四、模拟英语四六级答题卡识别阅卷评分_java

一、思路分析

首先拿到答题卡照片的时候，需要对照片进行一系列预处理 *** 作，通过透视变换将图像摆正方便后续的 *** 作。每一道题五个选项，有五道题，通过字典存放准确答案。没有依次对答题卡进行轮廓检测，这里采用的是正方形，宽高比是1:1，当然也可以是矩形，也可以通过指定其他的筛选进行进行过滤筛选。最后通过掩膜 *** 作，因为用户所选择的答案都是被涂过的，也就是通过判断黑色和白色来进行区分是否是用户选择的答案。一行一行的存储，因为一道题是五个选项，每一行是一道题，这里采用从上到下从左到右分别依次存放1-5题的A-E选项。通过与标准答案字典所存放的索引进行对比，从而给出用户得分。

二、导包及其相关函数

#导入工具包
import numpy as np
import argparse
import imutils
import cv2

# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
	help="path to the input image")
args = vars(ap.parse_args())

# 正确答案
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}#存放正确答案BEADB

def order_points(pts):
	# 一共4个坐标点
	rect = np.zeros((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
	# 计算左上，右下
	s = pts.sum(axis = 1)
	rect[0] = pts[np.argmin(s)]
	rect[2] = pts[np.argmax(s)]

	# 计算右上和左下
	diff = np.diff(pts, axis = 1)
	rect[1] = pts[np.argmin(diff)]
	rect[3] = pts[np.argmax(diff)]

	return rect

def four_point_transform(image, pts):#透视变换
	# 获取输入坐标点
	rect = order_points(pts)
	(tl, tr, br, bl) = rect#拿到答题卡四个顶点坐标

	# 计算输入的w和h值
	widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))#因为拿到的答题卡的不一定是正儿八经的矩形，需要对四条边进行计算长度，选出最长的作为最后矩形的长度
	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")#看个人需求而定，这里将图像左上角规定为(0,0)位置

	# 计算变换矩阵
	M = cv2.getPerspectiveTransform(rect, dst)
	warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

	# 返回变换后结果
	return warped
def sort_contours(cnts, method="left-to-right"):#从上到下进行排序，因为题目就是一行一行的
    reverse = False
    i = 0
    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in cnts]
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))#排完序之后，前五个是第一题的，之后每五个依次为下一题的
    return cnts, boundingBoxes
def cv_show(name,img):
        cv2.imshow(name, img)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

三、对答题卡进行预处理及透视变换摆正

# 预处理
image = cv2.imread(args["image"])#读取图像
contours_img = image.copy()#为了不改动原始图像，copy一下图像，因为后续需要进行一系列轮廓检测
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#灰度图
blurred = cv2.GaussianBlur(gray, (5, 5), 0)#高斯滤波，去除一些噪音点
cv_show('blurred',blurred)
edged = cv2.Canny(blurred, 75, 200)#Canny边缘检测
cv_show('edged',edged)

# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#轮廓检测完之后会得到三个返回值，这里的[1]存放的是轮廓信息
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) #将图像通过透视变换进行摆正，绘制出答题卡的大致轮廓，拿到的答题卡图像也不一定是正儿八经的矩形
cv_show('contours_img',contours_img)
docCnt = None

# 确保检测到了
if len(cnts) > 0:#因为可能会检测到其他干扰影响，但是答题卡的轮廓是最大的
	# 根据轮廓大小进行排序
	cnts = sorted(cnts, key=cv2.contourArea, reverse=True)#把检测到的所有轮廓按面积进行排序

	# 遍历每一个轮廓
	for c in cnts:
		# 近似
		peri = cv2.arcLength(c, True)#计算一下轮廓周长
		approx = cv2.approxPolyDP(c, 0.02 * peri, True)#对轮廓进行近似

		# 准备做透视变换
		if len(approx) == 4:#多边形顶点有四个也就是矩形，这个就是我们的答题卡轮廓
			docCnt = approx
			break

# 执行透视变换
warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)

四、对每一道题均进行轮廓检测，遍历筛选

# 自适应阈值处理
thresh = cv2.threshold(warped, 0, 255,	cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
thresh_Contours = thresh.copy()

