简介面向OpenCV与Python图像处理学习者这份项目实战资源以答题卡自动识别与判卷为场景适合正在做课设、毕设或想通过完整案例巩固视觉处理流程的开发者。压缩包体积仅3.07MB共包含7个文件其中6张PNG答题卡样图可直接用于测试与验证另有一个Python脚本实现完整识别流程便于阅读、调试和二次改造。脚本覆盖了答题卡自动判卷的核心链路图像灰度化、二值化等预处理Canny边缘检测与轮廓查找结合几何属性筛选答题区域再对填涂区域进行图像分块和阈值判断最终判定选中结果并输出。通过切换样图运行项目可以直观观察光照变化、倾斜角度、印刷质量对识别的影响并学习如何调整边缘检测参数、面积阈值等来提升准确率这对理解OpenCV在实际任务中的工程化应用很有帮助。目前已有2344人学习值得作为OpenCV实战入门、课程设计或竞赛基础方案参考。1. 答题卡识别判卷一套OpenCV图像处理流水线的完整闭环用手机拍一张答题卡程序自动读出每道题涂了哪个选项、和标准答案比对后给出分数。这个需求在校园测验、机构阅卷、表单自动录入里反复出现也是OpenCV入门项目里性价比最高的一道题它同时覆盖图像预处理、边缘检测、轮廓分析、几何矫正、像素统计和结果可视化完成一次就等于把OpenCV最常用的图像处理链路走了一遍。本文围绕OpenCV Python实现答题卡识别判卷从安装环境开始一直写到判卷函数返回分数代码可直接复制运行。适合刚学完OpenCV基础函数、想用一个小项目把检测识别串起来的人也适合需要在现有图像识别流程里加入表单判分能力的工程师参考。整条路线不需要深度学习模型靠几何特征和像素统计就能稳定工作。2. 答题卡判卷的流水线设计检测识别中该选哪些OpenCV算子2.1 为什么是OpenCV而不是深度学习方案答题卡识别判卷这个场景第一反应可能想到用目标检测模型去框选选项区域但实际落地时OpenCV的传统图像处理方案更常用原因是答题卡是高度结构化的人造物体答题区域是规则排列的圆形或矩形背景和前景的对比度可控。用轮廓检测加几何筛选识别速度快不依赖GPU没有训练数据收集成本而且每一环都能可视化中间结果出了错能直接定位到是哪一步参数不合适。深度学习方案适合的是答题卡被严重遮挡、光照极不均匀、或者需要识别手写内容的情况那是另外一套技术栈。核心判卷逻辑仍然可以在OpenCV里完成。本文采用的是传统视觉方案这也是多数OpenCV答题卡识别项目实战的标准套路。2.2 六步流水线与关键API对照整套流程可以拆成六个环节每一步的输出都是下一步的输入步骤任务关键OpenCV API输出1读取并灰度化cv2.imread/cv2.cvtColor单通道灰度图2去噪与边缘提取cv2.GaussianBlur/cv2.Canny边缘图3定位答题卡轮廓cv2.findContours/cv2.approxPolyDP四边形顶点4透视矫正cv2.getPerspectiveTransform/cv2.warpPerspective正视角答题卡5提取并排序选项cv2.HoughCircles或轮廓筛选 / 排序逻辑选项坐标矩阵6判卷计分cv2.bitwise_and/cv2.countNonZero每道题的涂写选项与总分这个结构里第3步和第5步是最容易出问题的环节。第3步要应对拍摄角度和背景干扰第5步要保证OpenCV返回的轮廓顺序和实际答题卡的行列顺序一致。轮廓排序是无数人踩过坑的地方后面单独展开。2.3 环境准备与版本姿势常见做法是安装opencv-python和numpy两个包就够了pip install opencv-python numpy如果后续要画图表辅助调参再加一个matplotlib。安装完成后先验证版本import cv2 import numpy as np print(cv2.__version__)注意opencv-python和opencv-contrib-python不能同时安装否则会冲突。答题卡识别只用主模块不需要 contrib 里的扩展算法装前者即可。OpenCV 4.x 的findContours返回两个值轮廓列表和层级OpenCV 3.x 返回三个值网上很多代码片段会在这上面报错阅读旧代码时先确认版本。3. 用OpenCV完成答题卡区域检测识别透视矫正与轮廓定位3.1 项目实战第一步预处理参数选择拿到一张答题卡照片后先做灰度化再用高斯模糊去噪最后用Canny边缘检测把答题卡的边界突出来。这三个步骤是固定的变的只是参数。高斯核大小一般取(5, 5)Canny 的双阈值根据图像亮度调整。import cv2 import numpy as np image cv2.imread(answer_card.jpg) ratio image.shape[0] / 800.0 # 统一高度到800加快处理 resized cv2.resize(image, (int(image.shape[1] / ratio), 800)) gray cv2.cvtColor(resized, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5, 5), 0) edged cv2.Canny(blurred, 75, 200) cv2.imwrite(edged.jpg, edged)这段代码里ratio记录缩放比例后续透视矫正后的坐标要乘回这个比例才能映射回原图。