Python+Opencv答题卡识别用例详解 Python+Opencv答题卡识别用例详解

使用Python3和Opencv识别一张标准的答题卡。大致的过程如下：
1.读取图片
2.利用霍夫圆检测，检测出四个角的黑圆位置，从确定四个角的位置
3.利用透视变换和四个角的位置，矫正图片（直接用的网上的图片，没有拍照，所以这一步没有实现）
4.裁剪四个边框，获取边框上小黑格的位置
5.根据小黑格的位置确定每个涂卡区域的位置
6.将答题卡腐蚀和膨胀，遍历所有的格子的区域，计算每个区域内像素值为0的个数，若数量达到某个值，那么就确认这个格子是被黑笔涂过，并记录该位置的题目选项。
具体的实现一、读取图片，用是imread函数。

文章图片

文章图片

二、利用霍夫圆检测位置，这里注意的是HoughCircles的param参数，调的不准，所以检测出来还有其他的干扰圆，最后可以通过设置半径阈值，将四个角的圆筛选出来。最后这个函数返回四个圆的位置和半径。

#检测图中的圆,并返回每个圆的位置和半径def detect_circles_demo(image):temp = image.copy()rows,cols,channels = temp.shapeprint(rows,cols)location_vcol = []dst = cv.pyrMeanShiftFiltering(image,10,100)cimage = cv.cvtColor(dst,cv.COLOR_BGR2GRAY)#不同的图片，Parmal的值是不一样的circles = cv.HoughCircles(cimage,cv.HOUGH_GRADIENT,1,20,param1= 27,param2=30,minRadius=0,maxRadius=0)circles = np.uint16(np.around(circles))for i in circles[0,:]:if i[2] < 20 and i[2] > 10:cv.circle(image,(i[0],i[1]),i[2],(0,0,255),2)location_vcol.append((i[0],i[1],i[2]))# 画出图中圆的位置cv.imshow("image",image)return location_vcol

文章图片

文章图片

三、先将图片整体二直化，再在二直化的图片将四个边框裁剪下来，直接根据四个边角的位置向外或者向里增加或者较少一个半径，确定边框矩形的对角位置。

#获取四个边角的位置location_RT = location_vcol[0]location_RB = location_vcol[1]location_LT = location_vcol[2]location_LB = location_vcol[3] # 先将原图二值化，注意阈值的取范围，再将二值化图片转换成BGR，方便后面标出小方格的位置gray = cv.cvtColor(temp, cv.COLOR_BGR2GRAY)ret, binary = cv.threshold(gray, 100, 255, cv.THRESH_BINARY_INV) Matimage = cv.cvtColor(binary, cv.COLOR_GRAY2BGR) cv.imshow("Matimage",Matimage) #将图片的四条边裁剪出来 roilLeft = Matimage[location_LT[1] - location_LT[2]:location_LB[1] + location_LB[2],location_LT[0] -location_LT[2]:location_LB[0] + location_LB[2]] roilRight = Matimage[location_RT[1] - location_RT[2]:location_RB[1] + location_RB[2],location_RT[0] - location_RT[2]:location_RB[0]+location_RB[2]] roilTop = Matimage[location_LT[0] - location_LT[2]:location_RT[1]+location_RT[2],location_LT[0] - location_LT[2]:location_RT[0] +location_RT[2]] roilBottom = Matimage[location_RB[1]-location_RB[2]:location_RB[1] + location_RB[2],location_LB[0] -location_LB[2]:location_RB[0]+location_RB[2]] # 展示四条边的图片cv.imshow("left",roilLeft)cv.imshow("right", roilRight)cv.imshow("top", roilTop)cv.imshow("bottom", roilBottom)

文章图片

四、根据裁剪的边框确定边框上小白格的位置。每个方位的计算方式是一样的。每个函数返回的是小格子在源图中的位置。
先来说底部的。这个过程是把截图看成一个坐标系，以行长为横坐标，列高为中坐标，计算统计每个横坐标下，有多少个点是白色的，并将该数值存放于列表vcol中。根据这种算法，能够得出这个列表中应该是rows个元素，而且每个元素的值不超过列高，不低于0。
遍历vcol列表，如果某一个位置为0，后一个位置不为0，那么这个位置就是小白格的起始位置。并记录起始位置在原图中的位置，方便后期遍历整个涂卡区域。
其他的三个方向是同样的道理，

