處于最優(yōu)狀態(tài)，在這里我們使用1979年由學(xué)者大津提出的對圖像分割的高效算法來處理。大津法算法原理：

有假設(shè)如下：

u: 圖像像素值平均值 g: 圖像類間方差 w0: 圖像背景像素點(diǎn)數(shù)占圖像的比例 u0: 圖像背景像素點(diǎn)的平均值 w1: 圖像前景像素點(diǎn)數(shù)占圖像的比例 u1: 圖像前景像素點(diǎn)的平均值

算法公式為：

將第一個公式代入第二個得：

5、使用開運(yùn)算去噪點(diǎn)

此時已經(jīng)得到較為完美的預(yù)處理圖，但是不難發(fā)現(xiàn)，我們答題卡有一小塊干擾像素。在實(shí)際情況中，這種干擾信息是有可能出現(xiàn)的，且大小與清晰度并沒有固定范圍，因此，在判卷之前，需要盡可能的將這種干擾信息去除，前面的各種圖像預(yù)處理方法僅僅是將圖像的前景和背景分離提取出定位標(biāo)識信息和涂改信息，面對這樣的情況，選擇使用機(jī)器視覺中

常用的開運(yùn)算方法處理圖像可以得到較好的效果。

開運(yùn)算：先對圖像進(jìn)行腐蝕操作，再進(jìn)行膨脹操作，就是開運(yùn)算操作，能夠消除細(xì)小的物體，將兩個物體的細(xì)小的連接處去除從而分離兩個物體，且擁有平滑邊界的效果，被廣泛應(yīng)用于去除圖像噪聲。

腐蝕算法原理：

步驟1：定義一個卷積核B，卷積核可以是隨意的大小與形狀，但通常是帶參考點(diǎn)的正方形或圓形，作為腐蝕的模板。

步驟2：將卷積核與原圖像進(jìn)行卷積操作，計(jì)算原圖像包裹卷積核B的區(qū)域的像素最小值，這個區(qū)域則作為腐蝕操作后的結(jié)果。

例如有原圖像A，卷積核B

則經(jīng)過腐蝕算法操作之后可得實(shí)驗(yàn)結(jié)果為如下：

實(shí)驗(yàn)發(fā)現(xiàn)，右上角的小塊圖像噪聲被腐蝕掉了，同時，下方的像素塊被腐蝕了一圈且兩塊被分割開來，為了盡量減少圖像的信息被過度腐蝕掉，接下來一步需要使用膨脹算法，將圖像像素膨脹回來，盡可能去掉圖像噪聲的同時，也減少圖像信息的過度減少。

膨脹算法原理：

步驟1：定義一個卷積核B，開運(yùn)算時直接使用腐蝕操作時使用的卷積核B。

步驟2：將卷積核B與原圖像進(jìn)行卷積操作，計(jì)算原圖像包裹卷積核B的區(qū)域的像素最大值，這個區(qū)域則作為膨脹操作后的結(jié)果。使用腐蝕操作后的結(jié)果來進(jìn)行膨脹操作，實(shí)驗(yàn)效果如下：

觀察開運(yùn)算操作的前后對比，可以得知，右上角的噪聲完全去除的同時，與原圖像信息相比較，僅僅有五個像素點(diǎn)被去除，是完全可以接受的。

開運(yùn)算操作實(shí)際實(shí)驗(yàn)效果如下：

步驟進(jìn)行到這，發(fā)現(xiàn)右下角那塊較大的圖像噪聲，仍舊無法消除，主要原因是該噪聲較大，形狀大小與顏色深度與目標(biāo)信息相似，在準(zhǔn)確保留目標(biāo)信息的情況下難以將其分割開來，因此接下來選擇通過定位圖像信息來排除該圖像噪聲，對其不進(jìn)行操作。

