文章目录

• 写在前面
• 项目目标
• 项目讲解
• ⭐️一、数据预处理
• ⭐️二、透视变换
• ⭐️三、阈值处理
• ⭐️四、过滤干扰项
• ⭐️五、展示操作
• ⭐️后续问题

光学标记识别（简称OMR）是自动分析人工标记文档并解释其结果的过程。
我们之前在20年差不多都是人工去识别判卷，那个时候一个班级的试卷需要老师花费差不多1个小时才可以判完。效率就比较低，随着这个计算机硬件和信息大爆炸时代的到来，人工智能也开始飞跃的发展。对于这个试卷的问题，我们再用人工智能去做的时候，1个小时可以判几十万或者更多的试卷。所以人工智能对人类的发展是有一个质的飞跃的。那么我们就来了解一下他是一个怎么样的过程。

我们对于一个答题卡拿来差不多是这个样子。

如果我们做一个和四六级差不多的卷子，那么我们同这个项目的原理是一致的。我们就以上图为例子来看。
项目目标：首先我们要在图片中，把试卷的区域利用透视变换给拿出来。也就是提取自己的ROI区域。然后答题卡填充的答案类似于实心的，没有填充的答案类似于是一个空心的。识别出来之后，我们要和输入的答案进行一个比较，如果对就记录下来，如果不对，那么就不记录，最后利用这个来判分。完成一个批分的功能。

1：检测图像中的检查。
2：应用透视转换以提取考试的自上而下的鸟瞰图。
3：从转换的考试的角度中提取气泡集（即可能的答案选择）。
4：将问题/气泡排序为行。
5：确定每行的标记（即“气泡”）答案。
6：在我们的答案键中查找正确答案，以确定用户的选择是否正确。
7：对考试中的所有问题重复上述步骤。

导入参数

ap = argparse.ArgumentParser() ap.add_argument("-i", "--image", required=True, help="path to the input image") args = vars(ap.parse_args()) 1234

def cv_show(name,img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() image = cv2.imread(args["image"]) contours_img = image.copy() gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) cv_show('blurred',blurred) edged = cv2.Canny(blurred, 75, 200) cv_show('edged',edged) 1234567891011

这里是一些基础的形态学操作，首先我们将图像由RGB转为gray图像，灰度图像。然后我们对灰度图像进行一个高斯滤波操作，目的就是消除掉图片中的一些噪音点，方便后期处理。

高斯滤波之后，我们又做了一次边缘检测，以75和200像素值作为阈值。对滤波后的操作进行一个边缘检测。

然后我们对边缘检测后的图像进行轮廓检测，并且画出轮廓。文档的边缘是如何清晰定义的，检查的所有四个顶点都存在于图像中。获取文档的这个轮廓非常重要，因为我们将使用它作为标记，将透视转换应用于考试，从而获得文档的自上而下的鸟瞰图。

cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0] cv2.drawContours(contours_img,cnts,-1,(0,0,255),3) cv_show('contours_img',contours_img) 1234

这里要注意就是老版本的CV轮廓检测返回的是三个结果，而新的版本返回的是两个结果。所以我们只需要第一个结果，所以索引就是定位0，老版本就定为1.然后我们定义参数，只检测外轮廓，并且使用四个点检测轮廓的方法。完成之后我们生成的图像就是：