自动判卷 、答题卡识别、六级答题卡客观题自动判卷系统1.0

一、前言

二、代码

三、处理原图片、以及效果图片

四、总结

• 一.引言：
  1.本程序设计想法来源于一次四六级考试，因为六级没有好好准备，裸考上阵，结果肯定是看不懂哈哈哈，边做还边走神，想着既然学了opencv，要不自己搞个六级的判卷系统玩玩。于是考试完就网上找了一张六级答题卡彩印后随便填涂一些信息。总共跨越一两个月才完成吧（一直完成其它事情拖着）。但是写程序时间就三天左右。一方面是因为答题卡的质量，是A4纸，以及放书包有些变形，导致处理起来有些麻烦。
  2.目前的自动判卷以及答题卡识别是很多人都做过的，我也只是练习一下，其实还有很多需要改进的。
  3.本程序大家可以代码直接复制过去，然后根据我提供的图片，将图片路径改一下，运行就可以用了哦。如果没有对应的一些包，可以在终端输入一下代码就行啦。(package:需要下载的库)

pip install --index-url https://pypi.douban.com/simple   package

• 二.程序总代码：

"""
程序思路：
1.首先参考网上试卷检测的相关例程，模仿着来，网上大部分检测部分基本用的Canny算法，
但是我用了试过调Canny函数的参数、以及通过图像增强进行边缘检测，但是效果不佳，出现断断续续的效果，不能用于检测图片。2.出现这种情况，我对各种边缘检测算法进行了尝试，其中sobel的边缘检测算法效果比较好，laplacian算法较为一般。3.当轮廓提取出来后，下一步就是对轮廓进行了框选，我一开始的想法只是外接矩形，或者一个正接的矩形，先是保留自己的看法，
参考网上，基本都是Canny边缘检测算法后进行霍夫直线的检测。我也就跟着进行霍夫直线试了很多次，但是效果一直不佳，
一方面是我答题卷四条边直线度的问题，由于不是纯的直线，所以进行直线检测的时候就会出现很多杂乱的曲线。网上的例子能检测出直线，
然后进行求四个交点，方便后面进行透视变换。由于这个方法行不通，所以准备换另一种方法进行检测框。4.这个时候我就参数了二值化的两种方法，其中就是全局二值化，另一个是局部阈值化，全局二值化只是用一个阈值进行分割，局部阈值化能进行手动设置图片的阈值个数
二值化之后进行进行框选了，这个时候我就开始按照一开始的想法进行狂框选了，用的是最小外接矩形，与正接矩形，但是因为框选出来的误差太大，除了试卷还有很多背景
后面进行发现最大轮廓————>填充颜色————>sobel边缘检测（看看会不胡边缘会端正了很多，但是结果跟没天赐差不多）
————>发现可以用拟合矩形进行检测。于是我就尝试了利用sobel+拟合矩形的方式进行检测，结果效果不错，但是存在另一个问题，一方面答题卷没有完全拍摄到的时候就会出现框选不出来。、5.改进，为什么不直接用二值化直接检测答题卷呢，最后直接二值化+矩形拟合，检测多张图片后效果良好。"""#遇到问题：1-3图片角度跟7——16的图片角度不一样，导致识别方向出现了问题，故可以利用获取坐标点进行排序。
# 功能：利用二值化+矩形拟合
# 链接：https://blog.csdn.net/xue_csdn/article/details/97616177
# 矩形拟合:https://segmentfault.com/a/1190000015663722
# 透视变换坐标对应：https://blog.csdn.net/xxxy502/article/details/89668722#:~:text=python%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86%EF%BC%9A%E9%80%8F%E8%A7%86%E5%8F%98%E6%8D%A2%E5%8E%9F%E7%90%86%E6%95%88%E6%9E%9C%E4%BB%A3%E7%A0%81%20%E5%8E%9F%E7%90%86%20%E9%80%8F%E8%A7%86%E5%8F%98%E6%8D%A2%28Perspective%20Transformation%29%E6%98%AF%E5%B0%86%E5%9B%BE%E7%89%87%E6%8A%95%E5%BD%B1%E5%88%B0%E4%B8%80%E4%B8%AA%E6%96%B0%E7%9A%84%E8%A7%86%E5%B9%B3%E9%9D%A2%28Viewing,Plane%29%EF%BC%8C%E4%B9%9F%E7%A7%B0%E4%BD%9C%E6%8A%95%E5%BD%B1%E6%98%A0%E5%B0%84%28Projective%20Mapping%29%E3%80%82%20%E9%80%9A%E7%94%A8%E7%9A%84%E5%8F%98%E6%8D%A2%E5%85%AC%E5%BC%8F%E4%B8%BA%EF%BC%9A%20%20u%2Cv%E6%98%AF%E5%8E%9F%E5%A7%8B%E5%9B%BE%E7%89%87%E5%9D%90%E6%A0%87%EF%BC%8C%E5%AF%B9%E5%BA%94%E5%BE%97%E5%88%B0%E5%8F%98%E6%8D%A2%E5%90%8E%E7%9A%84%E5%9B%BE%E7%89%87%E5%9D%90%E6%A0%87x%2Cy%2C%E5%85%B6%E4%B8%AD%E3%80%82
# coding=utf-8# 导入相关的库
import cv2
import cv2 as cv
import numpy as np
from functools import reduce
import operator
