一、总体概述
这是一个完整的答题卡自动识别和评分系统，主要流程包括：图像预处理→答题卡定位→透视变换→选项检测→答案判断→评分输出。
二、详细分析
1.准备工作
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1} # 正确答案存储标准答案：题目索引→正确选项索引（0-based）
这里表示：第0题正确答案是B（索引1），第1题正确答案是E（索引4）等
2.关键函数定义
(1)order_points()- 坐标排序
def order_points(pts): # 找出4个坐标位置 rect = np.zeros((4, 2), dtype="float32") s = pts.sum(axis=1) rect[0] = pts[np.argmin(s)] # 左上 rect[2] = pts[np.argmax(s)] # 右下 diff = np.diff(pts, axis=1) rect[1] = pts[np.argmin(diff)] # 右上 rect[3] = pts[np.argmax(diff)] # 左下 return rect功能：将4个点按顺序排列为（左上、右上、右下、左下）
原理：
左上点：x+y最小
右下点：x+y最大
右上点：x-y最小
左下点：x-y最大
(2)four_point_transform()- 透视变换
def four_point_transform(image, pts): # 获取输入坐标点，并做透视变换 rect = order_points(pts) # 找出4个坐标位置 (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)) return warped # 返回变换后结果功能：将倾斜的答题卡矫正为正面视图
步骤：
计算原始四边形和变换后矩形的对应关系
使用
cv2.getPerspectiveTransform()计算变换矩阵应用透视变换得到矫正后的图像
(3)sort_contours()- 轮廓排序
def sort_contours(cnts, method="left-to-right"): # 对轮廓进行排序 reverse = False i = 0 if method == "right-to-left" or method == "bottom-to-top": reverse = True if method == "top-to-bottom" or method == "bottom-to-top": i = 1 boundingBoxes = [cv2.boundingRect(c) for c in cnts] (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse)) return cnts, boundingBoxes功能：按指定方向（左→右、上→下等）对轮廓排序
实现：通过bounding box的坐标进行排序
3.主流程分析
第一阶段：图像预处理和答题卡定位
1）读取和灰度化
image = cv2.imread(r'test_01.png') contours_img = image.copy() gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)2）高斯模糊降噪
blurred = cv2.GaussianBlur(gray, (5, 5), 0) cv_show('blurred', blurred)3）Canny边缘检测
edged = cv2.Canny(blurred, 75, 200) cv_show('edged', edged)4）寻找轮廓
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2] cv2.drawContours(contours_img, cnts, -1, (0, 0, 255), 3) cv_show('contours_img', contours_img) docCnt = None使用Canny边缘检测找出所有边缘
筛选最大的轮廓（应该是答题卡的外框）
第二阶段：透视变换
1）寻找四边形轮廓
# 根据轮廓大小进行排序，准备透视变换 cnts = sorted(cnts, key=cv2.contourArea, reverse=True) for c in cnts: # 遍历每一个轮廓 peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.02 * peri, True) # 轮廓近似 if len(approx) == 4: docCnt = approx break2）执行透视变换
warped_t = four_point_transform(image, docCnt.reshape(4, 2)) warped_new=warped_t.copy() cv_show('warped', warped_t) warped = cv2.cvtColor(warped_t, cv2.COLOR_BGR2GRAY)通过
cv2.approxPolyDP()近似多边形找到4个顶点的轮廓作为答题卡边界
透视变换得到正视图
第三阶段：选项检测
1）阈值处理
thresh = cv2.threshold(warped, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1] cv_show('thresh', thresh) thresh_Contours = thresh.copy()2）寻找所有轮廓
# 找到每一个圆圈轮廓 cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2] warped_Contours = cv2.drawContours(warped_t, cnts, -1, (0, 255, 0), 1) cv_show('warped_Contours', warped_Contours)3）筛选圆形选项轮廓
questionCnts = [] for c in cnts: # 遍历轮廓并计算比例和大小 (x, y, w, h) = cv2.boundingRect(c) ar = w / float(h) # 根据实际情况指定标准 if w >= 20 and h >= 20 and 0.9<= ar <= 1.1: questionCnts.append(c) print(len(questionCnts))筛选标准：
宽高≥20像素（排除噪声）
宽高比0.9-1.1（接近圆形）
通过这两个条件筛选出选项圆圈
第四阶段：答案识别和评分
1）按行排序（每题5个选项）
for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)): cnts = sort_contours(questionCnts[i:i + 5])[0] # 排序 bubbled = None2）逐题处理
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 # 利用掩膜（mask）进行“与”操作，只保留mask位置中的内容 thresh_mask_and = cv2.bitwise_and(thresh, thresh, mask=mask) cv_show('thresh_mask_and', thresh_mask_and) total = cv2.countNonZero(thresh_mask_and) # 统计灰度值不为0的像素数3）判断选择状态
if bubbled is None or total > bubbled[0]: # 通过阈值判断，保存灰度值最大的序号 bubbled = (total, j)4）与正确答案对比
if k == bubbled[1]: # 判断正确 color = (0, 255, 0) correct += 1 cv2.drawContours(warped_new, [cnts[k]], -1, color, 3) # 绘图 cv_show('warpeding', warped_new)关键算法 - 判断哪个选项被选中：
掩膜技术：为每个选项创建单独的掩膜
区域统计：在掩膜区域内统计非零像素数量
决策逻辑：被涂黑的选项有最多的非零像素（因为是二值化后的白色）
具体实现：
# 创建选项掩膜 mask = np.zeros(thresh.shape, dtype="uint8") cv2.drawContours(mask, [c], -1, 255, -1) # 只保留该选项区域 thresh_mask_and = cv2.bitwise_and(thresh, thresh, mask=mask) # 统计非零像素（涂黑的部分） total = cv2.countNonZero(thresh_mask_and)4.可视化过程
代码中通过cv_show()函数展示多个中间结果：
blurred：模糊后的图像edged：边缘检测结果contours_img：所有轮廓warped：透视变换后thresh：二值化结果mask：单个选项的掩膜thresh_mask_and：掩膜应用后的效果
5.评分和标记
score = (correct / 5.0) * 100 # print("[INFO] score: {:.2f}%".format(score)) print("score: {:.2f}%".format(score)) cv2.putText(warped_new, "{:.2f}%".format(score), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2) cv2.imshow("Original", image) cv2.imshow("Exam", warped_new) cv2.waitKey(0)正确答案用绿色框标记
错误答案用红色框标记
最终显示得分百分比
三、算法特点
优点：
鲁棒的定位：通过透视变换处理倾斜拍摄
精确检测：基于掩膜的统计方法准确可靠
适应性强：通过轮廓特征筛选选项，不依赖固定位置
可视化调试：完整的中间结果展示
局限性：
依赖预处理质量：需要清晰的图像和适当的阈值
固定题目数量：需要预先知道题目和选项数量
圆形选项假设：假设选项都是圆形/接近圆形
单选框假设：只支持单选题
这个实现是一个经典的计算机视觉应用案例，展示了如何将多个OpenCV技术组合解决实际问题。
)
