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。
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：
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
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。
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。
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：
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。
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。
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。
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。
import cv2
import 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 k0|k>=h-1|l0|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 k0|k>=h-1|l0|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 = 0
fgs = bgs = 0
for j in range (256):
if j=i:
w0+=probability[j]
fgs+=j*probability[j]
else:
w1+=probability[j]
bgs+=j*probability[j]
u0=fgs/w0
u1=bgs/w1
g=w0*w1*(u0-u1)**2
if 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_transform
def 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:
continue
approx = cv2.approxPolyDP(c, 0.02*perimeter, True)
if len(approx) == 4:
pt = approx
hull = 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+h
cv2.rectangle(img_dst, (x1, miny), (maxx, maxy), blue, line_w)
roi = dst[miny:maxy, x1:maxx]
grade = count(roi)
result[title_number] = grade
print("title"+str(title_number+1)+":",grade)
return img, img_dst, result
def 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 + h
cv2.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_open
from PIL import Image, ImageDraw, ImageFont
font_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:
continue
if perimeter 200:
continue
approx = cv2.approxPolyDP(c, 0.02 * perimeter, True)
if len(approx) != 4:
continue
b = True
points = approx
hull = 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 0
if result[index] == 0:
no_choice_number.append(index+1)
grade['no choice'] += 1
continue
if result[index] == -2:
mul_number.append(index+1)
grade['mul'] += 1
continue
if 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:
break
else:
continue
cap.release()
cv2.destroyAllWindows()
if __name__=="__main__":
main()
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)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
