哈密市建设局网站,wordpress 大屏模版,站长统计app进入网址,做胃肠医院网站文章目录 项目#xff1a;答题卡识别改分1. 图片预处理2. 描绘轮廓3. 轮廓近似4. 透视变换5. 阈值处理6. 找每一个圆圈轮廓7. 将每一个圆圈轮廓排序8. 找寻所填答案#xff0c;比对正确答案8.1 思路8.2 图解8.3 代码体现 9. 计算正确率 总结 项目#xff1a;答题卡识别改分 … 文章目录 项目答题卡识别改分1. 图片预处理2. 描绘轮廓3. 轮廓近似4. 透视变换5. 阈值处理6. 找每一个圆圈轮廓7. 将每一个圆圈轮廓排序8. 找寻所填答案比对正确答案8.1 思路8.2 图解8.3 代码体现 9. 计算正确率 总结 项目答题卡识别改分
本篇我们来介绍如何识别一张答题卡并为其答案验证对错进行打分。 思路
图片预处理边缘检测描绘轮廓找到每一个圆圈轮廓比对答案计算正确率
1. 图片预处理
对识别的图片进行灰度处理使用高斯滤波cv2.GaussianBlur()函数平滑处理去噪接着使用cv2.Canny()函数再进行边缘检测检测图片中的边缘。
def cv_show(name,img):cv2.imshow(name,img)cv2.waitKey(0)
-----预处理-----
image cv2.imread(r./images/test_01.png)
contours_img image.copy()
gray cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
blurred cv2.GaussianBlur(gray,(5,5),0)
cv_show(blurred,blurred)
edged cv2.Canny(blurred,75,200)
cv_show(edged,edged)2. 描绘轮廓
使用cv2.findContours()函数查找图像的轮廓再通过cv2.drawContours()函数将其绘制出来
-----轮廓检测-----
cnts cv2.findContours(edged.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[1]
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3)
cv_show(contours_img,contours_img)3. 轮廓近似
通过轮廓近似找到答题卡为接下来的透视变换做准备
判断条件当近似轮廓可以用四个点绘制出时因为答题卡是长方形的将其保留。
-----根据轮廓大小进行排序准备透视变换-----
cnts sorted(cnts,keycv2.contourArea,reverseTrue)
docCnt None
for c in cnts: # 遍历每一个轮廓peri cv2.arcLength(c,True)approx cv2.approxPolyDP(c,0.02 * peri,True) #轮廓近似if len(approx) 4:docCnt approxbreak通过以上代码得到答题卡的四个角点坐标docCnt。
4. 透视变换
定义两个函数
order_point(pts)将给定的四个点通常是从图像中检测到的轮廓点或角点按照特定的顺序排列左上角tl、右上角tr、右下角br和左下角bl。four_point_transform(image,pts)这个函数使用 order_point 函数得到的点来对输入图像进行透视变换使得这四个点映射到一个矩形上。
def order_point(pts):rect np.zeros((4,2),dtypefloat32)s pts.sum(axis1)rect[0] pts[np.argmin(s)]rect[2] pts[np.argmax(s)]diff np.diff(pts,axis1)rect[1] pts[np.argmin(diff)]rect[3] pts[np.argmax(diff)]return rectdef four_point_transform(image,pts):# 获取输入坐标点rect order_point(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]],dtypefloat32)M cv2.getPerspectiveTransform(rect,dst)warped cv2.warpPerspective(image,M,(maxwidth,maxheight))# 返回变化后结果return warped-----执行透视变换-----
warped_t four_point_transform(image,docCnt.reshape(4,2))
warped_new warped_t.copy()
cv_show(warped,warped_t)
warped cv2.cvtColor(warped_t,cv2.COLOR_BGR2GRAY)这样就将答题卡完整的取出来了。
5. 阈值处理
非黑即白使得到的答题卡更清晰。
-----阈值处理-----
thresh cv2.threshold(warped,0,255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show(thresh,thresh)
thresh_Contours thresh.copy()6. 找每一个圆圈轮廓
通过cv2.findContours()函数查找轮廓并将其绘制出来。遍历每一个轮廓将符合条件的圆圈轮廓存放进questionCnts列表中。
