python:Opencv4答题卡检测实例练习

2023-10-17 08:30
文章标签 python 检测 实例 练习 opencv4 答题卡

本文主要是介绍python:Opencv4答题卡检测实例练习，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

python:Opencv4答题卡检测1实例练习

利用python+opencv对答题卡进行检测，圈出正确的答案，并打印出得分。
原始图像：
在这里插入图片描述
最终结果：
在这里插入图片描述

实现过程

读入图像并转化为灰度图

# 读入图像
img_org = cv2.imread(img_path)
cv_show('img_org', img_org)
img = cv2.cvtColor(img_org, cv2.COLOR_BGR2GRAY)

1.图像预处理

主要对图像进行去噪和透视变换

首先对图像降噪

'''图像预处理'''
# 高斯滤波除去噪点
img = cv2.GaussianBlur(img, (3,3), 0, 0)
cv_show('img', img)

其次是透视变换矫正答题卡部分的图像：做此变化是为了后续的坐标统计

然后为透视变换做些准备
首先是边缘和轮廓检测

# 边缘检测
img = cv2.Canny(img, 20, 200)
cv_show('img_canny', img)# 轮廓检测
contours, __  = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# img_copy = img.copy()
# img_copy = cv2.drawContours(img_copy, contours, -1, (0,255,0), 2)
# cv_show('img_con', img_copy)
'''我的opencv版本是4.1.0轮廓检测的返回值是二元组，opencv3则返回三元组'''

我们需要对找到的轮廓进行筛选，找到答题纸部分的轮廓
一般最大的面积的轮廓就是需要的答题纸部分
对答题纸部分的轮廓进行近似，将不太规整的轮廓转化为四边形

# 遍历所有轮廓找出面积最大的轮廓
if len(contours) > 0:# 根据cv2.contourArea函数进行降序排序cnt = sorted(contours, key= cv2.contourArea, reverse= True)# 遍历轮廓for i in cnt:# 计算周长long = cv2.arcLength(i, closed= True)# 近似轮廓为折线approx = cv2.approxPolyDP(i, 0.02 * long, closed= True)# 检测返回的折线坐标if len(approx) == 4:docCnt = approxprint(docCnt.shape) # >>>(4, 1, 2)break

在进行透视变换前，还需要计算些参数
这里稍微介绍下opencv4中做透视变换的两个函数
1.cv2.getPerspectiveTransform(src，M)
src表示原图像的四边顶点的坐标，M表示为要求变换的四边顶点的坐标，最后得到一个3x3的变换矩阵
2.cv2.warpPerspective（src，M，dsize（height,width）
src为输入图像，M为cv2.getperpectiveTransform()函数的到的变换矩阵），dsize为输出图像的大小
学习笔记4(opencv and python 透视变换（鸟瞰））

按照这两个函数需要的参数，我们需要通过原图的四个顶点坐标、待变换图像四个顶点坐标放入cv2.getPerspectiveTransform(src，M)中得到3x3的变换矩阵。
然后我们需要得到输出图像的尺寸也就是变换后图像的长和宽，再加上上一个函数得到的变换矩阵就可以用cv2.warpPerspective（src，M，dsize（height,width）来得到透视变换后的图像。