GaussianBlur的第三个参数0表示标准差由核大小自动计算。Canny 的阈值75和200是一组常用初始值实际使用时如果答题卡边缘有大量断线就把低阈值降到50如果背景纹理干扰严重就把高阈值抬到250。识别不到答题卡时先输出edged.jpg查看边缘图而不是去改后面的代码。3.2 找答题卡外轮廓轮廓层级和四边形逼近预处理完成后答题卡在边缘图上会形成一个明显的闭合矩形区域。用findContours拿到所有轮廓再按面积排序取最大的那个是稳定的做法。手机拍照时背景里如果有桌子纹理、书本边缘这些轮廓一般不会比答题卡更完整所以面积筛选能过滤掉大部分噪声。contours, _ cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours sorted(contours, keycv2.contourArea, reverseTrue) for contour in contours: peri cv2.arcLength(contour, True) approx cv2.approxPolyDP(contour, 0.02 * peri, True) if len(approx) 4: doc_cnt approx breakRETR_EXTERNAL表示只取最外层轮廓答题卡是图像里最大的连通外边界选这个模式能避免把选项圆误判为外轮廓。approxPolyDP的第二个参数是近似精度取周长peri的0.02倍。这个值如果太大会把矩形压成三角形或多边形形状失真太小则滤不掉微小弯曲。如果一张清晰的答题卡却找不到四点轮廓优先调小0.02到0.01试试。需要说明的是如果答题卡本身是圆角矩形或者边缘被阴影切断len(approx) 4会直接失败。这时候可以退一步用cv2.boundingRect拿外接矩形或者用最小外接矩形cv2.minAreaRect替代虽然精度略差但至少能保证流程继续。3.3 透视变换把倾斜拍摄的答题卡拉直手机拍摄的答题卡大概率是倾斜的直接对倾斜图像做选项定位行列对齐会非常痛苦。透视变换是这一套方案里最关键的几何步骤它把任意四边形映射为正视图矩形。变换前需要对四个顶点排序因为approxPolyDP返回的点顺序不是固定的。def order_points(pts): rect np.zeros((4, 2), dtypefloat32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] # 左上xy 最小 rect[2] pts[np.argmax(s)] # 右下xy 最大 diff np.diff(pts, axis1) rect[1] pts[np.argmin(diff)] # 右上x-y 最小 rect[3] pts[np.argmax(diff)] # 左下x-y 最大 return rect rect order_points(doc_cnt.reshape(4, 2)) (tl, tr, br, bl) rect width_top np.linalg.norm(tr - tl) width_bottom np.linalg.norm(br - bl) height_left np.linalg.norm(bl - tl) height_right np.linalg.norm(br - tr) max_width max(int(width_top), int(width_bottom)) max_height max(int(height_left), int(height_right)) dst np.array([[0, 0], [max_width - 1, 0], [max_width - 1, max_height - 1], [0, max_height - 1]], dtypefloat32) M cv2.getPerspectiveTransform(rect, dst) warped cv2.warpPerspective(resized, M, (max_width, max_height))顶点排序用到了两个几何性质左上角点的x y在所有点里最小右下角点最大右上角点的x - y最小左下角点最大。这是一种工程上通用做法在纯四边形范围里不会出错。warpPerspective的目标尺寸取上下宽度的较大值和左右高度的较大值避免变换后的图像被压缩变形。透视变换之后整张答题卡变成规整的矩形所有选项圆形的相对位置进入标准坐标系这给后续的选项分组排序提供了极大便利。到此检测识别环节告一段落接下来的核心任务是判卷。