标签：mask cv2 答题卡 Opencv 详解 cnts contours 轮廓
基于Opencv图像识别的答题卡识别项目
在观看唐宇迪老师图像处理的课程中，其中有一个答题卡识别的小项目，在此结合自己理解做一个简单的总结。
1. 项目分析
首先在拿到项目时候，分析项目目的是什么，要达到什么样的目标，有哪些需要注意的事项，同时构思实验的大体流程。
比如在答题卡识别的项目中，针对测试图片如图1 ，首先应当实现的功能是:
- 能够捕获答题卡中的每个填涂选项。
- 将获取的填涂选项与正确选项做对比计算其答题正确率。
2.项目实验
在对测试图像进行形态学操作中，首先转换为灰度图像，其次是进行减噪的高斯滤波操作。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
cv_show('blurred',blurred)
在得到高斯滤波结果后，对其进行边缘检测以及轮廓检测，用以提取答题卡所有内容的边界。
edged = cv2.Canny(blurred, 75, 200)
cv_show('edged',edged)
# 轮廓检测
cnts, hierarchy = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3)
cv_show('contours_img',contours_img)
docCnt = None
 图2. 高斯滤波图
|
 图3. 边缘检测图
|
# 轮廓检测
cnts, hierarchy = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3)
cv_show('contours_img',contours_img)
def four_point_transform(image, pts):
# 获取输入坐标点
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
# 执行透视变换
warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)
在透视变换之后，需要再进行二值转换，为了找到ROI圆圈轮廓，采用二次轮廓检测执行遍历循环以及 if 判断找到所有符合筛选条件的圆圈轮廓。此处不使用霍夫变换的原因是在填涂答题卡的过程中，难免会有填涂超过圆圈区域的情况，使用霍夫变换的直线检测方式会影响实验结果的准确性。
# 找到每一个圆圈轮廓
cnts, hierarchy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3)
cv_show('thresh_Contours',thresh_Contours)
questionCnts = []
# 遍历
for c in cnts:
# 计算比例和大小
(x, y, w, h) = cv2.boundingRect(c)
ar = w / float(h)
# 根据实际情况指定标准
if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
questionCnts.append(c)
# 按照从上到下进行排序
questionCnts = sort_contours(questionCnts,
method="top-to-bottom")[0]
correct = 0
 图4. 轮廓检测图
|
 图5. 透视变换图
|
 图6. 二值转换图
|
 图7. 轮廓筛选图
|
在得到每个圆圈轮廓后，需要将其进行排序，排序方式为从左到右，从上到下，以图7为例，答题卡分布为五行五列，在每一列中，每行A选项的横坐标x值是相近的，而在每一行中，A、B、C、D、E的纵坐标y是相近的，因此利用这一特性来对所得到的圆圈轮廓进行排序，代码如下：
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(c) for c in cnts]
(cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
key=lambda b: b[1][i], reverse=reverse))
return cnts, boundingBoxes
在得到每一个具体轮廓后，便是判断每道题所填涂的答案是否为正确答案，使用的方法为通过双层循环遍历每一个具体圆圈轮廓，通过mask图像计算非零点数量来判断答案是否正确。
# 每排有5个选项
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):
# 排序
cnts = sort_contours(questionCnts[i:i + 5])[0] #从左到右排列，保持顺序：A B C D E
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)
3.项目结果
在实验完成后，输出实验结果
score = (correct / 5.0) * 100
print("[INFO] score: {:.2f}%".format(score))
cv2.putText(warped, "{:.2f}%".format(score), (10, 30),
cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow("Exam", warped)
cv2.waitKey(0)
Connected to pydev debugger (build 201.6668.115)
[INFO] score: 100.00%
Process finished with exit code 0
总结
在处理答题卡识别小项目中，个人觉得重点有以下几个方面：
- 图像的形态学操作，处理的每一步都应该预先思考，选择最合适的处理方式，如：未采用霍夫变换而使用了二次轮廓检测。
- 利用mask图像对比答案正确与否，通过判断非零像素值的数量来进行抉择。
- 巧妙利用双层 for 循环以及 if 语句遍历所有圆圈轮廓，排序之后进行答案比对。
标签：mask,cv2,答题卡,Opencv,详解,cnts,contours,轮廓 来源： https://blog.csdn.net/weixin_46236212/article/details/122016093
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。