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

一文教你Python如何快速精准抓取网页数据

一文教你Python如何快速精准抓取网页数据

《一文教你Python如何快速精准抓取网页数据》这篇文章主要为大家详细介绍了如何利用Python实现快速精准抓取网页数据,文中的示例代码简洁易懂,具有一定的借鉴价值,有需要的小伙伴可以了解下... 目录1. 准备工作2. 基础爬虫实现3. 高级功能扩展3.1 抓取文章详情3.2 保存数据到文件4. 完整示例
阅读更多...
使用Python实现IP地址和端口状态检测与监控

使用Python实现IP地址和端口状态检测与监控

《使用Python实现IP地址和端口状态检测与监控》在网络运维和服务器管理中,IP地址和端口的可用性监控是保障业务连续性的基础需求,本文将带你用Python从零打造一个高可用IP监控系统,感兴趣的小伙... 目录概述：为什么需要IP监控系统使用步骤说明1. 环境准备2. 系统部署3. 核心功能配置系统效果展
阅读更多...
基于Python打造一个智能单词管理神器

基于Python打造一个智能单词管理神器

《基于Python打造一个智能单词管理神器》这篇文章主要为大家详细介绍了如何使用Python打造一个智能单词管理神器,从查询到导出的一站式解决,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 项目概述：为什么需要这个工具2. 环境搭建与快速入门2.1 环境要求2.2 首次运行配置3. 核心功能使用指
阅读更多...
Python实现微信自动锁定工具

Python实现微信自动锁定工具

《Python实现微信自动锁定工具》在数字化办公时代,微信已成为职场沟通的重要工具,但临时离开时忘记锁屏可能导致敏感信息泄露,下面我们就来看看如何使用Python打造一个微信自动锁定工具吧... 目录引言：当微信隐私遇到自动化守护效果展示核心功能全景图技术亮点深度解析1. 无操作检测引擎2. 微信路径智能获
阅读更多...
Python中pywin32 常用窗口操作的实现

Python中pywin32 常用窗口操作的实现

《Python中pywin32常用窗口操作的实现》本文主要介绍了Python中pywin32常用窗口操作的实现,pywin32主要的作用是供Python开发者快速调用WindowsAPI的一个... 目录获取窗口句柄获取最前端窗口句柄获取指定坐标处的窗口根据窗口的完整标题匹配获取句柄根据窗口的类别匹配获取句
阅读更多...
利用Python打造一个Excel记账模板

利用Python打造一个Excel记账模板

《利用Python打造一个Excel记账模板》这篇文章主要为大家详细介绍了如何使用Python打造一个超实用的Excel记账模板,可以帮助大家高效管理财务,迈向财富自由之路,感兴趣的小伙伴快跟随小编一... 目录设置预算百分比超支标红预警记账模板功能介绍基础记账预算管理可视化分析摸鱼时间理财法碎片时间利用财
阅读更多...
Python中的Walrus运算符分析示例详解

Python中的Walrus运算符分析示例详解

《Python中的Walrus运算符分析示例详解》Python中的Walrus运算符（:=）是Python3.8引入的一个新特性,允许在表达式中同时赋值和返回值,它的核心作用是减少重复计算,提升代码简... 目录1. 在循环中避免重复计算2. 在条件判断中同时赋值变量3. 在列表推导式或字典推导式中简化逻辑
阅读更多...
python处理带有时区的日期和时间数据

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息
阅读更多...
Python位移操作和位运算的实现示例

Python位移操作和位运算的实现示例

《Python位移操作和位运算的实现示例》本文主要介绍了Python位移操作和位运算的实现示例,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. 位移操作1.1 左移操作 (<<)1.2 右移操作 (>>)注意事项：2. 位运算2.1
阅读更多...
使用Python和Pyecharts创建交互式地图

使用Python和Pyecharts创建交互式地图

《使用Python和Pyecharts创建交互式地图》在数据可视化领域,创建交互式地图是一种强大的方式,可以使受众能够以引人入胜且信息丰富的方式探索地理数据,下面我们看看如何使用Python和Pyec... 目录简介Pyecharts 简介创建上海地图代码说明运行结果总结简介在数据可视化领域，创建交互式地
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2