4. OpenCV判卷核心圆形选项的涂写判定与得分计算4.1 选项轮廓提取二值化与轮廓筛选透视矫正后的图像需要先转成二值图才能用像素统计来判断一个选项是否被涂写。这里用cv2.threshold做全局二值化阈值选Otsu自动计算比手工指定更适应不同亮度的照片。warped_gray cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY) thresh cv2.threshold(warped_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1] contours, _ cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) question_cnts [] for contour in contours: (x, y, w, h) cv2.boundingRect(contour) ar w / float(h) if w 20 and h 20 and 0.8 ar 1.2: question_cnts.append(contour)THRESH_BINARY_INV把涂写的黑色铅笔痕迹变成白色背景变成黑色这样countNonZero统计的就是涂写像素。筛选条件w 20排除了噪声小点0.8 ar 1.2限定轮廓接近圆形。这个面积阈值和宽高比阈值要根据实际答题卡上圆形选项的像素直径调整20 是 800px 宽图像下的经验值。如果选项间距小、圆也小可以降到 15如果拍的是 4K 原图可能需要上调到 40。也可以在这里用cv2.HoughCircles替代轮廓筛选但对参数敏感圆的半径范围需要预先估计适应性不如轮廓法。轮廓法不受圆形畸变影响椭圆形拍摄角度也能通过后面的透视矫正拉回正圆所以更稳。4.2 选项排序把轮廓列表变成题号矩阵findContours返回的轮廓顺序是任意的不能直接按顺序当题号用。常见的做法是先按 y 坐标聚成行再对每一行按 x 坐标排序。下面这段代码是一个可以复用的排序模板question_cnts.sort(keylambda c: cv2.boundingRect(c)[1]) rows [] current_row [] last_y None for contour in question_cnts: (x, y, w, h) cv2.boundingRect(contour) if last_y is None or abs(y - last_y) 15: current_row.append(contour) else: rows.append(current_row) current_row [contour] last_y y if current_row: rows.append(current_row) for i, row in enumerate(rows): row.sort(keylambda c: cv2.boundingRect(c)[0])由于考试机读卡一般每道题横向排列 4 到 5 个选项同行内圆形轮廓的 y 坐标差很小所以用abs(y - last_y) 15判断是否属于同一行是可靠的。这个 15 像素的容差是行分组的核心参数设置太大会把上一行和下一行合并设置太小一行内稍有歪斜就被拆成两行。实际调试时打印出每个轮廓的(x, y)坐标观察相邻行的 y 差值再据此调整容差。4.3 涂写状态判定掩膜统计非零比例判定一个圆形区域是否被涂写最直接的做法是统计该圆内前景像素的占比。先构造一个与原图同尺寸的掩膜在选项中心画一个填充白圆再用bitwise_and取出圆内区域最后用countNonZero数出白色像素数量。def is_marked(thresh, x, y, radius): mask np.zeros(thresh.shape, dtypenp.uint8) cv2.circle(mask, (x, y), radius, 255, -1) masked cv2.bitwise_and(thresh, thresh, maskmask) marked_pixels cv2.countNonZero(masked) total_pixels cv2.countNonZero(mask) ratio marked_pixels / float(total_pixels) return ratio 0.5, ratio选项圆形的半径可以通过cv2.minEnclosingCircle获取也可以用外接矩形宽的一半近似误差在可接受范围内。判定阈值 0.5 表示圆内有超过一半像素被涂写才算选中。这个参数在不同铅笔浓度、不同扫描亮度下需要微调铅笔涂得浅0.3 更合适有印刷噪点干扰0.7 更稳。total_pixels这里用的是掩膜内所有像素而不是masked里的像素要注意区分。也可以用cv2.contourArea加填充方式构造更标准的掩膜但对结果影响不大。