# 找到每一道题轮廓
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#这里再次进行轮廓检测，之所以不用霍夫圆检测是因为有可能答题卡会被全部涂满甚至越界
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3) 
cv_show('thresh_Contours',thresh_Contours)
questionCnts = []

# 遍历，对所有的轮廓进行筛选
for c in cnts:
	# 计算比例和大小
	(x, y, w, h) = cv2.boundingRect(c)
	ar = w / float(h)#因为是圆形，这里是宽高比，外接矩形差不多宽高比是1:1

	# 根据实际情况指定标准
	if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
		questionCnts.append(c)

# 按照从上到下进行排序
questionCnts = sort_contours(questionCnts,	method="top-to-bottom")[0]
correct = 0

五、对比答案，评分

# 每排有5个选项
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):#因为每一题都有五个选项，q为第几行
	# 排序
	cnts = sort_contours(questionCnts[i:i + 5])[0]#第i题的五个结果
	bubbled = None

	# 遍历每一个结果
	for (j, c) in enumerate(cnts):#j为第i道题的第j个选项
		# 使用mask来判断结果
		mask = np.zeros(thresh.shape, dtype="uint8")
		cv2.drawContours(mask, [c], -1, 255, -1) #-1表示填充
		cv_show('mask',mask)
		# 通过计算非零点数量来算是否选择这个答案
		mask = cv2.bitwise_and(thresh, thresh, mask=mask)
		total = cv2.countNonZero(mask)#看下框出来的选项中非零的个数有多少个

		# 通过阈值判断
		if bubbled is None or total > bubbled[0]:
			bubbled = (total, j)

	# 对比正确答案
	color = (0, 0, 255)
	k = ANSWER_KEY[q]#第q道题的答案

	# 判断正确
	if k == bubbled[1]:
		color = (0, 255, 0)
		correct += 1

	# 绘图
	cv2.drawContours(warped, [cnts[k]], -1, color, 3)

score = (correct / 5.0) * 100
print("[INFO] score: {:.2f}%".format(score))
cv2.putText(warped, "{:.2f}%".format(score), (10, 30),
	cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow("Original", image)
cv2.imshow("Exam", warped)
cv2.waitKey(0)

六、Pycharm参数设定

设置参数指定图像路径

找到Edit Configurations
将image参数改成自己测试图像路径--image images\test11.png，其中images\test11.png为答题卡路径

七、完整代码

#导入工具包
import numpy as np
import argparse
import imutils
import cv2

# 设置参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
	help="path to the input image")
args = vars(ap.parse_args())

# 正确答案
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}#存放正确答案BEADB

def order_points(pts):
	# 一共4个坐标点
	rect = np.zeros((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
	# 计算左上，右下
	s = pts.sum(axis = 1)
	rect[0] = pts[np.argmin(s)]
	rect[2] = pts[np.argmax(s)]

	# 计算右上和左下
	diff = np.diff(pts, axis = 1)
	rect[1] = pts[np.argmin(diff)]
	rect[3] = pts[np.argmax(diff)]

	return rect

def four_point_transform(image, pts):#透视变换
	# 获取输入坐标点
	rect = order_points(pts)
	(tl, tr, br, bl) = rect#拿到答题卡四个顶点坐标

	# 计算输入的w和h值
	widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))#因为拿到的答题卡的不一定是正儿八经的矩形，需要对四条边进行计算长度，选出最长的作为最后矩形的长度
	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")#看个人需求而定，这里将图像左上角规定为(0,0)位置

	# 计算变换矩阵
	M = cv2.getPerspectiveTransform(rect, dst)
	warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

	# 返回变换后结果
	return warped
def sort_contours(cnts, method="left-to-right"):#从上到下进行排序，因为题目就是一行一行的
    reverse = False
    i = 0
    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in cnts]
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))#排完序之后，前五个是第一题的，之后每五个依次为下一题的
    return cnts, boundingBoxes
def cv_show(name,img):
        cv2.imshow(name, img)
        cv2.waitKey(0)
        cv2.destroyAllWindows()  

