Opencv之掩码实现答题卡辨认及精确率判断

掩码实现答题卡辨认及精确率判断


  
1 掩码

---

1.1 概念

掩码（Mask）是一种用于指定图像处置处罚操作区域的工具。掩码通常是一个与图像尺寸相同的二值图像，其中像素值为0表现不处置处罚，像素值为255（或1）表现处置处罚。掩码可以用于多种操作，如图像滤波、图像合成、图像分割等。掩码的尺寸必须与图像的尺寸相同。掩码的像素值通常为0或255（或1），但也可以是其他值，详细取决于应用场景。通过使用掩码，可以更精确地控制图像处置处罚操作的范围，从而实现更复杂的结果。
1.2 创建掩码

• mask = np.zeros((height, width), dtype=np.uint8)，创建一个全黑的掩码
  
  
  
  • (height, width), 高宽
    
  • dtype=np.uint8 ，数据范例
    
  
  
• cv2.rectangle(mask, (x1, y1), (x2, y2), 255, -1)，在掩码上绘制矩形
  
  
  
  • (x1, y1), (x2, y2)起点和对角线坐标 ，
    
  • 255颜色， -1表全填充
    
  
  

1. import cv2
2. import numpy as np
3. # 创建一个全黑的掩码
4. mask = np.zeros((300, 300), dtype=np.uint8)
5. # 在掩码上绘制一个白色矩形
6. cv2.rectangle(mask, (50, 50), (100, 100), 255, -1)
7. cv2.imshow('mask',mask)
8. cv2.waitKey(0)

复制代码

2 答题卡辨认过程

–
2.1 显示、表面排序、透视变换函数

1. # 显示图像的函数
2. def cv_chow(name, img):
3.     cv2.imshow(name, img)
4.     cv2.waitKey(0)
6. # 对四个点进行排序，确保顺序为：左上、右上、右下、左下
7. def order_points(pts):
8.     rect = np.zeros((4, 2), dtype="float32")
9.     s = pts.sum(axis=1)  # 计算每个点的x+y值
10.     rect[0] = pts[np.argmin(s)]  # 左上角点，x+y最小
11.     rect[2] = pts[np.argmax(s)]  # 右下角点，x+y最大
12.     diff = np.diff(pts, axis=1)  # 计算每个点的x-y值
13.     rect[1] = pts[np.argmin(diff)]  # 右上角点，x-y最小
14.     rect[3] = pts[np.argmax(diff)]  # 左下角点，x-y最大
15.     return rect
17. # 透视变换函数，将图像中的四边形区域变换为矩形
18. def four_point_transform(img, pts):
19.     rect = order_points(pts)  # 对四个点进行排序
20.     (tl, tr, br, bl) = rect  # 分别获取左上、右上、右下、左下四个点
21.     # 计算宽度和高度
22.     widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
23.     widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
24.     max_width = max(int(widthA), int(widthB))  # 取最大宽度
25.     heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
26.     heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
27.     max_height = max(int(heightA), int(heightB))  # 取最大高度
28.     # 定义目标矩形的四个角点
29.     dst = np.array([[0, 0], [max_width - 1, 0],
30.                    [max_width - 1, max_height - 1], [0, max_height - 1]], dtype="float32")
31.     # 计算透视变换矩阵并进行变换
32.     m = cv2.getPerspectiveTransform(rect, dst)
33.     warped = cv2.warpPerspective(img, m, (max_width, max_height))
34.     return warped
36. # 对轮廓进行排序，支持从左到右、从右到左、从上到下、从下到上四种排序方式
37. def sort_contours(cons, method='left-to-right'):
38.     reverse = False
39.     i = 0
40.     if method == 'right-to-left' or method == 'bottom-to-top':
41.         reverse = True
42.     if method == 'top-to-bottom' or method == 'bottom-to-top':
43.         i = 1
44.     boundingBoxes = [cv2.boundingRect(c) for c in cons]  # 获取每个轮廓的边界框
45.     # 根据边界框的x或y坐标进行排序
46.     (cons, boundingBoxes) = zip(*sorted(zip(cons, boundingBoxes),
47.                                 key=lambda b: b[1][i], reverse=reverse))
48.     return cons, boundingBoxes

复制代码

2.2 图像预处置处罚

通过灰度化、高斯滤波和Canny边沿检测，提取图像中的表面。
代码展示：

1. img = cv2.imread('test_01.png')
2. cont_img = img.copy()  # 复制图像用于绘制轮廓
3. gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像
4. blurred = cv2.GaussianBlur(gray, (5, 5), 0)  # 高斯模糊去噪
5. edg = cv2.Canny(blurred, 75, 200)  # 边缘检测
6. cv_chow('edg', edg)  # 显示边缘检测结果
7. cnts = cv2.findContours(edg.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
8. cv2.drawContours(cont_img, cnts, -1, (0, 0, 255), 3)  # 绘制轮廓
9. cv_chow('cont_img', cont_img)  # 显示绘制轮廓后的图像