4.4 答案比对与分数计算涂写判定完成后每一道题得到了一个选项索引和标准答案字典比对统计正确题数最后把结果画在答题卡图像上。下面是完整的判卷流程ANSWER_KEY {0: 1, 1: 4, 2: 0, 3: 3, 4: 1} # 键是题号(行索引)值是正确选项索引(0:A, 1:B, 2:C, 3:D, 4:E) correct 0 total_questions len(rows) for question_idx, row in enumerate(rows): bubbles [cv2.boundingRect(c) for c in row] centers [(x w // 2, y h // 2) for (x, y, w, h) in bubbles] r min(bubbles[0][2], bubbles[0][3]) // 2 - 2 marked_index None for idx, (cx, cy) in enumerate(centers): _, ratio is_marked(thresh, cx, cy, r) if ratio 0.5: marked_index idx if marked_index is None: continue # 题目未作答跳过 correct_answer ANSWER_KEY.get(question_idx) if marked_index correct_answer: correct 1 color (0, 255, 0) else: color (0, 0, 255) cv2.drawContours(warped, [row[marked_index]], -1, color, 3) score correct / total_questions * 100 cv2.putText(warped, fScore: {score:.1f}%, (20, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imwrite(result.jpg, warped)这段代码里ANSWER_KEY的键对应rows列表的行索引值对应选项排序后的索引。这里有一个容易出错的地方rows里存储的是按行分组的轮廓row内部按 x 排序后第 0 个是 A、第 1 个是 B顺序不能混乱。如果同一行的选项被排序后顺序仍然不对检查 4.2 里的 x 排序回调是否写成了按 y 排序。多选题逻辑只是在单题判定的外层套一个集合判断不再赘述。另一个值得注意的细节是判卷结果直接覆盖绘制在warped图像上画的是透视矫正后的正视图。如果需要在原始照片上标注正确答案位置需要把warped上的坐标乘以 4.1 里记录的透视矩阵的逆矩阵映射回去但这通常不是必需功能。5. 答题卡识别判卷的参数调优、排错与扩展5.1 三个必调参数及其优先级整个流程里有三个参数决定了这套系统的成败调试时按优先级从高到低调整。第一个是涂写判定阈值它在is_marked函数里以ratio 0.5的形式存在。这个参数直接影响判卷正确率调它时要看中间产物masked图像上涂写区域的像素覆盖情况。第二个是行分组容差4.2 代码里的abs(y - last_y) 15。高分扫描图容差可以设为 10 甚至 8手机拍摄的图建议 20 到 25以免答题卡微小的旋转角度把同一行选项拆散。可以通过打印每行轮廓的 y 坐标分布来判断当前容差是否合理。第三个是Canny低阈值和approxPolyDP的近似系数0.02。这两个参数影响的是答题卡是否能在第 3 步被正确识别出来。一张边缘清晰的图却找不到四边形百分之八十是 Canny 阈值过高导致边缘断裂剩下百分之二十是approxPolyDP系数问题。5.2 排错检查清单故障现象可能原因排查手段找不到四边形轮廓Canny低阈值过高导致边缘断裂输出edged.jpg调低阈值到 50透视结果变形严重顶点排序错误打印四个顶点坐标检查左上与右上是否对称选项轮廓数量少于预期二值化阈值不适保存thresh.jpg看选项圆的完整性同一行选项被拆成多行y 容差太小打印所有轮廓的 y 坐标按差值选容差未涂选项被判为已涂判定阈值过低或铅笔灰残留在圆内提高ratio阈值或先做一次形态学开运算调试这套流程最有效的手段是把edged、thresh、masked所有中间结果都用cv2.imwrite保存到磁盘。比如在findContours前加一行cv2.imwrite(debug_thresh.jpg, thresh)用图像查看器打开它一眼就能看出二值化是否把答题卡的内容保留完整。这比在代码里打印数值更直观。5.3 扩展到A/B卷与彩色答题卡的思路如果项目需要支持 A/B 卷常见做法是在答题卡顶部设计两个不同的印刷标记方块预处理后检测方块位置来判断卷型再加载对应的ANSWER_KEY。如果答题卡选项背景不是白色而是浅黄色或浅绿色二值化之前先用cv2.split取出蓝色通道或绿色通道利用颜色通道间的差异把涂写痕迹和背景分离开比直接转灰度图效果好得多。这些都是在现有流水线上做增量调整不需要改动识别架构。最后留一个具体技巧判卷完成后把每道题的(question_idx, marked_index, correct_answer)三元组写进一个 CSV 文件作为后续统计分析和考试报告的数据源。这样这个OpenCV项目不仅是一段演示程序而是能接入阅卷系统的完整模块。本文还有配套的精品资源点击获取 OpenCV答题卡识别判卷实战：图像处理流水线实现自动评分