#计算底部小黑格的位置def sure_bottom(roilBottom,src,a):rows, cols, channels = roilBottom.shapesrc_rows,src_cols,src_channels = src.shapeitemp = 0vcol = []bottom_vcol = []for i in range(0, cols):for j in range(0, rows):if roilBottom[j, i][0] == 255 and roilBottom[j, i][1] == 255 and roilBottom[j, i][2] == 255:itemp = itemp + 1vcol.append(itemp)itemp = 0for i in range(vcol.__len__()):if 0 == vcol[i] and vcol[i + 1] > 0:cv.line(roilBottom, (i, 0), (i, rows), (0, 0, 255), 2)cv.line(src, (i + a, src_rows), (i + a, src_rows - rows), (0, 255, 0), 2)bottom_vcol.append(i + a)cv.imshow("src-1", roilBottom)return bottom_vcol #计算右部小黑格的位置def sure_Right(roilRight,src,a):rows, cols, channels = roilRight.shapesrc_rows, src_cols, src_channels = src.shapeitemp = 0vcol = []right_vcol = []for i in range(0, rows):for j in range(0, cols):if roilRight[i, j][0] == 255 and roilRight[i, j][1] == 255 and roilRight[i, j][2] == 255:itemp = itemp + 1vcol.append(itemp)itemp = 0print(vcol)for i in range(vcol.__len__()):if vcol[i] == 0 and vcol[i + 1] > 0:cv.line(roilRight, (0, i), (cols, i), (0, 0, 255), 2)cv.line(src, (src_cols - cols, i + a ), (src_cols, i + a), (0, 0, 255), 2)right_vcol.append(i + a)cv.imshow("src", src)return right_vcol #计算左边小黑格的位置def sure_Left(roilLeft,src,a):rows, cols, channels = roilLeft.shapeprint(rows, cols)itemp = 0vcol = []left_vcol = []for i in range(0, rows):for j in range(0, cols):if roilLeft[i, j][0] == 255 and roilLeft[i, j][1] == 255 and roilLeft[i, j][2] == 255:itemp = itemp + 1vcol.append(itemp)itemp = 0for i in range(vcol.__len__()):if vcol[i] == 0 and vcol[i + 1] > 0:cv.line(roilLeft, (0, i), (cols, i), (0, 0, 255), 2)cv.line(src, (16, i + a), (16 + cols, i + a), (0, 0, 255), 2)left_vcol.append(i + a)cv.imshow("src", src)return left_vcol # 确定顶部小黑格的位置def sure_Top(roilTop,src,a):rows, cols, channels = roilTop.shapesrc_rows, src_cols, src_channels = src.shapeitemp = 0vcol = []top_vcol = []for i in range(0, cols):for j in range(0, rows):if roilTop[j, i][0] == 255 and roilTop[j, i][1] == 255 and roilTop[j, i][2] == 255:itemp = itemp + 1vcol.append(itemp)itemp = 0for i in range(vcol.__len__()):if vcol[i] == 0 and vcol[i + 1] > 0:cv.line(roilTop, (i, 0), (i, rows), (0, 0, 255), 2)cv.line(src, (i + a, 12), (a + i,48), (0, 0, 255), 2)top_vcol.append(i + a)cv.imshow("src", src)return top_vcol #获取原图位置bottom_vcol = sure_bottom(roilBottom,temp,location_LB[0] -location_LB[2])right_vcol = sure_Right(roilRight,temp,location_RT[1] - location_RT[2])left_vcol = sure_Left(roilLeft,temp,location_LT[1] - location_LT[2])top_vcol = sure_Top(roilTop,temp,location_LT[0] - location_LT[2])

文章图片

文章图片

五、在原图中全出每个小格子。在此之前要将图片做个预处理，腐蚀和膨胀。这个程序先圈出来的是答题区域的小格子，所以i和j 的范围分别是底部格子数和右边格子数。
先将每个格子的区域找出来，然后遍历这个格子的全部像素，判断是否为0 ，如果为0，那么就isum+1，最后遍历结束，看看isum的个数有没有达到总像素个数的10%，如果达到，那么就可以判定这个区域是被涂过的，记录这个区域对应的题号和选项，以备后面计分。

dst = sure_if_fill(temp)for i in range(0,20):for j in range(10,26):rect = dst[bottom_vcol[i]:bottom_vcol[i] + 9,right_vcol[i]:right_vcol[j] + 3]rect_up = (bottom_vcol[i],right_vcol[j])rect_down = (bottom_vcol[i] + 9,right_vcol[j] + 3) # 判断ROI区域是否被填充isum = 0for ii in range(rect.shape[0]):for jj in range(rect.shape[1]):if dst[ii,jj] == 0:isum = isum + 1# if isum > 0.1 * rect.shape[0] * rect.shape[1]:cv.rectangle(temp,rect_down,rect_up,(0,255,0),2)isum = 0cv.imshow("dst",temp) #检查空格是否被填充def sure_if_fill(image):temp = image.copy()gray = cv.cvtColor(temp,cv.COLOR_BGR2GRAY)ret,binary = cv.threshold(gray,100,255,cv.THRESH_BINARY)kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))dst = cv.erode(binary,kernel= kernel)cv.imshow("dst",dst)return dst

这是腐蚀后的图片