复制代码

运行结果：

2.3 透视变换

通过表面面积排序和近似矩形，找到答题卡的外框，并进行透视变换，将答题卡区域变换为矩形。
代码展示：

1. docCnt=None
2. cnts = sorted(cnts,key=cv2.contourArea,reverse=True)
3. for c in cnts:
4.     p = cv2.arcLength(c,True)
5.     approx = cv2.approxPolyDP(c,0.02*p,True)
6.     if len(approx) == 4:
7.         docCnt = approx
8.         break
9. warp_t = four_point_transform(img,docCnt.reshape(4,2))
10. warp_new = warp_t.copy()
11. cv_chow('warp',warp_t)

复制代码

2.4 二值化处置处罚

将图像转换为二值图像，便于后续处置处罚。

1. warped = cv2.cvtColor(warp_t,cv2.COLOR_BGR2GRAY)
2. thresh = cv2.threshold(warped,0,255,
3.                        cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
4. cv_chow('thresh',thresh)

复制代码

运行结果：

2.5 表面检测与筛选

检测图像中的表面，并筛选出可能是选项的表面。
代码展示：

1. thresh_cnt = thresh.copy()
2. cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]
3. wraped_cont = cv2.drawContours(warp_t, cnts, -1, (0, 0, 255), 1)  # 绘制轮廓
4. cv_chow('wraped_cont', wraped_cont)  # 显示绘制轮廓后的图像
6. # 筛选出可能是选项的轮廓
7. qus_cnts = []
8. for c in cnts:
9.     (x, y, w, h) = cv2.boundingRect(c)  # 获取轮廓的边界框
10.     ar = w / float(h)  # 计算宽高比
11.     if w >= 20 and h >= 20 and 0.9 <= ar <= 1.1:  # 过滤掉不符合条件的轮廓
12.         qus_cnts.append(c)
14. # 对选项轮廓进行排序（从上到下）
15. qus_cnts = sort_contours(qus_cnts, method='top-to-bottom')[0]

复制代码

2.6 答案辨认和结果显示

通过掩膜和像素统计，辨认用户选择的答案，并与精确答案进行比对。在图像上标注精确答案，并计算和显示分数。
代码展示：

2. # 计算正确答案的数量
3. corret = 0
4. for (q, i) in enumerate(np.arange(0, len(qus_cnts), 5)):  # 每5个轮廓为一组（一个问题的选项）
5.     cnts = sort_contours(qus_cnts[i:i + 5])[0]  # 对每个问题的选项进行排序
6.     bubbled = None
7.     for (j, c) in enumerate(cnts):  # 遍历每个选项
8.         mask = np.zeros(thresh.shape, dtype='uint8')  # 创建掩膜
9.         cv2.drawContours(mask, [c], -1, 255, -1)  # 在掩膜上绘制轮廓
10.         cv_chow('mask', mask)  # 显示掩膜
11.         thresh_mask_and = cv2.bitwise_and(thresh, thresh, mask=mask)  # 应用掩膜
12.         cv_chow('thresh_mask_and', thresh_mask_and)  # 显示掩膜应用后的图像
13.         total = cv2.countNonZero(thresh_mask_and)  # 计算非零像素数量
14.         if bubbled is None or total > bubbled[0]:  # 找到填充最多的选项
15.             bubbled = (total, j)
16.     color = (0, 0, 255)  # 默认颜色为红色
17.     k = answer_key[q]  # 获取正确答案
18.     if k == bubbled[1]:  # 如果选择的选项是正确答案
19.         color = (0, 255, 0)  # 颜色设置为绿色
20.         corret += 1  # 正确答案数量加1
21.     cv2.drawContours(warp_new, [cnts[k]], -1, color, 3)  # 绘制正确答案的轮廓
22.     cv_chow('warppeding', warp_new)  # 显示绘制后的图像
24. # 计算并显示分数
25. score = (corret / 5.0) * 100
26. print('[INFO] SCORE: {:.2f}%'.format(score))
27. cv2.putText(warp_new, ' {:.2f}%'.format(score), (10, 30),
28.             cv2.FONT_HERSHEY_SCRIPT_SIMPLEX, 0.9, (0, 0, 255), 2)
30. # 显示原始图像和处理后的图像
31. cv2.imshow('IMG', img)
32. cv2.imshow('exam', warp_new)
33. cv2.waitKey(0)

