一、基本流程

二、代码实现

1. 导入工具包和定义常量

2. 辅助函数定义

2.1 坐标点排序函数

2.2 透视变换函数

2.3 轮廓排序函数

2.4 图像显示函数

3. 主程序处理流程

3.1 图像预处理

3.2 轮廓检测与透视变换

3.3 阈值处理与选项检测

3.4 答案识别与评分

我们拿到类似于下图的答题卡照片，我们要对其进行识别判断答案的正确与最后的评分。

OpenCV在答题卡识别中发挥着重要作用，它能够通过一系列图像处理技术，实现对答题卡的自动识别，并进行答题结果的统计。以下是一个基于OpenCV的答题卡识别的基本流程和关键步骤：

一、基本流程

图片读取：首先，使用OpenCV读取答题卡的图像文件。
图片预处理：对读取的图像进行预处理，包括灰度化、滤波去噪、边缘检测等，以突出答题卡中的关键信息。
轮廓检测：通过轮廓检测算法，找到答题卡中各个选项或区域的轮廓。
透视变换：对检测到的轮廓进行透视变换，以校正答题卡的视角，使其更加符合后续处理的需求。
阈值处理：对校正后的图像进行阈值处理，将图像转换为二值图像，便于后续的分析和识别。
答题区域识别：在二值图像中，识别出答题卡上的各个答题区域。
答题结果判断：根据答题区域的填充情况，判断答题结果，并与正确答案进行对比，计算答题正确率。

二、代码实现

1. 导入工具包和定义常量

import numpy as np
import cv2ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}  # 正确答案，键是题目索引，值是正确选项索引

导入了numpy用于数值计算，cv2用于图像处理
定义了标准答案，假设共有 5 道题，每道题的正确选项分别是索引 1、4、0、3、1

2. 辅助函数定义

2.1 坐标点排序函数

def order_points(pts):# 初始化4个坐标点的存储数组rect = np.zeros(shape=(4, 2), dtype="float32")# 按顺序找到对应坐标0123分别是 左上，右上，右下，左下s = pts.sum(axis=1)  # 对pts矩阵的每一行进行求和操作，(x+y)rect[0] = pts[np.argmin(s)]  # 左上点：x+y最小rect[2] = pts[np.argmax(s)]  # 右下点：x+y最大diff = np.diff(pts, axis=1)  # 对pts矩阵的每一行进行求差操作，(y-x)rect[1] = pts[np.argmin(diff)]  # 右上点：y-x最小rect[3] = pts[np.argmax(diff)]  # 左下点：y-x最大return rect

这个函数用于将四个点按 "左上、右上、右下、左下" 的顺序排列，为后续透视变换做准备。

2.2 透视变换函数

def four_point_transform(image, pts):# 获取排序后的坐标点rect = order_points(pts)(tl, tr, br, bl) = rect# 计算宽度和高度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")# 计算透视变换矩阵并应用M = cv2.getPerspectiveTransform(rect, dst)warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))return warped

这个函数实现了图像的透视变换，能将倾斜的答题卡转换为正视角度的矩形图像，方便后续处理。

2.3 轮廓排序函数

def sort_contours(cnts, method='left-to-right'):reverse = Falsei = 0if method == 'right-to-left' or method == 'bottom-to-top':reverse = Trueif method == 'top-to-bottom' or method == 'bottom-to-top':i = 1  # 按y坐标排序# 获取边界框并排序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

这个函数用于对轮廓进行排序，可以按不同方向（左右、上下）排序，方便按题目顺序处理选项。

2.4 图像显示函数

def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)

封装了 OpenCV 的图像显示功能，方便调试过程中查看图像。

3. 主程序处理流程

3.1 图像预处理

# 读取图像
image = cv2.imread(r'./images/test_03.png')
contours_img = image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 转为灰度图
blurred = cv2.GaussianBlur(gray, (5, 5), 0)  # 高斯模糊去噪
edged = cv2.Canny(blurred, 75, 200)  # Canny边缘检测

这部分将彩色图像转为灰度图，进行模糊处理以减少噪声，然后使用 Canny 算法检测边缘。

3.2 轮廓检测与透视变换

# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[-2]
cv2.drawContours(contours_img, cnts, -1, (0, 0, 255), 3)
docCnt = None# 根据轮廓大小进行排序，找到答题卡的四个角
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
for c in cnts:peri = cv2.arcLength(c, True)approx = cv2.approxPolyDP(c, 0.02 * peri, True)  # 轮廓近似if len(approx) == 4:  # 找到四边形轮廓（答题卡）docCnt = approxbreak# 执行透视变换，将答题卡转正
warped_t = four_point_transform(image, docCnt.reshape(4, 2))
warped_new = warped_t.copy()
warped = cv2.cvtColor(warped_t, cv2.COLOR_BGR2GRAY)

这部分先检测图像中的所有轮廓，然后找到最大的四边形轮廓（假设是答题卡），最后通过透视变换将答题卡转换为正视角度。

3.3 阈值处理与选项检测

# 阈值处理，将图像转为黑白二值图
thresh = cv2.threshold(warped, 0, 255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]# 找到每一个圆圈轮廓（选项）
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
warped_Contours = cv2.drawContours(warped_t, cnts, -1, (0, 255, 0), 1)# 筛选出符合条件的选项轮廓
questionCnts = []
for c in cnts:(x, y, w, h) = cv2.boundingRect(c)ar = w / float(h)# 根据实际情况指定标准（大小和长宽比）if w >= 20 and h >= 20 and 0.9 <= ar <= 1.1:questionCnts.append(c)

这部分将图像转为黑白二值图，然后检测所有可能是选项的圆形轮廓，并根据大小和形状筛选出有效的选项。

3.4 答案识别与评分

# 按照从上到下进行排序（题目顺序）
questionCnts = sort_contours(questionCnts, method="top-to-bottom")[0]
correct = 0# 每排有5个选项，遍历每道题
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):cnts = sort_contours(questionCnts[i:i + 5])[0]  # 对每个题的5个选项按左右排序bubbled = None# 遍历每个选项，判断哪个被选中for (j, c) in enumerate(cnts):# 创建掩膜mask = np.zeros(thresh.shape, dtype="uint8")cv2.drawContours(mask, [c], -1, color=255, thickness=-1)# 计算非零点数量来判断是否选择这个答案thresh_mask_and = cv2.bitwise_and(thresh, thresh, mask=mask)total = cv2.countNonZero(thresh_mask_and)# 保存灰度值最大的选项（被选中的）if bubbled is None or total > bubbled[0]:bubbled = (total, j)# 对比正确答案color = (0, 0, 255)  # 默认红色（错误）k = ANSWER_KEY[q]if k == bubbled[1]:  # 判断正确color = (0, 255, 0)  # 正确则为绿色correct += 1# 绘制结果cv2.drawContours(warped_new, [cnts[k]], -1, color=color, thickness=3)# 计算并显示分数
score = (correct / 5.0) * 100
print("[INFO] score: {:.2f}%".format(score))
cv2.putText(warped_new, "{:.2f}%".format(score), org=(10, 30),fontFace=cv2.FONT_HERSHEY_SIMPLEX, fontScale=0.9, color=(0, 0, 255), thickness=2)# 显示最终结果
cv2.imshow("Original", image)
cv2.imshow("Exam", warped_new)
cv2.waitKey(0)