'''按照上面的思路，写两个函数来实现透视变换'''
# 获取要变换图像的四点坐标
def get_point(pot):ret = np.zeros((4,2), dtype= 'float32')# 按列相加就是(x+y)横坐标与列坐标相加a = np.sum(pot, axis= 1)# 小的是左上坐标ret[0] = pot[np.argmin(a)]# 大的是右下坐标ret[2] = pot[np.argmax(a )]# 按列相减就是|x-y|横坐标和纵坐标相减a = np.diff(pot, axis= 1)# 小的是右上坐标ret[1] = pot[np.argmin(a)]# 大的是左下坐标ret[3] = pot[np.argmax(a)]return ret# 透视变换
def Perspective_transformation(img, pot):pot = get_point(pot)# 获取坐标p1, p2, p3, p4 = pot# 获取待处理图片的各个宽度和长度width2 = int(np.sqrt((p4[0] - p1[0]) ** 2 + (p4[1] - p1[1]) ** 2))width1 = int(np.sqrt((p3[0] - p2[0]) ** 2 + (p3[1] - p2[1]) ** 2))height1 = int(np.sqrt((p2[0] - p1[0]) ** 2 + (p2[1] + p1[1]) ** 2))height2 = int(np.sqrt((p3[0] - p4[0]) ** 2 + (p3[1] - p4[1]) ** 2))# 得到最大宽度和长度width_max = int(max(width1, width2))height_max = int(max(height1, height2))# 定义处理后图像的坐标pot_aft = np.array(([0,0], [width_max - 1, 0],[width_max - 1, height_max - 1], [0, height_max - 1]),dtype= 'float32')# 获取变换矩阵m = cv2.getPerspectiveTransform(pot, pot_aft)# 透视变换warped = cv2.warpPerspective(img, m, (width_max, height_max))return warped# 进行透视变换修正图像
# 二值图
img_per = Perspective_transformation(img, docCnt.reshape((4,2)))
cv_show('img_per', img_per)
# 彩色图
img_color_per = Perspective_transformation(img_org, docCnt.reshape((4,2)))
cv_show('img_color_per', img_color_per)

得到透视变换后的二值图：
在这里插入图片描述
得到透视变换后的彩色图：
在这里插入图片描述

2.判断选项是否为正确答案

要判断是否为正确答案则需要判断选项，所以要获取选项的特征

在透视变换后的图像上，各个选项的形状大致是差不多的，所以只需要规定一些条件就可以把选项图像筛选出来，在此之前则需要得到选项的尺寸以及坐标，采取的方法为轮廓检测。

contours, __ = cv2.findContours(img_bin, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
answer_pos = []
for i in contours:# 得到各个轮廓的外接矩形的特征x, y, w, h = cv2.boundingRect(i)a = w / h# 筛选条件为长和宽的大小以及比例if w >= 20 and h >= 20 and a >= 0.9 and a <= 1.1:answer_pos.append(i)
# print('answer_pos', answer_pos)

得到选项的图像轮廓之后，需要做一些排序，因为所获取的坐标顺序可能不符合实际选项的顺序。
观察图中选项的位置，同一道题目的不同选项，其纵坐标不同横坐标相同，不同题目同一列的选项纵坐标相同而横坐标不同。所以排序坐标也就可以排序选项的轮廓

# 轮廓排序
def sort_contours(cnt, 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# 获取轮廓信息bound = [cv2.boundingRect(c) for c in cnt]# print(cnt)print(bound)# 按照y纵坐标进行排序(cnt, bound) = zip(*sorted(zip(cnt, bound), key= lambda b: b[1][i], reverse= reverse))print(bound)return  cnt, boundanswer_pos, __ = sort_contours(answer_pos, method= "top-to-bottom")
# print(answer_pos)

我们得到了各个选项的轮廓，也就是位置，接下来要判断那个选项被选了出来，对比答案判断正确与否

在原图，被选出来的选项被涂黑，而在二值图下，被选出来的选项反而比较白(也可能白底黑选项，取决于阈值检测)，所以可以通过判断白像素点的数目来得到被选出的那个选项，然后与正确选项对比就可以得到最终得分。

