wordpress兼容htmlseo搜索引擎优化原理

项目：答题卡识别改分

本篇我们来介绍，如何识别一张答题卡，并为其答案验证对错，进行打分。

思路：

1. 图片预处理
2. 边缘检测
3. 描绘轮廓
4. 找到每一个圆圈轮廓
5. 比对答案
6. 计算正确率

1. 图片预处理

1. 对识别的图片进行灰度处理
2. 使用高斯滤波cv2.GaussianBlur()函数平滑处理去噪
3. 接着使用cv2.Canny()函数再进行边缘检测，检测图片中的边缘。

def cv_show(name,img):cv2.imshow(name,img)cv2.waitKey(0)
"""-----预处理-----"""
image = cv2.imread(r'./images/test_01.png')
contours_img = image.copy()
gray = cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
blurred = cv2.GaussianBlur(gray,(5,5),0)
cv_show('blurred',blurred)
edged = cv2.Canny(blurred,75,200)
cv_show('edged',edged)

2. 描绘轮廓

使用cv2.findContours()函数查找图像的轮廓，再通过cv2.drawContours()函数将其绘制出来：

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

3. 轮廓近似

通过轮廓近似找到答题卡，为接下来的透视变换做准备：

判断条件：当近似轮廓可以用四个点绘制出时（因为答题卡是长方形的），将其保留。

"""-----根据轮廓大小进行排序，准备透视变换-----"""
cnts = sorted(cnts,key=cv2.contourArea,reverse=True)
docCnt = None
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 = approxbreak

通过以上代码，得到答题卡的四个角点坐标docCnt。

4. 透视变换

定义两个函数：

• order_point(pts)：将给定的四个点（通常是从图像中检测到的轮廓点或角点）按照特定的顺序排列：左上角（tl）、右上角（tr）、右下角（br）和左下角（bl）。
• four_point_transform(image,pts)：这个函数使用 order_point 函数得到的点来对输入图像进行透视变换，使得这四个点映射到一个矩形上。

def order_point(pts):rect = np.zeros((4,2),dtype="float32")s = pts.sum(axis=1)rect[0] = pts[np.argmin(s)]rect[2] = pts[np.argmax(s)]diff = np.diff(pts,axis=1)rect[1] = pts[np.argmin(diff)]rect[3] = pts[np.argmax(diff)]return rectdef four_point_transform(image,pts):# 获取输入坐标点rect = order_point(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")M = cv2.getPerspectiveTransform(rect,dst)warped = cv2.warpPerspective(image,M,(maxwidth,maxheight))# 返回变化后结果return warped

"""-----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)

这样就将答题卡完整的取出来了。

5. 阈值处理

非黑即白，使得到的答题卡更清晰。

"""-----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()

6. 找每一个圆圈轮廓

1. 通过cv2.findContours()函数，查找轮廓，并将其绘制出来。
2. 遍历每一个轮廓，将符合条件的圆圈轮廓存放进questionCnts列表中。

"""-----找到每一个圆圈轮廓-----"""
cnts = cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[1]
warped_Contours = cv2.drawContours(warped_t,cnts,-1,(0,255,0),1)
cv_show('warped_Contours',warped_Contours)
questionCnts = [] # 将圆圈轮廓存放此处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 ar >= 0.9 and ar <= 1.1:questionCnts.append(c)

7. 将每一个圆圈轮廓排序

定义了一个名为 sort_contours的函数，用于根据指定的方法对轮廓（contours）进行排序：

功能：这个函数可以用于在图像处理中，根据对象的水平或垂直位置对检测到的对象进行排序，这在处理图像中的多个对象时非常有用。

def sort_contours(cnts ,method='left-to-right'):reverse=Falsei=0if method=='right-to-left' or method=='bottom-to-top':reverse=Trueif method=='top-to-bottom' or method=='bottom-to-top':i=1boundingBoxes=[cv2.boundingRect(c) for c in cnts](cnts,boundingBoxes)=zip(*sorted(zip(cnts,boundingBoxes),key=lambda b:b[1][i],reverse=reverse))#zip(*...)使用星号操作符解包排序后的元组列表，并将其重新组合成两个列表:一个包含所有轮廓，另一个包含所有边界框。return cnts,boundingBoxes

questionCnts = sort_contours(questionCnts,method = "top-to-bottom")[0]

8. 找寻所填答案，比对正确答案

8.1 思路

• 思路：我们发现，答题卡中，每一行共五个圆圈代表一道题的答案，我们要找到填涂的圆圈，然后再找到正确答案的圆圈，比对二者是不是同一个。

  所以我们要从左到右每五个圆圈轮廓寻找一次填涂答案的位置，然后比较一次。那么，我们怎么从五个轮廓中找到填涂的那个呢？

  通过cv2.countNonZero()函数方法，作用是计算数组（通常是图像或图像的一部分）中非零元素（像素点）的数量。填涂后的轮廓位置轮廓内都是有颜色的，通过掩膜（对每一个轮廓进行掩膜）方法与每个轮廓做”与“运算，然后计算非零元素的数量，五个中，谁最多，谁就是填涂的。

  接着通过它在五个中的位置，与正确答案的位置作比较，看看一不一致，判断对错。

8.2 图解

• 图解：

1. 第一个轮廓的掩膜”与“运算：

得到一个清晰的轮廓，计算它的非零像素点的数量。

2. 填涂点的掩膜”与”运算：

对比上下两个轮廓的非零像素点的数量就可以明显锁定填涂位置。

8.3 代码体现

"""-----比对答案-----"""
ANSWER_KEY = {0:1,1:4,2:0,3:3,4:1} # 正确答案
correct = 0
# 每持有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)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)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]if k == bubbled[1]: # 判断正确color = (0,255,0)correct += 1cv2.drawContours(warped_new,[cnts[k]],-1,color,3)cv_show("warpeding",warped_new)

判断结果：

9. 计算正确率

"""-----计算分数-----"""
score = (correct / 5.0) * 100
print("[INFO] 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("origimal",image)
cv2.imshow('Exam',warped_new)
cv2.waitKey(0)
----------------
[INFO] score:80.00%

总结

本篇介绍了：如何对答题卡进行识别并计算准确率。

要点知识：边缘检测、轮廓近似、透视变换以及掩膜。

过程：1. 图片预处理 -----> 2. 描绘轮廓 -----> 3. 轮廓近似 -----> 4. 透视变换 -----> 5. 阈值处理 -----> 6. 找每一个圆圈轮廓 -----> 7. 将每一个圆圈轮廓排序 -----> 8. 比对正确答案 -----> 9. 计算正确率.