代碼網(wǎng)上找的，忘記從哪抄的了，百度一下都有。。。

# 圖像腐蝕def etch(img, size): h=img.shape[0] w=img.shape[1] img1=np.zeros((h,w),np.uint8) for i in range (1,h-1):for j in range (1,w-1): min=img[i,j] for k in range (i-size,i+size):for l in range (j-size,j+size): if k<0|k>=h-1|l<0|l>=w-1:continue if img[k,l]<min:min=img[k,l] img1[i,j]=min return img1# 圖像膨脹def expand(img, size): h=img.shape[0] w=img.shape[1] img1=np.zeros((h,w),np.uint8) for i in range (1,h-1):for j in range (1,w-1): max=img[i,j] for k in range (i-size,i+size):for l in range (j-size,j+size): if k<0|k>=h-1|l<0|l>=w-1:continue if img[k,l]>max: max=img[k,l] img1[i,j]=max return img1# 開運(yùn)算def opening(image, size): etch_img = etch(image, size) expand_img = expand(etch_img, size) return expand_img6、使用canny邊緣檢測算法

canny邊緣檢測算法是一種運(yùn)用非常廣泛的算法，由john F.Canny在1986年提出的，一種多階段的算法：

步驟1：對圖像進(jìn)行去噪

步驟2：計(jì)算圖像的強(qiáng)度梯度

步驟3：在邊緣上進(jìn)行非極大值抑制

步驟4：對檢測得到的邊緣使用雙閾值排查

步驟5：分析邊緣之間的連接

通過這一系列的操作后便可得到圖像內(nèi)容里的邊緣信息，我們前面已經(jīng)對圖像進(jìn)行了深度的去噪操作，已經(jīng)將大部分噪音完全清除，接下來的操作應(yīng)該是區(qū)分定位區(qū)域和判卷區(qū)域的坐標(biāo)，來對其進(jìn)行判斷處理，這一步只是為了觀察圖像的邊緣信息，屬于測試步驟，在實(shí)際的運(yùn)用中，并不會使用該步驟來處理圖像。

實(shí)驗(yàn)結(jié)果如下：

7、篩選答題區(qū)域輪廓，透視變換矯正目標(biāo)區(qū)域

通過輪廓檢測可以計(jì)算多邊形的外界，在這里我們需要檢測出答題卡涂改區(qū)域的黑色邊框位置，定位得到邊框的四個頂點(diǎn)坐標(biāo)，再對目標(biāo)進(jìn)行透視矯正操作。到這一步驟，已經(jīng)得到矯正后的答題區(qū)域，接下來需要對圖像的答題區(qū)域進(jìn)行定位判斷。

具體實(shí)驗(yàn)效果如下：

# 透視變換from imutils.perspective import four_point_transformdef wPs(image, points): warped = four_point_transform(image, points) return warped

最后判斷黑色集中的地方就可以判斷選項(xiàng)了

使用攝像頭實(shí)時判卷部分

調(diào)用攝像頭部分的處理方式是對圖像處理里使用的方法的一個總和。最終該系統(tǒng)的實(shí)時判卷，準(zhǔn)確率達(dá)到百分之百，并且是在環(huán)境較差的的情況下進(jìn)行判卷。