correct = 0
# 利用枚举获取每一行的选项
# np.arange返回的是一个序列
print('len(answer_pos)', len(answer_pos))
for i, j in enumerate(np.arange(0, len(answer_pos), 5)):print(i, j)# 获取每一行的轮廓ants = sort_contours(answer_pos[j: j+5])[0]bubbled = Nonefor q, j in enumerate(ants):print(q)# 制作掩膜mask = np.zeros(img_bin.shape, dtype= 'uint8')mask = cv2.drawContours(mask, [j], -1, 255, -1)# cv_show('mask', mask) 可以去掉注释观察下掩膜。就是选项所在的位置是白色其他为黑色# 保留答案部分img_mask = cv2.bitwise_and(img_bin, img_bin, mask= mask)# cv_show('img_mask', img_mask) 可以去掉注释观察下。就是只保留了掩膜选项部分的图像其他部分为黑# 返回灰度值不为0的像素数目total = cv2.countNonZero(img_mask)if bubbled is None or total > bubbled[0]:# 保存这个选项的白像素数目和在这道题目的选项索引bubbled = (total, q)# 得到正确答案代表的索引answer = ANSWER_KEY[i]if bubbled[1] == answer:correct += 1color = (0, 255, 0)# 标出正确的答案img_color_per = cv2.drawContours(img_color_per, ants, q, color, thickness=2)

得到的正确选项的图像
在这里插入图片描述

3.最后计算正确率，打印到图片上

all_answer = (correct / 5) * 100
print(all_answer)
cv_show('img_color_per', img_color_per)
# 打印最后的得分
img_color_per = cv2.putText(img_color_per, 'your grade:'+str(all_answer)+'%',(10,10), cv2.FONT_HERSHEY_COMPLEX, 0.6, (255,0,0), 1, bottomLeftOrigin= False)
cv_show('img_color_per_grade', img_color_per)