简介面向OpenCV与Python图像处理学习者这份项目实战资源以答题卡自动识别与判卷为场景适合正在做课设、毕设或想通过完整案例巩固视觉处理流程的开发者。压缩包体积仅3.07MB共包含7个文件其中6张PNG答题卡样图可直接用于测试与验证另有一个Python脚本实现完整识别流程便于阅读、调试和二次改造。脚本覆盖了答题卡自动判卷的核心链路图像灰度化、二值化等预处理Canny边缘检测与轮廓查找结合几何属性筛选答题区域再对填涂区域进行图像分块和阈值判断最终判定选中结果并输出。通过切换样图运行项目可以直观观察光照变化、倾斜角度、印刷质量对识别的影响并学习如何调整边缘检测参数、面积阈值等来提升准确率这对理解OpenCV在实际任务中的工程化应用很有帮助。目前已有2344人学习值得作为OpenCV实战入门、课程设计或竞赛基础方案参考。1. 答题卡识别判卷一套OpenCV图像处理流水线的完整闭环用手机拍一张答题卡程序自动读出每道题涂了哪个选项、和标准答案比对后给出分数。这个需求在校园测验、机构阅卷、表单自动录入里反复出现也是OpenCV入门项目里性价比最高的一道题它同时覆盖图像预处理、边缘检测、轮廓分析、几何矫正、像素统计和结果可视化完成一次就等于把OpenCV最常用的图像处理链路走了一遍。本文围绕OpenCV Python实现答题卡识别判卷从安装环境开始一直写到判卷函数返回分数代码可直接复制运行。适合刚学完OpenCV基础函数、想用一个小项目把检测识别串起来的人也适合需要在现有图像识别流程里加入表单判分能力的工程师参考。整条路线不需要深度学习模型靠几何特征和像素统计就能稳定工作。2. 答题卡判卷的流水线设计检测识别中该选哪些OpenCV算子2.1 为什么是OpenCV而不是深度学习方案答题卡识别判卷这个场景第一反应可能想到用目标检测模型去框选选项区域但实际落地时OpenCV的传统图像处理方案更常用原因是答题卡是高度结构化的人造物体答题区域是规则排列的圆形或矩形背景和前景的对比度可控。用轮廓检测加几何筛选识别速度快不依赖GPU没有训练数据收集成本而且每一环都能可视化中间结果出了错能直接定位到是哪一步参数不合适。深度学习方案适合的是答题卡被严重遮挡、光照极不均匀、或者需要识别手写内容的情况那是另外一套技术栈。核心判卷逻辑仍然可以在OpenCV里完成。本文采用的是传统视觉方案这也是多数OpenCV答题卡识别项目实战的标准套路。2.2 六步流水线与关键API对照整套流程可以拆成六个环节每一步的输出都是下一步的输入步骤任务关键OpenCV API输出1读取并灰度化cv2.imread/cv2.cvtColor单通道灰度图2去噪与边缘提取cv2.GaussianBlur/cv2.Canny边缘图3定位答题卡轮廓cv2.findContours/cv2.approxPolyDP四边形顶点4透视矫正cv2.getPerspectiveTransform/cv2.warpPerspective正视角答题卡5提取并排序选项cv2.HoughCircles或轮廓筛选 / 排序逻辑选项坐标矩阵6判卷计分cv2.bitwise_and/cv2.countNonZero每道题的涂写选项与总分这个结构里第3步和第5步是最容易出问题的环节。第3步要应对拍摄角度和背景干扰第5步要保证OpenCV返回的轮廓顺序和实际答题卡的行列顺序一致。轮廓排序是无数人踩过坑的地方后面单独展开。2.3 环境准备与版本姿势常见做法是安装opencv-python和numpy两个包就够了pip install opencv-python numpy如果后续要画图表辅助调参再加一个matplotlib。安装完成后先验证版本import cv2 import numpy as np print(cv2.__version__)注意opencv-python和opencv-contrib-python不能同时安装否则会冲突。答题卡识别只用主模块不需要 contrib 里的扩展算法装前者即可。OpenCV 4.x 的findContours返回两个值轮廓列表和层级OpenCV 3.x 返回三个值网上很多代码片段会在这上面报错阅读旧代码时先确认版本。3. 用OpenCV完成答题卡区域检测识别透视矫正与轮廓定位3.1 项目实战第一步预处理参数选择拿到一张答题卡照片后先做灰度化再用高斯模糊去噪最后用Canny边缘检测把答题卡的边界突出来。这三个步骤是固定的变的只是参数。高斯核大小一般取(5, 5)Canny 的双阈值根据图像亮度调整。