我们检测出来外面轮廓之后,接下来想把整个试卷拿出来,做一个透视变换操作。拿到轮廓的坐标。
docCnt = None
if len(cnts) > 0:
# 根据轮廓大小进行排序
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
# 遍历每一个轮廓
for c in cnts:
peri = cv2.arcLength(c, True)
approx = cv2.approxPolyDP(c, 0.02 * peri, True)
# 准备做透视变换
if len(approx) == 4:
docCnt = approx
break
123456789101112
⭐️二、透视变换
这里我们把轮廓按照面积做了一个排序,然后遍历排序后的轮廓。cv2.approxPolyDP主要功能是把一个连续光滑曲线折线化。如果轮廓检测出来是四个点组成的,那么我们就把他给拿出来。
warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)
12
其中four_point_transform函数对应的转换操作是:
def four_point_transform(image, pts):
rect = order_points(pts)
(tl, tr, br, bl) = rect
# 计算输入的w和h值
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))
# 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")
# 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
12345678910111213141516171819202122232425
首先我们用order_points把四个点的坐标提取出来了。然后我们计算一下透视变换的w和h。选择出来透视变换之后的坐标结果。然后我们基于这两个结果求出一个中间矩阵M,然后使用一个当前矩阵*中间矩阵M就得到了透视变换之后的结果。
其中order_points函数是:
def order_points(pts):
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
123456789101112
对着四个点进行操作,如果相加那么肯定是左上的点是最小的,右下的点是最大的。那么我们把他提取出来。然后在做差,那么很明显就是右上是最大的,左下是最小的,这样我们就把四个点给提取出来了。然后返回回去。
⭐️三、阈值处理我们拿到了透视变换的结果之后,对透视结果进行操作,首先我们进行一次阈值处理。这里的阈值处理如下:
thresh = cv2.threshold(warped, 0, 255,
cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
123
**这里不是选择阈值为0,再次强调!!!!**而是让计算机随机的给我们提供一个阈值合适的数值。然后进行阈值处理。得到的结果是:
然后对结果做一次轮廓检测。
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)[0]
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3)
cv_show('thresh_Contours',thresh_Contours)
1234
还是同上面做轮廓检测的结果一致。得到的结果是这样:
⭐️四、过滤干扰项然后我们过滤掉一些干扰项。
questionCnts = []
for c in cnts:
(x, y, w, h) = cv2.boundingRect(c)
ar = w / float(h)#ar定义一个长宽比
if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
questionCnts.append(c)
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)):
cnts = sort_contours(questionCnts[i:i 5])[0]
bubbled = None
# 遍历每一个结果
for (j, c) in enumerate(cnts):
# 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)
# 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]
# 判断正确
if k == bubbled[1]:
color = (0, 255, 0)
correct = 1
# 绘图
cv2.drawContours(warped, [cnts[k]], -1, color, 3)
123456789101112131415161718192021222324252627282930313233343536
首先我们定义一个长宽比,然后我们根据长宽比和wh对实际项目进行一个过滤轮廓操作。首先我们进行一次竖直方向的一个排序。分为一排一排的,然后我们在遍历每一排,对每一排进行一个排序。然后我们使用一个掩码和正确答案做一个与操作,然后通过判断其中非0点的个数来判断是都是正确答案。因为涂卡的地方我们处理之后的结果都是白色像素点较多。选择出来结果之后我们和正确答案进行一次对比。正确答案是我们提前定义好的:通过对比索引,我们就可以得到结果。