EEPW论坛

项目实战—答题卡识别判卷

本次我们将进行另一个实战项目，从本质上来讲，其与之前的卡片的数字识别基本上原理是一样的。

本次我们将使用的实验图片：

实现答题卡识别的7步

  Step #1: 检测到图片中的答题卡

  Step #2: 应用****变换来提取图中的答题卡（以自上向下的鸟瞰视图）

  Step #3: 从****变换后的答题卡中提取 the set of 气泡/圆点 (答案选项)

  Step #4: 将题目/气泡排序成行

  Step #5: 判断每行中被标记/涂的答案

  Step #6: 在我们的答案字典中查找正确的答案来判断答题是否正确

  Step #7: 为其它题目重复上述操作

算法实现

让我们新建一个Python文件，然后添加以下内容：

# 引入必要的库

from imutils.perspective import four_point_transform
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2
 
# 构建命令行参数解析并分析参数
# 对应使用方式 python test_grader.py --image images/test_01.png
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
    help="path to the input image")
args = vars(ap.parse_args())
 
# 构建答案字典，键为题目号，值为正确答案
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}
 
补充：vars()接受一个对象返回它的内建字典：
当然我们需要有OpenCV和Numpy的包，一个便于基本图像处理操作的库。使用下面的命令来安装和升级该库：
pip install --upgrade imutils
补充：在Windows10_64位+ Python 3.7测试，对于OpenCV的安装有两种方法，推荐第一种方法。（由于是python3，使用的是OpenCV 4.2.0）
我们在命令行中只解析了一个参数，那就是要分析的图片的路径。然后定义了答案字典，在这里，题目对应的值是正确答案在行中的索引位置，跟python中列表的索引方式相同。
# 加载图片，将它转换为灰阶，轻度模糊，然后边缘检测。
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(blurred, 75, 200)

先来看滤波之后的图像：

我们先从磁盘中加载了图片文件，然后将它转换为灰阶，再进行模糊处理来消除高频噪声。最后，使用Canny边缘检测器来获取答题卡的边缘。结果如下 ：

注意，答题卡长方形的四个顶点都要在图中出现，这是我们事先约定的答题卡的边缘。

获取轮廓非常重要，因为下一步我们将它作为应用****变换的标记（锚点），来获得一个答题卡的自上而下的鸟瞰视图。

而类似的情况，我们在之前的文档OCR扫描也用过，就是采用****变换进行图片的校正，它对于之后的图像处理十分的重要。

# 从边缘图中寻找轮廓，然后初始化答题卡对应的轮廓
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
    cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if imutils.is_cv2() else cnts[1]
docCnt = None
 
# 确保至少有一个轮廓被找到
if len(cnts) > 0:
    # 将轮廓按大小降序排序
    cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
 
    # 对排序后的轮廓循环处理
    for c in cnts:
        # 获取近似的轮廓
        peri = cv2.arcLength(c, True)
        approx = cv2.approxPolyDP(c, 0.02 * peri, True)
 
        # 如果我们的近似轮廓有四个顶点，那么就认为找到了答题卡
        if len(approx) == 4:
            docCnt = approx
            break

首先我们通过cv2.findContours从边缘检测的结果更进一步得到轮廓值。然后我们对轮廓的区域大小进行排序，在这里我们假设答题卡就是我们图像的焦点，它会比图中其它对象大，所以从大到小对轮廓进行检测，符合长方形特征的就是我们的答题卡了。
此外，对于每个轮廓，我们进行了近似，这在本质上意味着我们简化了轮廓点的数量，使其成为一个“更基本的”几何形状。

现在，如果边缘轮廓在原始图像中画出来它将是这样的：

下次我们将进行****变换，继而进行下一步的处理。