-----找到每一个圆圈轮廓-----
cnts cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[1]
warped_Contours cv2.drawContours(warped_t,cnts,-1,(0,255,0),1)
cv_show(warped_Contours,warped_Contours)
questionCnts [] # 将圆圈轮廓存放此处for c in cnts:# 遍历轮廓并计算比例和大小(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)7. 将每一个圆圈轮廓排序
定义了一个名为 sort_contours的函数用于根据指定的方法对轮廓contours进行排序
功能这个函数可以用于在图像处理中根据对象的水平或垂直位置对检测到的对象进行排序这在处理图像中的多个对象时非常有用。
def sort_contours(cnts ,methodleft-to-right):reverseFalsei0if methodright-to-left or methodbottom-to-top:reverseTrueif methodtop-to-bottom or methodbottom-to-top:i1boundingBoxes[cv2.boundingRect(c) for c in cnts](cnts,boundingBoxes)zip(*sorted(zip(cnts,boundingBoxes),keylambda b:b[1][i],reversereverse))#zip(*...)使用星号操作符解包排序后的元组列表并将其重新组合成两个列表:一个包含所有轮廓另一个包含所有边界框。return cnts,boundingBoxesquestionCnts sort_contours(questionCnts,method top-to-bottom)[0]8. 找寻所填答案比对正确答案
8.1 思路 思路我们发现答题卡中每一行共五个圆圈代表一道题的答案我们要找到填涂的圆圈然后再找到正确答案的圆圈比对二者是不是同一个。 所以我们要从左到右每五个圆圈轮廓寻找一次填涂答案的位置然后比较一次。那么我们怎么从五个轮廓中找到填涂的那个呢 通过cv2.countNonZero()函数方法作用是计算数组通常是图像或图像的一部分中非零元素像素点的数量。填涂后的轮廓位置轮廓内都是有颜色的通过掩膜对每一个轮廓进行掩膜方法与每个轮廓做”与“运算然后计算非零元素的数量五个中谁最多谁就是填涂的。 接着通过它在五个中的位置与正确答案的位置作比较看看一不一致判断对错。
8.2 图解
图解
第一个轮廓的掩膜”与“运算 得到一个清晰的轮廓计算它的非零像素点的数量。
填涂点的掩膜”与”运算 对比上下两个轮廓的非零像素点的数量就可以明显锁定填涂位置。
8.3 代码体现
-----比对答案-----
ANSWER_KEY {0:1,1:4,2:0,3:3,4:1} # 正确答案
correct 0
# 每持有5个选项
for (q,i) in enumerate(np.arange(0,len(questionCnts),5)):cnts sort_contours(questionCnts[i:i 5])[0]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,dtypeuint8)cv2.drawContours(mask,[c],-1,255,-1)cv_show(mask,mask)# 通过计算非零点数量来算是否选择这个答案# 利用掩膜进行‘与’操作只保留mask位置中的内容thresh_mask_and cv2.bitwise_and(thresh,thresh,maskmask)cv_show(thresh_mask_and,thresh_mask_and)total cv2.countNonZero(thresh_mask_and)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]if k bubbled[1]: # 判断正确color (0,255,0)correct 1cv2.drawContours(warped_new,[cnts[k]],-1,color,3)cv_show(warpeding,warped_new)判断结果 9. 计算正确率
-----计算分数-----
score (correct / 5.0) * 100
print([INFO] score:{:.2f}%.format(score))
cv2.putText(warped_new,{:.2f}%.format(score),(10,30),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,0,255),2)
cv2.imshow(origimal,image)
cv2.imshow(Exam,warped_new)
cv2.waitKey(0)
----------------
[INFO] score:80.00%总结
本篇介绍了如何对答题卡进行识别并计算准确率。
要点知识边缘检测、轮廓近似、透视变换以及掩膜。
过程1. 图片预处理 ----- 2. 描绘轮廓 ----- 3. 轮廓近似 ----- 4. 透视变换 ----- 5. 阈值处理 ----- 6. 找每一个圆圈轮廓 ----- 7. 将每一个圆圈轮廓排序 ----- 8. 比对正确答案 ----- 9. 计算正确率.
