python-opencv答题卡识别

### 使用 Python 和 OpenCV 进行答题卡识别 #### 预处理阶段 为了提高后续处理的效果，在开始之前要对输入的答题卡图像做一系列预处理工作。这包括但不限于将彩色图转换成灰度图，通过二值化使图像黑白分明，并去除可能存在的噪声干扰。 ```python import cv2 import numpy as np def preprocess_image(image_path): # 加载原始图像并转为灰度模式 image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 应用高斯模糊减少噪音 blurred = cv2.GaussianBlur(image, (5, 5), 0) # 自适应阈值法进行二值化处理 thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) return thresh ``` 此部分的操作能够有效提升之后轮廓查找以及特征提取的质量[^1]。 #### 轮廓检测与定位 经过初步清理后的图像更易于分析其几何特性。接下来的任务是从中找出代表答题区域的关键形状——通常是矩形框内的选项标记。为此，先寻找整个页面上的所有闭合边界，再从中筛选出最有可能属于答题区的部分。 ```python def find_contours(thresh_img): contours, _ = cv2.findContours(thresh_img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contour_data = [] for c in contours: peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.02 * peri, True) if len(approx) == 4: # 只考虑四边形作为候选对象 contour_data.append((approx, cv2.contourArea(approx))) sorted_contours = sorted(contour_data, key=lambda x:x[1], reverse=True)[:5] return [c[0] for c in sorted_contours] ``` 上述函数会返回按面积大小排列前五名的疑似答题区位置信息列表[^3]。 #### 图像矫正（透视变换） 一旦确定了潜在的目标区域，则可以通过计算四个角点之间的关系来进行视角校正，从而获得更加规整的标准视图用于下一步解析。 ```python def four_point_transform(image, pts): rect = order_points(pts.reshape(4, 2)) (tl, tr, br, bl) = rect 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)) dst = np.array([ [0, 0], [maxWidth - 1, 0], [maxWidth - 1, maxHeight - 1], [0, maxHeight - 1]], dtype="float32") M = cv2.getPerspectiveTransform(rect, dst) warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight)) return warped def order_points(pts): rect = np.zeros((4, 2), dtype="float32") s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] rect[2] = pts[np.argmax(s)] diff = np.diff(pts, axis=1) rect[1] = pts[np.argmin(diff)] rect[3] = pts[np.argmax(diff)] return rect ``` 这段代码实现了基于选定角落坐标的精确变形调整过程。 ---