import cv2 import numpy as np image cv2.imread(answer_card.jpg) ratio image.shape[0] / 800.0 # 统一高度到800加快处理 resized cv2.resize(image, (int(image.shape[1] / ratio), 800)) gray cv2.cvtColor(resized, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5, 5), 0) edged cv2.Canny(blurred, 75, 200) cv2.imwrite(edged.jpg, edged)这段代码里ratio记录缩放比例后续透视矫正后的坐标要乘回这个比例才能映射回原图。GaussianBlur的第三个参数0表示标准差由核大小自动计算。Canny 的阈值75和200是一组常用初始值实际使用时如果答题卡边缘有大量断线就把低阈值降到50如果背景纹理干扰严重就把高阈值抬到250。识别不到答题卡时先输出edged.jpg查看边缘图而不是去改后面的代码。3.2 找答题卡外轮廓轮廓层级和四边形逼近预处理完成后答题卡在边缘图上会形成一个明显的闭合矩形区域。用findContours拿到所有轮廓再按面积排序取最大的那个是稳定的做法。手机拍照时背景里如果有桌子纹理、书本边缘这些轮廓一般不会比答题卡更完整所以面积筛选能过滤掉大部分噪声。contours, _ cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours sorted(contours, keycv2.contourArea, reverseTrue) for contour in contours: peri cv2.arcLength(contour, True) approx cv2.approxPolyDP(contour, 0.02 * peri, True) if len(approx) 4: doc_cnt approx breakRETR_EXTERNAL表示只取最外层轮廓答题卡是图像里最大的连通外边界选这个模式能避免把选项圆误判为外轮廓。approxPolyDP的第二个参数是近似精度取周长peri的0.02倍。这个值如果太大会把矩形压成三角形或多边形形状失真太小则滤不掉微小弯曲。如果一张清晰的答题卡却找不到四点轮廓优先调小0.02到0.01试试。需要说明的是如果答题卡本身是圆角矩形或者边缘被阴影切断len(approx) 4会直接失败。这时候可以退一步用cv2.boundingRect拿外接矩形或者用最小外接矩形cv2.minAreaRect替代虽然精度略差但至少能保证流程继续。3.3 透视变换把倾斜拍摄的答题卡拉直手机拍摄的答题卡大概率是倾斜的直接对倾斜图像做选项定位行列对齐会非常痛苦。透视变换是这一套方案里最关键的几何步骤它把任意四边形映射为正视图矩形。变换前需要对四个顶点排序因为approxPolyDP返回的点顺序不是固定的。def order_points(pts): rect np.zeros((4, 2), dtypefloat32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] # 左上xy 最小 rect[2] pts[np.argmax(s)] # 右下xy 最大 diff np.diff(pts, axis1) rect[1] pts[np.argmin(diff)] # 右上x-y 最小 rect[3] pts[np.argmax(diff)] # 左下x-y 最大 return rect rect order_points(doc_cnt.reshape(4, 2)) (tl, tr, br, bl) rect width_top np.linalg.norm(tr - tl) width_bottom np.linalg.norm(br - bl) height_left np.linalg.norm(bl - tl) height_right np.linalg.norm(br - tr) max_width max(int(width_top), int(width_bottom)) max_height max(int(height_left), int(height_right)) dst np.array([[0, 0], [max_width - 1, 0], [max_width - 1, max_height - 1], [0, max_height - 1]], dtypefloat32) M cv2.getPerspectiveTransform(rect, dst) warped cv2.warpPerspective(resized, M, (max_width, max_height))顶点排序用到了两个几何性质左上角点的x y在所有点里最小右下角点最大右上角点的x - y最小左下角点最大。