import mathdef ad_number(pos):"""准考证号识别"""list_y = [190,245,300,355,400,460,520,570,630,680]list_num = [0,1,2,3,4,5,6,7,8,9]for i,y  in enumerate(list_y):if pos >y-25 and pos <y+25:return list_num[i]def l_optioon(pos,bb,rn):"""对左边选择题轮廓的中心坐标与选项坐标进行比较，对选择正确与否进行判断"""b  = bblist_x = [400, 460, 525, 590, 656, 715, 780, 840, 900, 950, 1020, 1080, 1130, 1200, 1260, 1330, 1400, 1460, 1525]answer = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S']right_answer = ['A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B', 'C', 'D','A', 'B', 'C', 'D', 'A' ]for i,x  in enumerate(list_x):if pos >x-20 and pos <x+20:if answer[i]==right_answer[b]:color = (255,0,0)rn +=1else:color = (0, 0, 255)return answer[i],color,rndef r_optioon(pos,bb,rn):"""对右边选择轮廓形心进行判断所在位置的选项，以及跟正确答案做比较"""b = bb# print(b)list_x = [ 1140, 1210, 1270, 1330]answer = ['A', 'B', 'C', 'D']right_answer  = [ 'B', 'C', 'D','A','B']for i,x  in enumerate(list_x):if pos >x-20 and pos <x+20:if answer[i] == right_answer[b]:color = (255, 0, 0)rn +=1else:color = (0, 0, 255)return answer[i], color,rndef begin():"""打印一些提示的信息"""print("\n\n***************************************************************************************************")print("*                                                 欢迎使用                                          *")print("*                                            六级客观题自动判卷系统                                   *")print("***************************************************************************************************")print("-" * 40)print("1.选择标准答案为:\t")test_answer = ['A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B', 'C', 'D','A', 'B', 'C', 'D', 'A', 'B', 'C', 'D', 'A', 'B']for i, answer in enumerate(test_answer):print(str(i + 36) + ":" + answer, end="\t")if (i + 36) % 5 == 0:"""对打印进行每几个打一行"""print()print("-" * 40)def Perspective_transformation(img):gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 进行灰度化、减少运算量blurred = cv2.GaussianBlur(gray, (7, 7), 0)  # 对图片进行高斯模糊、防止椒盐噪声的干扰retval, binary = cv2.threshold(blurred, 120, 255, cv2.THRESH_BINARY)  # 利用全局二值化对答题卷进行识别kernel_1 = cv.getStructuringElement(cv.MORPH_RECT, (17, 17))  # 定义卷积核erode = cv.erode(binary, kernel_1)  # 进行腐蚀，去杂点dilate = cv.dilate(erode, kernel_1)  # 进行膨胀还原contours = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]  # 发现最外边轮廓area_list = []for c in contours:"""获取面接列表"""area_list.append(cv.contourArea(c))# -----------------------------------进行透视变换---------------------------------#dist = 30for c in contours:if cv.contourArea(c) == max(area_list):epsilon = 0.1 * cv2.arcLength(c, True)approx = cv2.approxPolyDP(c, epsilon, True)cv2.polylines(img, [approx], True, (0, 255, 255), 18)coords = [[[approx][0][0][0][0], [approx][0][0][0][1]], [[approx][0][1][0][0], [approx][0][1][0][1]],[[approx][0][2][0][0], [approx][0][2][0][1]], [[approx][0][3][0][0], [approx][0][3][0][1]]]center = tuple(map(operator.truediv, reduce(lambda x, y: