Python+Opencv答題卡識別用例詳解

更新時間：2022年01月23日 11:21:08 作者：我是馬克思小清新

這篇文章主要為大家詳細介紹了Python+Opencv答題卡識別用例，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下

使用Python3和Opencv識別一張標準的答題卡。大致的過程如下：

1.讀取圖片

2.利用霍夫圓檢測，檢測出四個角的黑圓位置，從確定四個角的位置

3.利用透視變換和四個角的位置，矯正圖片（直接用的網(wǎng)上的圖片，沒有拍照，所以這一步?jīng)]有實現(xiàn)）

4.裁剪四個邊框，獲取邊框上小黑格的位置

5.根據(jù)小黑格的位置確定每個涂卡區(qū)域的位置

6.將答題卡腐蝕和膨脹，遍歷所有的格子的區(qū)域，計算每個區(qū)域內(nèi)像素值為0的個數(shù)，若數(shù)量達到某個值，那么就確認這個格子是被黑筆涂過，并記錄該位置的題目選項。

具體的實現(xiàn)

一、讀取圖片，用是imread函數(shù)。

二、利用霍夫圓檢測位置，這里注意的是HoughCircles的param參數(shù)，調(diào)的不準，所以檢測出來還有其他的干擾圓，最后可以通過設置半徑閾值，將四個角的圓篩選出來。最后這個函數(shù)返回四個圓的位置和半徑。

#檢測圖中的圓,并返回每個圓的位置和半徑
def detect_circles_demo(image):
? ? temp = image.copy()
? ? rows,cols,channels = temp.shape
? ? print(rows,cols)
? ? location_vcol = []
? ? dst = cv.pyrMeanShiftFiltering(image,10,100)
? ? cimage = cv.cvtColor(dst,cv.COLOR_BGR2GRAY)
? ? #不同的圖片，Parmal的值是不一樣的
? ? 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]))
? ? # 畫出圖中圓的位置
? ? cv.imshow("image",image)
? ? return location_vcol

三、先將圖片整體二直化，再在二直化的圖片將四個邊框裁剪下來，直接根據(jù)四個邊角的位置向外或者向里增加或者較少一個半徑，確定邊框矩形的對角位置。

#獲取四個邊角的位置
location_RT = location_vcol[0]
location_RB = location_vcol[1]
location_LT = location_vcol[2]
location_LB = location_vcol[3]
?
# 先將原圖二值化，注意閾值的取范圍，再將二值化圖片轉(zhuǎn)換成BGR，方便后面標出小方格的位置
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)
?
#將圖片的四條邊裁剪出來
?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]]
?
# 展示四條邊的圖片
cv.imshow("left",roilLeft)
cv.imshow("right", roilRight)
cv.imshow("top", roilTop)
cv.imshow("bottom", roilBottom)

四、根據(jù)裁剪的邊框確定邊框上小白格的位置。每個方位的計算方式是一樣的。每個函數(shù)返回的是小格子在源圖中的位置。

先來說底部的。這個過程是把截圖看成一個坐標系，以行長為橫坐標，列高為中坐標，計算統(tǒng)計每個橫坐標下，有多少個點是白色的，并將該數(shù)值存放于列表vcol中。根據(jù)這種算法，能夠得出這個列表中應該是rows個元素，而且每個元素的值不超過列高，不低于0。

遍歷vcol列表，如果某一個位置為0，后一個位置不為0，那么這個位置就是小白格的起始位置。并記錄起始位置在原圖中的位置，方便后期遍歷整個涂卡區(qū)域。

其他的三個方向是同樣的道理，

#計算底部小黑格的位置
def sure_bottom(roilBottom,src,a):
? ? rows, cols, channels = roilBottom.shape
? ? src_rows,src_cols,src_channels = src.shape
? ? itemp = 0
? ? vcol = []
? ? 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 + 1
? ? ? ? vcol.append(itemp)
? ? ? ? itemp = 0
? ? for 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
?
#計算右部小黑格的位置
def sure_Right(roilRight,src,a):
? ? rows, cols, channels = roilRight.shape
? ? src_rows, src_cols, src_channels = src.shape
? ? itemp = 0
? ? vcol = []
? ? 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 + 1
? ? ? ? vcol.append(itemp)
? ? ? ? itemp = 0
? ? print(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
?
#計算左邊小黑格的位置
def sure_Left(roilLeft,src,a):
? ? rows, cols, channels = roilLeft.shape
? ? print(rows, cols)
? ? itemp = 0
? ? vcol = []
? ? 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 + 1
? ? ? ? vcol.append(itemp)
? ? ? ? itemp = 0
? ? for 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
?
# 確定頂部小黑格的位置
def sure_Top(roilTop,src,a):
? ? rows, cols, channels = roilTop.shape
? ? src_rows, src_cols, src_channels = src.shape
? ? itemp = 0
? ? vcol = []
? ? 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 + 1
? ? ? ? vcol.append(itemp)
? ? ? ? itemp = 0
? ? for 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
?
#獲取原圖位置
? ? 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])

五、在原圖中全出每個小格子。在此之前要將圖片做個預處理，腐蝕和膨脹。這個程序先圈出來的是答題區(qū)域的小格子，所以i和j 的范圍分別是底部格子數(shù)和右邊格子數(shù)。

先將每個格子的區(qū)域找出來，然后遍歷這個格子的全部像素，判斷是否為0 ，如果為0，那么就isum+1，最后遍歷結(jié)束，看看isum的個數(shù)有沒有達到總像素個數(shù)的10%，如果達到，那么就可以判定這個區(qū)域是被涂過的，記錄這個區(qū)域?qū)念}號和選項，以備后面計分。

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)
?
? ? ? ? ? ? # 判斷ROI區(qū)域是否被填充
? ? ? ? ? ? isum = 0
? ? ? ? ? ? for 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 = 0
? ? cv.imshow("dst",temp)
?
?
#檢查空格是否被填充
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

這是腐蝕后的圖片