# 预处理
image = cv2.imread(args["image"])#读取图像
contours_img = image.copy()#为了不改动原始图像，copy一下图像，因为后续需要进行一系列轮廓检测
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#灰度图
blurred = cv2.GaussianBlur(gray, (5, 5), 0)#高斯滤波，去除一些噪音点
cv_show('blurred',blurred)
edged = cv2.Canny(blurred, 75, 200)#Canny边缘检测
cv_show('edged',edged)

# 轮廓检测
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#轮廓检测完之后会得到三个返回值，这里的[1]存放的是轮廓信息
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) #将图像通过透视变换进行摆正，绘制出答题卡的大致轮廓，拿到的答题卡图像也不一定是正儿八经的矩形
cv_show('contours_img',contours_img)
docCnt = None

# 确保检测到了
if len(cnts) > 0:#因为可能会检测到其他干扰影响，但是答题卡的轮廓是最大的
	# 根据轮廓大小进行排序
	cnts = sorted(cnts, key=cv2.contourArea, reverse=True)#把检测到的所有轮廓按面积进行排序

	# 遍历每一个轮廓
	for c in cnts:
		# 近似
		peri = cv2.arcLength(c, True)#计算一下轮廓周长
		approx = cv2.approxPolyDP(c, 0.02 * peri, True)#对轮廓进行近似

		# 准备做透视变换
		if len(approx) == 4:#多边形顶点有四个也就是矩形，这个就是我们的答题卡轮廓
			docCnt = approx
			break

# 执行透视变换
warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)

# 自适应阈值处理
thresh = cv2.threshold(warped, 0, 255,	cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
thresh_Contours = thresh.copy()

# 找到每一道题轮廓
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]#这里再次进行轮廓检测，之所以不用霍夫圆检测是因为有可能答题卡会被全部涂满甚至越界
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3) 
cv_show('thresh_Contours',thresh_Contours)
questionCnts = []

# 遍历，对所有的轮廓进行筛选
for c in cnts:
	# 计算比例和大小
	(x, y, w, h) = cv2.boundingRect(c)
	ar = w / float(h)#因为是圆形，这里是宽高比，外接矩形差不多宽高比是1:1

	# 根据实际情况指定标准
	if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
		questionCnts.append(c)

# 按照从上到下进行排序
questionCnts = sort_contours(questionCnts,	method="top-to-bottom")[0]
correct = 0

# 每排有5个选项
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):#因为每一题都有五个选项，q为第几行
	# 排序
	cnts = sort_contours(questionCnts[i:i + 5])[0]#第i题的五个结果
	bubbled = None

	# 遍历每一个结果
	for (j, c) in enumerate(cnts):#j为第i道题的第j个选项
		# 使用mask来判断结果
		mask = np.zeros(thresh.shape, dtype="uint8")
		cv2.drawContours(mask, [c], -1, 255, -1) #-1表示填充
		cv_show('mask',mask)
		# 通过计算非零点数量来算是否选择这个答案
		mask = cv2.bitwise_and(thresh, thresh, mask=mask)
		total = cv2.countNonZero(mask)#看下框出来的选项中非零的个数有多少个

		# 通过阈值判断
		if bubbled is None or total > bubbled[0]:
			bubbled = (total, j)

	# 对比正确答案
	color = (0, 0, 255)
	k = ANSWER_KEY[q]#第q道题的答案

	# 判断正确
	if k == bubbled[1]:
		color = (0, 255, 0)
		correct += 1

	# 绘图
	cv2.drawContours(warped, [cnts[k]], -1, color, 3)


score = (correct / 5.0) * 100
print("[INFO] score: {:.2f}%".format(score))
cv2.putText(warped, "{:.2f}%".format(score), (10, 30),
	cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow("Original", image)
cv2.imshow("Exam", warped)
cv2.waitKey(0)