答题卡素材图片:
思路
1.读入图片，做一些预处理工作。
2.进行轮廓检测，然后找到该图片最大的轮廓，就是答题卡部分。
3.进行透视变换，以去除除答题卡外的多余部分，并且可以对答题卡进行校正。
4.再次检测轮廓，定位每个选项。
5.对选项圆圈先按照竖坐标排序，再按照行坐标排序，这样就从左到右从上到下的获得了每个选项轮廓。
6.对每个选项轮廓进行检查，如果某个选项轮廓中的白色点多，说明该选项被选中，否则就是没被选上。细节部分看过程：
1、预处理（去噪，灰度，二值化）
img = cv2.imread("1.png",1)#高斯去噪img_gs = cv2.GaussianBlur(img,[5,5],0)# 转灰度img_gray = cv2.cvtColor(img_gs,cv2.COLOR_BGR2GRAY)# 自适应二值化_,binary_img = cv2.threshold(img_gray,0,255,cv2.THRESH_OTSU|cv2.THRESH_BINARY
注：cv2.THRESH_OTSU|cv2.THRESH_BINARY，该参数指的是自适应阈值+反二值化，做自适应阈值的时候阈值要设置为0
2、轮廓检测
# 找轮廓contours, hierarchy = cv2.findContours(binary_img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)# 按照轮廓的面积从大到小排序cnts = sorted(contours,key = cv2.contourArea,reverse=True)# 画轮廓draw_img = cv2.drawContours(img.copy(),cnts[0],-1,(0,255,255),2)
注：findContours函数，传入的图像应该是二值图像，cv2.RETR_EXTERNAL指的是只检测外部轮廓，cv2.CHAIN_APPROX_NONE指的返回轮廓上的所有点。
# 轮廓近似# 阈值，一般为轮廓长度的2%alpha = 0.02*cv2.arcLength(cnts[0],True)approxCurve = cv2.approxPolyDP(cnts[0],alpha,True)draw_img = cv2.drawContours(img.copy(),[approxCurve],-1,(255,0,0),2)
这里做轮廓近似的目的是，之前检测到的轮廓看似是一个多边形，其实本质上是只是点集。
cv2.approxPolyDP(contour,epsilon,True)，多边形逼近，第一个参数是点集，第二个参数是精度（原始轮廓的边界点与拟合多边形之间的最大距离），第三个参数指新产生的轮廓是否需要闭合，返回值approxCurve为多边形的点集（按照逆时针排序）。与该函数类似的函数还有cv2.boundingRect（矩形包围框）cv2.minAreaRect（最小包围矩形框），cv2.minEnclosingCircle（最小包围圆形）cv2.filtEllipse（最优拟合椭圆）cv2.filtLine（最优拟合直线），cv2.minEnclosingTriangle（最小外包三角形）
3、透视变换
#透视变换# 矩形的四个顶点为approxCurve[0][0],approxCurve[1][0],approxCurve[2][0],approxCurve[3][0]# 分别表示矩形的TL,BL,BR,TR四个点a1 = list(approxCurve[0][0])a2 = list(approxCurve[1][0])a3 = list(approxCurve[2][0])a4 = list(approxCurve[3][0])# 原始矩阵mat1 = np.array([a1,a2,a3,a4],dtype = np.float32)# 计算矩形的w和hw1 = int(np.sqrt((a1[0]-a4[0])**2+(a1[1]-a4[1])**2))w2 = int(np.sqrt((a2[0]-a3[0])**2+(a2[1]-a3[1])**2))h1 = int(np.sqrt((a1[0]-a2[0])**2+(a1[1]-a2[1])**2))h2 = int(np.sqrt((a3[0]-a4[0])**2+(a3[1]-a4[1])**2))w,h=max(w1,w2),max(h1,h2)# 计算透视变换后的坐标new_a1 = [0,0]new_a2 = [0,h]new_a3 = [w,h]new_a4 = [w,0]# 目标矩阵mat2 = np.array([new_a1,new_a2,new_a3,new_a4],dtype = np.float32)# 透视变换矩阵mat = cv2.getPerspectiveTransform(mat1,mat2)# 进行透视变换res = cv2.warpPerspective(img,mat,(w,h))imshow((res))
透视变换的计算步骤：
1.首先获取原图多边形的四个顶点，注意顶点顺序。
2.然后构造原始顶点矩阵。
3.计算矩形长宽，构造变换后的目标矩阵。
4.获取原始矩阵到目标矩阵的透视变换矩阵 5、进行透视变换
4、轮廓检测，检测每个选项
res_gray = cv2.cvtColor(res,cv2.COLOR_BGR2GRAY)_,binary_res = cv2.threshold(res_gray,0,255,cv2.THRESH_OTSU|cv2.THRESH_BINARY_INV)contours = cv2.findContours(binary_res,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)[0]dst = cv2.drawContours(res.copy(),contours,-1,(0,0,255),1)imshow(dst)
筛选选项轮廓
# 挑选合适的轮廓def check(contours): ans = [] for i in contours: area = float(cv2.contourArea(i)) length = float(cv2.arcLength(i,True)) if area<=0 or length<=0: continue if area/length >7.05 and area/length<10.5: ans.append(i) return ansans_contours = check(contours)dst_new = cv2.drawContours(res.copy(),ans_contours,-1,(0,255,255),3 )imshow(dst_new)
5、画轮廓的外接圆，排序，定位每个选项
# 遍历每一个圆形轮廓，画外接圆circle = []for i in ans_contours: (x,y),r = cv2.minEnclosingCircle(i) center = (int(x),int(y)) r = int(r) circle.append((center,r))# 按照外接圆的水平坐标排序center[1]，也就是圆心的高度h，或者y坐标circle.sort(key = lambda x:x[0][1])A = []for i in range(1,6): now = circle[(i-1)*5:i*5] now.sort(key = lambda x:x[0][0]) A.extend(now)
每个选项按照圆心从左到右，从上到下的顺序保存在了A中
6、选项检测
思路：对于A中的每个选项圆，计算它有所覆盖的坐标，然后判断这些坐标在二值图像中对应的值，统计白色点的个数， 如果白色点所占的比例比较大的话，说明该选项被选中。
def dots_distance(dot1,dot2): #计算二维空间中两个点的距离 return ((dot1[0]-dot2[0])**2+(dot1[1]-dot2[1])**2)**0.5def count_dots(center,radius): #输入圆的中心点与半径，返回圆内所有的坐标 dots = [] for i in range(-radius,radius+1): for j in range(-radius,radius+1): dot2 = (center[0]+i,center[1]+j) if dots_distance(center,dot2) <= radius: dots.append(dot2) return dots da = []for i in A: dots = count_dots(i[0],i[1]) all_dots = len(dots) whilt_dots = 0 for j in dots: if binary_res[j[1]][j[0]] == 255: whilt_dots = whilt_dots+1 if whilt_dots/all_dots>=0.4: da.append(1) else: da.append(0)da = np.array(da)da = np.reshape(da,(5,5))
这样每个答题卡就转换成了一个二维数组，接下来在做一些简单的收尾工作就可以了。