复制代码

3 代码测试

---

代码展示：

1. import numpy as npimport cv2# 显示图像的函数
2. def cv_chow(name, img):
3.     cv2.imshow(name, img)
4.     cv2.waitKey(0)
6. # 对四个点进行排序，确保顺序为：左上、右上、右下、左下
7. def order_points(pts):
8.     rect = np.zeros((4, 2), dtype="float32")
9.     s = pts.sum(axis=1)  # 计算每个点的x+y值
10.     rect[0] = pts[np.argmin(s)]  # 左上角点，x+y最小
11.     rect[2] = pts[np.argmax(s)]  # 右下角点，x+y最大
12.     diff = np.diff(pts, axis=1)  # 计算每个点的x-y值
13.     rect[1] = pts[np.argmin(diff)]  # 右上角点，x-y最小
14.     rect[3] = pts[np.argmax(diff)]  # 左下角点，x-y最大
15.     return rect
17. # 透视变换函数，将图像中的四边形区域变换为矩形
18. def four_point_transform(img, pts):
19.     rect = order_points(pts)  # 对四个点进行排序
20.     (tl, tr, br, bl) = rect  # 分别获取左上、右上、右下、左下四个点
21.     # 计算宽度和高度
22.     widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
23.     widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
24.     max_width = max(int(widthA), int(widthB))  # 取最大宽度
25.     heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
26.     heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
27.     max_height = max(int(heightA), int(heightB))  # 取最大高度
28.     # 定义目标矩形的四个角点
29.     dst = np.array([[0, 0], [max_width - 1, 0],
30.                    [max_width - 1, max_height - 1], [0, max_height - 1]], dtype="float32")
31.     # 计算透视变换矩阵并进行变换
32.     m = cv2.getPerspectiveTransform(rect, dst)
33.     warped = cv2.warpPerspective(img, m, (max_width, max_height))
34.     return warped
36. # 对轮廓进行排序，支持从左到右、从右到左、从上到下、从下到上四种排序方式
37. def sort_contours(cons, method='left-to-right'):
38.     reverse = False
39.     i = 0
40.     if method == 'right-to-left' or method == 'bottom-to-top':
41.         reverse = True
42.     if method == 'top-to-bottom' or method == 'bottom-to-top':
43.         i = 1
44.     boundingBoxes = [cv2.boundingRect(c) for c in cons]  # 获取每个轮廓的边界框
45.     # 根据边界框的x或y坐标进行排序
46.     (cons, boundingBoxes) = zip(*sorted(zip(cons, boundingBoxes),
47.                                 key=lambda b: b[1][i], reverse=reverse))
48.     return cons, boundingBoxes
49. # 定义答案键，表现每个问题的精确答案answer_key = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}# 读取图像img = cv2.imread('test_01.png')cont_img = img.copy()  # 复制图像用于绘制表面gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图像blurred = cv2.GaussianBlur(gray, (5, 5), 0)  # 高斯模糊去噪edg = cv2.Canny(blurred, 75, 200)  # 边沿检测cv_chow('edg', edg)  # 显示边沿检测结果# 查找表面cnts = cv2.findContours(edg.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]cv2.drawContours(cont_img, cnts, -1, (0, 0, 255), 3)  # 绘制表面cv_chow('cont_img', cont_img)  # 显示绘制表面后的图像# 找到最大的四边形表面（假设为答题卡的外框）docCnt = Nonecnts = sorted(cnts, key=cv2.contourArea, reverse=True)  # 按表面面积从大到小排序for c in cnts:    p = cv2.arcLength(c, True)  # 计算表面周长    approx = cv2.approxPolyDP(c, 0.02 * p, True)  # 多边形逼近    if len(approx) == 4:  # 假如是四边形        docCnt = approx        break# 对图像进行透视变换，将答题卡区域变换为矩形warp_t = four_point_transform(img, docCnt.reshape(4, 2))warp_new = warp_t.copy()  # 复制变换后的图像cv_chow('warp', warp_t)  # 显示透视变换后的图像# 对变换后的图像进行二值化处置处罚warped = cv2.cvtColor(warp_t, cv2.COLOR_BGR2GRAY)thresh = cv2.threshold(warped, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]cv_chow('thresh', thresh)  # 显示二值化图像# 查找二值化图像中的表面thresh_cnt = thresh.copy()
50. cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]
51. wraped_cont = cv2.drawContours(warp_t, cnts, -1, (0, 0, 255), 1)  # 绘制轮廓
52. cv_chow('wraped_cont', wraped_cont)  # 显示绘制轮廓后的图像
54. # 筛选出可能是选项的轮廓
55. qus_cnts = []
56. for c in cnts:
57.     (x, y, w, h) = cv2.boundingRect(c)  # 获取轮廓的边界框
58.     ar = w / float(h)  # 计算宽高比
59.     if w >= 20 and h >= 20 and 0.9 <= ar <= 1.1:  # 过滤掉不符合条件的轮廓
60.         qus_cnts.append(c)
62. # 对选项轮廓进行排序（从上到下）
63. qus_cnts = sort_contours(qus_cnts, method='top-to-bottom')[0]
64. # 计算精确答案的数目corret = 0for (q, i) in enumerate(np.arange(0, len(qus_cnts), 5)):  # 每5个表面为一组（一个问题的选项）    cnts = sort_contours(qus_cnts[i:i + 5])[0]  # 对每个问题的选项进行排序    bubbled = None    for (j, c) in enumerate(cnts):  # 遍历每个选项        mask = np.zeros(thresh.shape, dtype='uint8')  # 创建掩膜        cv2.drawContours(mask, [c], -1, 255, -1)  # 在掩膜上绘制表面        cv_chow('mask', mask)  # 显示掩膜        thresh_mask_and = cv2.bitwise_and(thresh, thresh, mask=mask)  # 应用掩膜        cv_chow('thresh_mask_and

复制代码

运行结果：

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。