map(operator.add, x, y), coords), [len(coords)] * 2))x_y = sorted(coords, key=lambda coord: (-135 - math.degrees(math.atan2(*tuple(map(operator.sub, coord, center))[::-1]))) % 360, reverse=True)# print("[approx]:\n%s"%[approx])#打印获取的坐标# print(x_y)    # 打印顺时针坐标former = np.float32([x_y[0],x_y[3],x_y[2],x_y[1]])# 变换之后的四个角点坐标pts = np.float32([[0, 0],[0, x_y[3][1] - x_y[0][0]],[x_y[1][0] - x_y[0][0], x_y[3][1] - x_y[0][0]],[x_y[1][0] - x_y[0][0], 0]])# 变换矩阵MM = cv2.getPerspectiveTransform(former, pts)# 当然这一过程可以用cv2中函数实现po1 = cv2.perspectiveTransform(np.array([[[100, 50]]], dtype=np.float32), M)result = cv2.warpPerspective(img, M, (x_y[1][0] - x_y[0][0], x_y[3][1] - x_y[0][0]))return resultdef get_roi(result):gray = cv.cvtColor(result, cv.COLOR_BGR2GRAY)b_h = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY_INV, 101, 6)  # 局部大津算法二值化kernel_hb = cv.getStructuringElement(cv.MORPH_RECT, (23, 23))b_h = cv.morphologyEx(b_h, cv.MORPH_OPEN, kernel_hb, iterations=1)# ----------------------------------提取框架---------------------------------#l_b = cv.GaussianBlur(result, (5, 5), 1)  # 进行模糊去噪点l_hsv = cv.cvtColor(l_b, cv.COLOR_BGR2HSV)  # 转换为HSV色彩空间lower = np.array([134, 21, 11])  # 红色低阈值upper = np.array([179, 255, 255])  # 红色高阈值l_mask = cv2.inRange(l_hsv, lower, upper)  # 获取目标颜色单通道图片contours = cv2.findContours(l_mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]  # 获取图片的轮廓    对HSV的图像进行二值化需要用到这个content = []  # 获取上面三个矩形框line = []  # 三条线条# i = 0       # 线条序号# j = 0       # 内容序号for c in contours:if cv.contourArea(c) > 5000:"""过滤一些不必要的轮廓"""x, y, w, h = cv.boundingRect(c)  # 获取矩形框的四个参数mm = cv.moments(c)  # 几何重心的获取cx = mm['m10'] / mm['m00']  # 获取几何重心的xcy = mm['m01'] / mm['m00']  # 获取几何重心的yif w / h > 2:"""对长条形红色线框进行追加"""# i+=1# cv2.circle(result, (np.int(cx), np.int(cy)), 15, (0, 255, 0), -1)  # 画出中心# cv.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 10)  # 画外接矩形# cv.putText(result, str(i), (np.int(cx), np.int(cy)), cv.FONT_HERSHEY_SIMPLEX, 4,(255,255,0), 10)line.append(c)else:"""对内容框进行追加"""# j += 1# cv.rectangle(result, (x, y), (x + w, y + h), (255, 255, 0), 10)  # 画外接矩形# cv.putText(result, str(j), (np.int(cx), np.int(cy)), cv.FONT_HERSHEY_SIMPLEX, 4,(255,255,0), 30)content.append(c)# ------------------------------获取学号以及选项区域------------------------------------#x1, y1, w1, h1 = cv.boundingRect(content[2])  # 获取学号位置线框轮廓正接矩形x2, y2, w2, h2 = cv.boundingRect(line[1])  # 获取第二条红色框轮廓正接矩形x3, y3, w3, h3 = cv.boundingRect(line[0])  # 获取第条红色框轮廓正接矩形cv.rectangle(result, (x1, y1), (x1 + w1, y1 + h1), (255, 0, 0), 20)  # 画外接矩形cv.rectangle(result, (x2, y2 + h2), (x2 + w2, y3), (255, 0, 0), 20)  # 画外接矩形# --------------------------------选取roi-----------------------------------#roi_1_b_h = b_h[y1:y1 + h1, x1:x1 + w1]roi_2_b_h = b_h[y2 + h2:y3, x2:x2 + w2]roi_1 = result[y1:y1 + h1, x1:x1 + w1]roi_2 = result[y2 + h2:y3, x2:x2 + w2]return  roi_1_b_h,roi_2_b_h,roi_1,roi_2,b_hdef sort_stu_num_oul(roi_1_b_h):# -----------------------------学号轮廓排序------------------------------------#contours_1 = cv2.findContours(roi_1_b_h, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]  # 获取图片的轮廓    对HSV的图像进行二值化需要用到这个list_x1 = []  # 定义一个列表、用于储存每个轮廓对应的X坐标sort_contours_1 = []  # 用于储存排序好的轮廓for n, c_1 in enumerate(contours_1):"""遍历轮廓对x坐标及逆行排序"""x, y, w, h = cv.boundingRect(c_1)list_x1.append(x)list_x2 = list_x1.copy()  # copy出来的列表用来排序list_x2.sort(reverse=False)for i in range(len(list_x1)):"""对应的轮廓进行按找list_x2的顺序追加，行程按照x顺序排列的轮廓，sort_contours_1 """sort_contours_1.append(contours_1[list_x1.index(list_x2[i])])l = 0test_number = []for c_1 in sort_contours_1:"""在轮廓中画出序号、"""l += 1x, y, w, h = cv.boundingRect(c_1)# 获取矩形框的四个参数mm = cv.moments(c_1)  # 几何重心的获取cx = mm['m10'] / mm['m00']  # 获取几何中心的xcy = mm['m01'] / mm['m00']  # 获取几何重心的ycv.rectangle(roi_1, (x, y), (x + w, y + h), (0, 255, 0), 5)  # 画外接矩形# cv.putText(roi_1, str(l), (np.int(cx), np.int(cy)), cv.FONT_HERSHEY_SIMPLEX, 2,(255,0,0), 3)num = ad_number(cy)test_number.append(num)  # 准考证号cv.putText(roi_1, str(num), (x, 80), cv.FONT_HERSHEY_SIMPLEX, 2.4, (0, 0, 255), 5)print("2.考生准考证号码为：\t", end="")for i in test_number:print(i, end="")print()def opt(roi_2_b_h):# -----------------------------学号选择发现轮廓------------------------------------#contours_2 = cv2.findContours(roi_2_b_h, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[1]  # 获取图片的轮廓    对HSV的图像进行二值化需要用到这个# -----------------------------选择轮廓排序------------------------------------#yl_contours_2 = []  # 储存左边轮廓yr_contours_2 = []  # 储存右边轮廓sort_contours_l2 = []  # 用于储存排序好的轮廓sort_contours_r2 = []  # 用于储存排序好的轮廓list_yl1 = []  # 定义一个列表、用于储存每个轮廓对应的X坐标list_yr1 = []  # 定义一个列表、用于储存每个轮廓对应的X坐标list_x3 = []for i, c_2 in enumerate(contours_2):x, y, w, h = cv.boundingRect(c_2)# 获取矩形框的四个参数mm = cv.moments(c_2)  # 几何重心的获取cx = mm['m10'] / mm['m00']  # 获取几何中心的xcy = mm['m01'] / mm['m00']  # 获取几何重心的y# print( str(i)+"\t"+str(y) +"\t"+ str(x))if y < 1650 or x < 1000:list_yl1.append(y)yl_contours_2.append(c_2)else:list_yr1.append(y)list_x3.append(x)yr_contours_2.append(c_2)# --------------对左边轮廓进行排序---------------------------list_yl2 = list_yl1.copy()list_yl2.sort(reverse=False)for i in range(len(list_yl1)):sort_contours_l2.append(yl_contours_2[list_yl1.index(list_yl2[i])])# ----------------------画出左边轮廓----------------------------------m = 35answer_l_list = []rn = 0for c_2 in sort_contours_l2:m += 1x, y, w, h = cv.boundingRect(c_2)# 获取矩形框的四个参数mm = cv.moments(c_2)  # 几何重心的获取cx = mm['m10'] / mm['m00']  # 获取几何中心的xcy = mm['m01'] / mm['m00']  # 获取几何重心的ycv.putText(roi_2, str(m), (200, np.int(cy) + 20), cv.FONT_HERSHEY_SIMPLEX, 1.7, (255, 0, 0), 4)answer_l, color, rn = l_optioon(cx, (m - 36), rn)answer_l_list.append(answer_l)cv.rectangle(roi_2, (x, y), (x + w, y + h), color, 5)  # 画外接矩形cv.putText(roi_2, answer_l, (np.int(cx) + 100, np.int(cy)), cv.FONT_HERSHEY_SIMPLEX, 2, color, 4)# ----------------------画出右边轮廓-----------------------------list_yr2 = list_yr1.copy()list_yr2.sort(reverse=False)for i in range(len(list_yr1)):sort_contours_r2.append(yr_contours_2[list_yr1.index(list_yr2[i])])n = 60answer_r_list = []for c_2 in sort_contours_r2:n += 1x, y, w, h = cv.boundingRect(c_2)# 获取矩形框的四个参数mm = cv.moments(c_2)  # 几何重心的获取cx = mm['m10'] / mm['m00']  # 获取几何中心的xcy = mm['m01'] / mm['m00']  # 获取几何重心的ycv.putText(roi_2, str(n), (920, np.int(cy) + 20), cv.FONT_HERSHEY_SIMPLEX, 2, (255, 0, 0), 4)# cv.putText(roi_2, str(m), (130, np.int(cy)-20), cv.FONT_HERSHEY_SIMPLEX, 1.7,(255,0,0), 4)answer_r, color, rn = r_optioon(cx, n - 61, rn)answer_r_list.append(answer_r)cv.putText(roi_2, answer_r, (np.int(cx) + 100, np.int(cy)), cv.FONT_HERSHEY_SIMPLEX, 2, color, 4)cv.rectangle(roi_2, (x, y), (x + w, y + h), color, 5)  # 画外接矩形# print(answer_r_list)print("-" * 40)your_ansewer = answer_l_list + answer_r_listprint("3.学生填选答案为:\t")for i, answer in enumerate(your_ansewer):print(str(i + 36) + ":" + answer, end="\t")if (i + 36) % 5 == 0:print()print("-"*40)print("4.分数为:\t",end='')print(rn*2)print("-"*50+"试卷批改完毕"+"-"*50)#------------------图像预处理--------------------------------
img = cv2.imread("F:\\img\\test_paper\\15.jpg") # 读取图片、为BGR格式begin()
result = Perspective_transformation(img)
roi_1_b_h,roi_2_b_h,roi_1,roi_2,b_h = get_roi(result)
sort_stu_num_oul(roi_1_b_h)
opt(roi_2_b_h)# result[y1:y1+h1,x1:x1+w1]=roi_1
# result[y2+h2:y3,x2:x2+w2]=roi_2cv.imwrite(".\\img\\result_11.jpg",result)
cv2.namedWindow("result",0)
cv2.imshow("result",result)
cv2.namedWindow("roi_2_b_h",0)
cv2.imshow("roi_2_b_h",roi_2_b_h)
cv2.namedWindow("roi_1_b_h",0)
cv2.imshow("roi_1_b_h",roi_1_b_h)
cv2.namedWindow("img",0)
cv2.imshow("img",img)cv2.waitKey(0)
cv2.destroyAllWindows()

• 三、处理原图片、以及效果图片
  1.原图片（是不是很清晰以及有些小变形，用边缘检测我提取不出来）
  
  2.效果图片
  
  
  

• 四、总结

1.本次程序存在缺陷，由于纸张的问题，以及背景的问题，手机拍摄的问题，还有我技术的问题，目前只能处理我上次的那张照片。由于时间的关系，后面我会利用某宝购买答题纸，利用USB工业相机进行拍摄，对处理算法进行优化。到时候再跟大家讲解一些实现思路。
2.本次代码没有用太多时间去整理，以及备注更多的内容，就是直接写完copy上来而已。所以有些乱。
3.对本文需要改进的地方大家可以多多留言、
4.觉得不错的小伙伴帮我帮我点个赞或者关注我支持一下哦！

• 五、其他文章

---

1.理论系列:

第一章：pycharm、anaconda、opencv、pytorch、tensorflow、paddlex等环境配置大全总结【图像处理py版本】

第二章：OpenCv算法的基本介绍与应用

第三章：OpenCv图片、视频读写操作与基本应用

第四章：OpenCv阈值分割/二值化（单通道、多通道图片）总结

---

2.项目系列:

》》》项目一：四六级改卷系统