最终成果：
在这里插入图片描述

完整代码

import numpy as np
import cv2img_path = './test_01.png'# 正确答案
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()# 获取要变换图像的四点坐标
def get_point(pot):ret = np.zeros((4,2), dtype= 'float32')# 按列相加就是(x+y)横坐标与列坐标相加a = np.sum(pot, axis= 1)# 小的是左上坐标ret[0] = pot[np.argmin(a)]# 大的是右下坐标ret[2] = pot[np.argmax(a )]# 按列相减就是|x-y|横坐标和纵坐标相减a = np.diff(pot, axis= 1)# 小的是右上坐标ret[1] = pot[np.argmin(a)]# 大的是左下坐标ret[3] = pot[np.argmax(a)]return ret# 透视变换
def Perspective_transformation(img, pot):pot = get_point(pot)# 获取坐标p1, p2, p3, p4 = pot# 获取待处理图片的各个宽度和长度width2 = int(np.sqrt((p4[0] - p1[0]) ** 2 + (p4[1] - p1[1]) ** 2))width1 = int(np.sqrt((p3[0] - p2[0]) ** 2 + (p3[1] - p2[1]) ** 2))height1 = int(np.sqrt((p2[0] - p1[0]) ** 2 + (p2[1] + p1[1]) ** 2))height2 = int(np.sqrt((p3[0] - p4[0]) ** 2 + (p3[1] - p4[1]) ** 2))# 得到最大宽度和长度width_max = int(max(width1, width2))height_max = int(max(height1, height2))# 定义处理后图像的坐标pot_aft = np.array(([0,0], [width_max - 1, 0],[width_max - 1, height_max - 1], [0, height_max - 1]),dtype= 'float32')# 获取变换矩阵m = cv2.getPerspectiveTransform(pot, pot_aft)# 透视变换warped = cv2.warpPerspective(img, m, (width_max, height_max))return warped
# 轮廓排序
def sort_contours(cnt, 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# 获取轮廓信息bound = [cv2.boundingRect(c) for c in cnt]# print(cnt)print(bound)# 按照y纵坐标进行排序(cnt, bound) = zip(*sorted(zip(cnt, bound), key= lambda b: b[1][i], reverse= reverse))print(bound)return  cnt, bound# 读入图像
img_org = cv2.imread(img_path)
cv_show('img_org', img_org)
img = cv2.cvtColor(img_org, cv2.COLOR_BGR2GRAY)'''图像预处理'''
# 高斯滤波除去噪点
img = cv2.GaussianBlur(img, (3,3), 0, 0)
cv_show('img', img)# 边缘检测
img = cv2.Canny(img, 20, 200)
cv_show('img_canny', img)# 轮廓检测
contours, __  = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# img_copy = img.copy()
# img_copy = cv2.drawContours(img_copy, contours, -1, (0,255,0), 2)
# cv_show('img_con', img_copy)# 遍历所有轮廓找出面积最大的轮廓
if len(contours) > 0:# 根据cv2.contourArea函数进行降序排序cnt = sorted(contours, key= cv2.contourArea, reverse= True)# 遍历轮廓for i in cnt:# 计算周长long = cv2.arcLength(i, closed= True)# 近似轮廓为折线approx = cv2.approxPolyDP(i, 0.02 * long, closed= True)if len(approx) == 4:docCnt = approxprint(docCnt.shape)break# 进行透视变换修正图像
# 二值图
img_per = Perspective_transformation(img, docCnt.reshape((4,2)))
cv_show('img_per', img_per)
# 彩色图
img_color_per = Perspective_transformation(img_org, docCnt.reshape((4,2)))
cv_show('img_color_per', img_color_per)# 转化为二值图
__, img_bin = cv2.threshold(img_per, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
cv_show('img_bin', img_bin)contours, __ = cv2.findContours(img_bin, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
answer_pos = []
for i in contours:x, y, w, h = cv2.boundingRect(i)a = w / hif w >= 20 and h >= 20 and a >= 0.9 and a <= 1.1:answer_pos.append(i)
# print('answer_pos', answer_pos)answer_pos, __ = sort_contours(answer_pos, method= "top-to-bottom")
# print(answer_pos)correct = 0
# 利用枚举获取每一行的选项
# np.arange返回的是一个序列
print('len(answer_pos)', len(answer_pos))
for i, j in enumerate(np.arange(0, len(answer_pos), 5)):print(i, j)# 获取每一行的轮廓ants = sort_contours(answer_pos[j: j+5])[0]bubbled = Nonefor q, j in enumerate(ants):print(q)# 制作掩膜mask = np.zeros(img_bin.shape, dtype= 'uint8')mask = cv2.drawContours(mask, [j], -1, 255, -1)# cv_show('mask', mask)# 保留答案部分img_mask = cv2.bitwise_and(img_bin, img_bin, mask= mask)# cv_show('img_mask', img_mask)# 返回灰度值不为0的像素数目total = cv2.countNonZero(img_mask)if bubbled is None or total > bubbled[0]:# 保存这个选项的白像素数目和在这道题目的选项索引bubbled = (total, q)# 得到正确答案代表的索引answer = ANSWER_KEY[i]if bubbled[1] == answer:correct += 1color = (0, 255, 0)# 标出正确的答案img_color_per = cv2.drawContours(img_color_per, ants, q, color, thickness=2)all_answer = (correct / 5) * 100
print(all_answer)
cv_show('img_color_per', img_color_per)
# 打印最后的得分
img_color_per = cv2.putText(img_color_per, 'your grade:'+str(all_answer)+'%',(10,10), cv2.FONT_HERSHEY_COMPLEX, 0.6, (255,0,0), 1, bottomLeftOrigin= False)
cv_show('img_color_per_grade', img_color_per)

结语

若有什么错误，还请评论指出，十分感谢。
共同进步

这篇关于python:Opencv4答题卡检测实例练习的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/224186。

相关文章

Python+FFmpeg实现视频自动化处理的完整指南

Python+FFmpeg实现视频自动化处理的完整指南

《Python+FFmpeg实现视频自动化处理的完整指南》本文总结了一套在Python中使用subprocess.run调用FFmpeg进行视频自动化处理的解决方案,涵盖了跨平台硬件加速、中间素材处理... 目录一、 跨平台硬件加速：统一接口设计1. 核心映射逻辑2. python 实现代码二、 中间素材处
阅读更多...
python中的flask_sqlalchemy的使用及示例详解

python中的flask_sqlalchemy的使用及示例详解

《python中的flask_sqlalchemy的使用及示例详解》文章主要介绍了在使用SQLAlchemy创建模型实例时,通过元类动态创建实例的方式,并说明了如何在实例化时执行__init__方法,... 目录@orm.reconstructorSQLAlchemy的回滚关联其他模型数据库基本操作将数据添
阅读更多...
Python实现快速扫描目标主机的开放端口和服务