这是一种工程上通用做法在纯四边形范围里不会出错。warpPerspective的目标尺寸取上下宽度的较大值和左右高度的较大值避免变换后的图像被压缩变形。透视变换之后整张答题卡变成规整的矩形所有选项圆形的相对位置进入标准坐标系这给后续的选项分组排序提供了极大便利。到此检测识别环节告一段落接下来的核心任务是判卷。4. OpenCV判卷核心圆形选项的涂写判定与得分计算4.1 选项轮廓提取二值化与轮廓筛选透视矫正后的图像需要先转成二值图才能用像素统计来判断一个选项是否被涂写。这里用cv2.threshold做全局二值化阈值选Otsu自动计算比手工指定更适应不同亮度的照片。warped_gray cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY) thresh cv2.threshold(warped_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1] contours, _ cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) question_cnts [] for contour in contours: (x, y, w, h) cv2.boundingRect(contour) ar w / float(h) if w 20 and h 20 and 0.8 ar 1.2: question_cnts.append(contour)THRESH_BINARY_INV把涂写的黑色铅笔痕迹变成白色背景变成黑色这样countNonZero统计的就是涂写像素。筛选条件w 20排除了噪声小点0.8 ar 1.2限定轮廓接近圆形。这个面积阈值和宽高比阈值要根据实际答题卡上圆形选项的像素直径调整20 是 800px 宽图像下的经验值。如果选项间距小、圆也小可以降到 15如果拍的是 4K 原图可能需要上调到 40。也可以在这里用cv2.HoughCircles替代轮廓筛选但对参数敏感圆的半径范围需要预先估计适应性不如轮廓法。轮廓法不受圆形畸变影响椭圆形拍摄角度也能通过后面的透视矫正拉回正圆所以更稳。4.2 选项排序把轮廓列表变成题号矩阵findContours返回的轮廓顺序是任意的不能直接按顺序当题号用。常见的做法是先按 y 坐标聚成行再对每一行按 x 坐标排序。下面这段代码是一个可以复用的排序模板question_cnts.sort(keylambda c: cv2.boundingRect(c)[1]) rows [] current_row [] last_y None for contour in question_cnts: (x, y, w, h) cv2.boundingRect(contour) if last_y is None or abs(y - last_y) 15: current_row.append(contour) else: rows.append(current_row) current_row [contour] last_y y if current_row: rows.append(current_row) for i, row in enumerate(rows): row.sort(keylambda c: cv2.boundingRect(c)[0])由于考试机读卡一般每道题横向排列 4 到 5 个选项同行内圆形轮廓的 y 坐标差很小所以用abs(y - last_y) 15判断是否属于同一行是可靠的。这个 15 像素的容差是行分组的核心参数设置太大会把上一行和下一行合并设置太小一行内稍有歪斜就被拆成两行。实际调试时打印出每个轮廓的(x, y)坐标观察相邻行的 y 差值再据此调整容差。4.3 涂写状态判定掩膜统计非零比例判定一个圆形区域是否被涂写最直接的做法是统计该圆内前景像素的占比。先构造一个与原图同尺寸的掩膜在选项中心画一个填充白圆再用bitwise_and取出圆内区域最后用countNonZero数出白色像素数量。def is_marked(thresh, x, y, radius): mask np.zeros(thresh.shape, dtypenp.uint8) cv2.circle(mask, (x, y), radius, 255, -1) masked cv2.bitwise_and(thresh, thresh, maskmask) marked_pixels cv2.countNonZero(masked) total_pixels cv2.countNonZero(mask) ratio marked_pixels / float(total_pixels) return ratio 0.5, ratio选项圆形的半径可以通过cv2.minEnclosingCircle获取也可以用外接矩形宽的一半近似误差在可接受范围内。