全部代碼如下

import cv2import numpy as np# 選取區(qū)域去除邊緣dist = 5# 畫圖線粗度line_w = 2# 畫筆顏色red = (0, 0, 255)green = (0, 255, 0)blue = (255, 0, 0)# 高斯模糊算法#防止顏色值超出顏色取值范圍（0-255）# 開運(yùn)算，先腐蝕，后膨脹# 圖像腐蝕def etch(img, size): h=img.shape[0] w=img.shape[1] img1=np.zeros((h,w),np.uint8) for i in range (1,h-1):for j in range (1,w-1): min=img[i,j] for k in range (i-size,i+size):for l in range (j-size,j+size): if k<0|k>=h-1|l<0|l>=w-1:continue if img[k,l]<min:min=img[k,l] img1[i,j]=min return img1# 圖像膨脹def expand(img, size): h=img.shape[0] w=img.shape[1] img1=np.zeros((h,w),np.uint8) for i in range (1,h-1):for j in range (1,w-1): max=img[i,j] for k in range (i-size,i+size):for l in range (j-size,j+size): if k<0|k>=h-1|l<0|l>=w-1:continue if img[k,l]>max: max=img[k,l] img1[i,j]=max return img1# 開運(yùn)算def opening(image, size): etch_img = etch(image, size) expand_img = expand(etch_img, size) return expand_img# 最大值法求圖像灰度值def graying(image): h, w = image.shape[0], image.shape[1] gray = np.zeros((h, w), np.uint8) for i in range(h):for j in range(w): gray[i, j] = max(image[i,j][0], image[i,j][1], image[i,j][2]) return gray# OTSU# 二值化def otsu(img): h=img.shape[0] w=img.shape[1] m=h*w otsuimg=np.zeros((h,w),np.uint8) threshold_max=threshold=0 histogram=np.zeros(256,np.int32) probability=np.zeros(256,np.float32) for i in range(h):for j in range(w): s=img[i,j] histogram[s]+=1 for k in range(256):probability[k]=histogram[k]/m for i in range(255):w0 = w1 = 0fgs = bgs = 0for j in range (256): if j<=i:w0+=probability[j]fgs+=j*probability[j] else:w1+=probability[j]bgs+=j*probability[j]u0=fgs/w0u1=bgs/w1g=w0*w1*(u0-u1)**2if g>=threshold_max: threshold_max=g threshold=i for i in range (h):for j in range (w): if img[i,j]<threshold:otsuimg[i,j]=255 else:otsuimg[i,j]=0 return otsuimg# 透視變換from imutils.perspective import four_point_transformdef wPs(image, points): warped = four_point_transform(image, points) return warped# 輪廓檢測函數(shù)def find_contour(image): contours = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0] return contours# 冒泡排序def bubble_sort(lists, type): ’’’ :param lists: 排序列表 :param type: 排序類型 :return: 排序結(jié)果 ’’’ count = len(lists) for i in range(0, count):xi, yi = cv2.boundingRect(lists[i])[0], cv2.boundingRect(lists[i])[1]for j in range(i + 1, count): xj, yj = cv2.boundingRect(lists[j])[0], cv2.boundingRect(lists[j])[1] if type == 'title':if yi > yj: lists[i], lists[j] = lists[j], lists[i] elif type == 'answer':if xi > xj: lists[i], lists[j] = lists[j], lists[i] else:return print('排序出錯') return lists#統(tǒng)計(jì)結(jié)果def count(roi): ’’’ :param roi: 答題選項(xiàng)區(qū)域 :return: 選擇結(jié)果 ’’’ grade = 0 long = roi.shape[1] / 8 contour = find_contour(roi) if len(contour) == 0:return 0 elif len(contour) >= 2:return -2 for c in contour:perimeter = cv2.arcLength(c, True)if perimeter > 5: x = cv2.boundingRect(c)[0] if x < long:grade = 1 elif x < long*3:grade = 2 elif x < long*5:grade = 3 else:grade = 4 return grade# 輪廓檢測處理def contours(img, dst): ’’’ :param img: 查看效果圖像 :param dst: 輪廓檢測對象 :return: 效果圖像，輪廓檢測效果圖像，檢測結(jié)果 ’’’ img_dst = img.copy() edged = cv2.Canny(dst, 10, 100) img_cnts = find_contour(edged) # 如果未檢測到輪廓則退出 c_len = len(img_cnts) if c_len == 0:print('error:No find contours!')return img, dst # 畫出所有輪廓 ## 得到答題區(qū)域 pt = None for c in img_cnts:cv2.drawContours(img, [c], -1, red, line_w)perimeter = cv2.arcLength(c, True)if perimeter < 40: continueapprox = cv2.approxPolyDP(c, 0.02*perimeter, True)if len(approx) == 4: pt = approxhull = cv2.convexHull(c)cv2.polylines(img, [hull], True, green, line_w) pt = pt.reshape(4,2) # 透視變換 img_dst = wPs(img_dst, pt) dst = wPs(dst, pt) img_dst = img_dst[dist:img_dst.shape[0]-dist,dist:img_dst.shape[1]-dist] dst = dst[dist:dst.shape[0]-dist,dist:dst.shape[1]-dist] # 處理答題卡答題區(qū)域部分 contours_roi = find_contour(dst) title, answer = [], [] for c in contours_roi:x, y, w, h = cv2.boundingRect(c)if x >= dist and y <= dist: answer.append(c)if x < dist and y > dist: title.append(c) # 冒泡排序 title = bubble_sort(title, 'title') answer = bubble_sort(answer, 'answer') # 判卷 result = np.zeros(60, dtype=np.int8) for title_number in range(60):miny = cv2.boundingRect(title[title_number%20])[1]x, y, w, h = cv2.boundingRect(answer[int(title_number/20+1)*4-1])x1= cv2.boundingRect(answer[int(title_number/20+1)*4-4])[0]maxx, maxy = x+w, miny+hcv2.rectangle(img_dst, (x1, miny), (maxx, maxy), blue, line_w)roi = dst[miny:maxy, x1:maxx]grade = count(roi)result[title_number] = gradeprint('title'+str(title_number+1)+':',grade) return img, img_dst, resultdef new_contours(img_dst, aim_otsu): ’’’ :param img_dst: 查看效果圖像 :param aim_otsu: 答題卡區(qū)域 :return: 效果圖像， 識別結(jié)果 ’’’ # 處理答題卡答題區(qū)域部分 contours_roi = find_contour(aim_otsu) title, answer = [], [] for c in contours_roi:x, y, w, h = cv2.boundingRect(c)if x >= dist and y <= dist: answer.append(c)if x < dist and y > dist: title.append(c) # 冒泡排序 title = bubble_sort(title, 'title') answer = bubble_sort(answer, 'answer') # 判卷 result = np.zeros(60, dtype=np.int8) for title_number in range(60):miny = cv2.boundingRect(title[title_number % 20])[1]x, y, w, h = cv2.boundingRect(answer[int(title_number / 20 + 1) * 4 - 1])x1 = cv2.boundingRect(answer[int(title_number / 20 + 1) * 4 - 4])[0]maxx, maxy = x + w, miny + hcv2.rectangle(img_dst, (x1, miny), (maxx, maxy), blue, 1)roi = aim_otsu[miny:maxy, x1:maxx]grade = count(roi)result[title_number] = grade return img_dst, result# 主要步驟def run(img): ’’’ :param img: 可操作的原圖像 :return: 預(yù)處理后的圖像 ’’’ print('image.shape:', img.shape) # 最小值法求圖像灰度值 gray = graying(img) # 二值分割大津法 thresh = otsu(gray) img_open = opening(thresh, 1) return img_openfrom PIL import Image, ImageDraw, ImageFontfont_china = ImageFont.truetype(’simhei.ttf’, 40, encoding='utf-8')def ChinaToImage(image, str, color): ’’’ :param image: 原圖像 :param str: 需要寫的字 :param color:畫筆顏色 :return:寫完字的圖像 ’’’ img_PIL = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) draw = ImageDraw.Draw(img_PIL) draw.text((20, 20), str, color,font=font_china) return cv2.cvtColor(np.asarray(img_PIL),cv2.COLOR_RGB2BGR)# 提示是否可以開始函數(shù)def hint(image, b): ’’’ :param image: 攝像頭畫面 :param b: 提示是否可以批卷 :return: 返回寫入提示的畫面 ’’’ str_s = ’按下Esc退出!n按下空格開始!’ str_e = ’按下Esc退出!n請調(diào)整好角度!’ if b:image = ChinaToImage(image, str_s, green) else:image = ChinaToImage(image, str_e, red) return image# 查找答題卡輪廓，提示是否可以開始def star_bool(image): ’’’ :param image: 攝像頭畫面 :return: 是否可以開始批卷 ’’’ image_gray = graying(image) edged = cv2.Canny(image_gray, 10, 100) con = find_contour(edged) b = False points = None for c in con:cv2.drawContours(image, [c], -1, red, line_w)perimeter = cv2.arcLength(c, True)w, h = cv2.minAreaRect(c)[1]if w == 0 or h == 0 or w/h < 0.6: continueif perimeter < 200: continueapprox = cv2.approxPolyDP(c, 0.02 * perimeter, True)if len(approx) != 4: continueb = Truepoints = approxhull = cv2.convexHull(c)cv2.polylines(image, [hull], True, green, line_w) aim_c = None aim_otsu = None if b:try: points = points.reshape(4, 2) aim = wPs(image_gray, points) aim_c = wPs(image, points) aim = aim[dist:aim.shape[0] - dist, dist:aim.shape[1] - dist] aim_c = aim_c[dist:aim_c.shape[0] - dist, dist:aim_c.shape[1] - dist] aim_otsu = otsu(aim) cv2.imshow(’aim_otsu’, aim_otsu)except: print(’角度誤差大!’) return b, aim_c, aim_otsu# 批改函數(shù)def correct(model_answer, result): ’’’ :param model_answer: 該試卷正確答案 :param result: 識別答案 :return: 顯示批卷結(jié)果，顯示效果，可檢測對象 ’’’ if len(model_answer) != 60:print(’答案模板數(shù)量不對！n請重新設(shè)置答案。’)return 0 # 成績 grade = {’score’:0, ’no choice’:0, ’mul’:0} no_choice_number = [] mul_number = [] # 題的分值，topik考試基本每題兩分 cube = 2 # 計(jì)算分?jǐn)?shù) for index in range(len(model_answer)):if model_answer[index] > 4 or model_answer[index] < 1: print('答案模板有誤！n請重新設(shè)置答案。') return 0if result[index] == 0: no_choice_number.append(index+1) grade[’no choice’] += 1 continueif result[index] == -2: mul_number.append(index+1) grade[’mul’] += 1 continueif model_answer[index] == result[index]: grade[’score’] += cube # 批卷完成 print(’-’ * 70) print(’-’ * 70) print(’正確答案:n’, model_answer) print(’識別結(jié)果:n’, result) print(’-’*35) print(’分值:’, grade[’score’]) print(’-’ * 35) print(’空選數(shù)量:’, grade[’no choice’]) print(’空選題號:n’, no_choice_number) print(’-’ * 35) print(’多選數(shù)量:’, grade[’mul’]) print(’多選題號:n’, mul_number) print(’-’ * 70) print(’-’ * 70)def main(): # 該變量為本次試卷正確答案模板，需要根據(jù)試卷受到修改原本正確答案 model_answer = [1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4,] cap = cv2.VideoCapture(0) cv2.namedWindow('image', 0) cv2.resizeWindow('image', 640, 480) while True:sucess, img = cap.read()img_temp = img.copy()b, aim, aim_otsu = star_bool(img_temp)img_temp = hint(img_temp, b)cv2.imshow('image', img_temp)k = cv2.waitKey(16)# Esc結(jié)束if k == 27: break# 空格按下開始elif k == 32: try:img_dst, result = new_contours(aim, aim_otsu)correct(model_answer, result)cv2.imshow(’answer_roi’, img_dst) except:print('您拍答題卡的角度誤差過大') else:if cv2.waitKey(0) == 27: breakelse: continue cap.release() cv2.destroyAllWindows()if __name__=='__main__': main()總結(jié)

到此這篇關(guān)于python利用opencv如何實(shí)現(xiàn)答題卡自動判卷的文章就介紹到這了,更多相關(guān)python opencv答題卡自動判卷內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！