Python实现快速扫描目标主机的开放端口和服务

《Python实现快速扫描目标主机的开放端口和服务》这篇文章主要为大家详细介绍了如何使用Python编写一个功能强大的端口扫描器脚本,实现快速扫描目标主机的开放端口和服务,感兴趣的小伙伴可以了解下... 目录功能介绍场景应用1. 网络安全审计2. 系统管理维护3. 网络故障排查4. 合规性检查报错处理1.
阅读更多...
Go异常处理、泛型和文件操作实例代码

Go异常处理、泛型和文件操作实例代码

《Go异常处理、泛型和文件操作实例代码》Go语言的异常处理机制与传统的面向对象语言（如Java、C#）所使用的try-catch结构有所不同,它采用了自己独特的设计理念和方法,：本文主要介绍Go异... 目录一：异常处理常见的异常处理向上抛中断程序恢复程序二：泛型泛型函数泛型结构体泛型切片泛型 map三：文
阅读更多...
Python轻松实现Word到Markdown的转换

Python轻松实现Word到Markdown的转换

《Python轻松实现Word到Markdown的转换》在文档管理、内容发布等场景中,将Word转换为Markdown格式是常见需求,本文将介绍如何使用FreeSpire.DocforPython实现... 目录一、工具简介二、核心转换实现1. 基础单文件转换2. 批量转换Word文件三、工具特性分析优点局
阅读更多...
Python中4大日志记录库比较的终极PK

Python中4大日志记录库比较的终极PK

《Python中4大日志记录库比较的终极PK》日志记录框架是一种工具,可帮助您标准化应用程序中的日志记录过程,：本文主要介绍Python中4大日志记录库比较的相关资料,文中通过代码介绍的非常详细,... 目录一、logging库1、优点2、缺点二、LogAid库三、Loguru库四、Structlogphp
阅读更多...
C++,C#,Rust,Go,Java,Python,JavaScript的性能对比全面讲解

C++,C#,Rust,Go,Java,Python,JavaScript的性能对比全面讲解

《C++,C#,Rust,Go,Java,Python,JavaScript的性能对比全面讲解》：本文主要介绍C++,C#,Rust,Go,Java,Python,JavaScript性能对比全面... 目录编程语言性能对比、核心优势与最佳使用场景性能对比表格C++C#RustGoJavapythonjav
阅读更多...
Python海象运算符:=的具体实现

Python海象运算符:=的具体实现

《Python海象运算符:=的具体实现》海象运算符又称​​赋值表达式,Python3.8后可用,其核心设计是在表达式内部完成变量赋值并返回该值,从而简化代码逻辑,下面就来详细的介绍一下如何使用,感兴趣... 目录简介​​条件判断优化循环控制简化​推导式高效计算​正则匹配与数据提取​性能对比简介海象运算符
阅读更多...
python项目环境切换的几种实现方式

python项目环境切换的几种实现方式

《python项目环境切换的几种实现方式》本文主要介绍了python项目环境切换的几种实现方式,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 如何在不同python项目中，安装不同的依赖2. 如何切换到不同项目的工作空间3.创建项目
阅读更多...
python项目打包成docker容器镜像的两种方法实现

python项目打包成docker容器镜像的两种方法实现

《python项目打包成docker容器镜像的两种方法实现》本文介绍两种将Python项目打包为Docker镜像的方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要... 目录简单版：（一次成功，后续下载对应的软件依赖）第一步：肯定是构建dockerfile，如下：第二步
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2