判定阈值 0.5 表示圆内有超过一半像素被涂写才算选中。这个参数在不同铅笔浓度、不同扫描亮度下需要微调铅笔涂得浅0.3 更合适有印刷噪点干扰0.7 更稳。total_pixels这里用的是掩膜内所有像素而不是masked里的像素要注意区分。也可以用cv2.contourArea加填充方式构造更标准的掩膜但对结果影响不大。4.4 答案比对与分数计算涂写判定完成后每一道题得到了一个选项索引和标准答案字典比对统计正确题数最后把结果画在答题卡图像上。下面是完整的判卷流程ANSWER_KEY {0: 1, 1: 4, 2: 0, 3: 3, 4: 1} # 键是题号(行索引)值是正确选项索引(0:A, 1:B, 2:C, 3:D, 4:E) correct 0 total_questions len(rows) for question_idx, row in enumerate(rows): bubbles [cv2.boundingRect(c) for c in row] centers [(x w // 2, y h // 2) for (x, y, w, h) in bubbles] r min(bubbles[0][2], bubbles[0][3]) // 2 - 2 marked_index None for idx, (cx, cy) in enumerate(centers): _, ratio is_marked(thresh, cx, cy, r) if ratio 0.5: marked_index idx if marked_index is None: continue # 题目未作答跳过 correct_answer ANSWER_KEY.get(question_idx) if marked_index correct_answer: correct 1 color (0, 255, 0) else: color (0, 0, 255) cv2.drawContours(warped, [row[marked_index]], -1, color, 3) score correct / total_questions * 100 cv2.putText(warped, fScore: {score:.1f}%, (20, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imwrite(result.jpg, warped)这段代码里ANSWER_KEY的键对应rows列表的行索引值对应选项排序后的索引。这里有一个容易出错的地方rows里存储的是按行分组的轮廓row内部按 x 排序后第 0 个是 A、第 1 个是 B顺序不能混乱。如果同一行的选项被排序后顺序仍然不对检查 4.2 里的 x 排序回调是否写成了按 y 排序。多选题逻辑只是在单题判定的外层套一个集合判断不再赘述。另一个值得注意的细节是判卷结果直接覆盖绘制在warped图像上画的是透视矫正后的正视图。如果需要在原始照片上标注正确答案位置需要把warped上的坐标乘以 4.1 里记录的透视矩阵的逆矩阵映射回去但这通常不是必需功能。5. 答题卡识别判卷的参数调优、排错与扩展5.1 三个必调参数及其优先级整个流程里有三个参数决定了这套系统的成败调试时按优先级从高到低调整。第一个是涂写判定阈值它在is_marked函数里以ratio 0.5的形式存在。这个参数直接影响判卷正确率调它时要看中间产物masked图像上涂写区域的像素覆盖情况。第二个是行分组容差4.2 代码里的abs(y - last_y) 15。高分扫描图容差可以设为 10 甚至 8手机拍摄的图建议 20 到 25以免答题卡微小的旋转角度把同一行选项拆散。可以通过打印每行轮廓的 y 坐标分布来判断当前容差是否合理。第三个是Canny低阈值和approxPolyDP的近似系数0.02。这两个参数影响的是答题卡是否能在第 3 步被正确识别出来。一张边缘清晰的图却找不到四边形百分之八十是 Canny 阈值过高导致边缘断裂剩下百分之二十是approxPolyDP系数问题。5.2 排错检查清单故障现象可能原因排查手段找不到四边形轮廓Canny低阈值过高导致边缘断裂输出edged.jpg调低阈值到 50透视结果变形严重顶点排序错误打印四个顶点坐标检查左上与右上是否对称选项轮廓数量少于预期二值化阈值不适保存thresh.jpg看选项圆的完整性同一行选项被拆成多行y 容差太小打印所有轮廓的 y 坐标按差值选容差未涂选项被判为已涂判定阈值过低或铅笔灰残留在圆内提高ratio阈值或先做一次形态学开运算调试这套流程最有效的手段是把edged、thresh、masked所有中间结果都用cv2.imwrite保存到磁盘。比如在findContours前加一行cv2.imwrite(debug_thresh.jpg, thresh)用图像查看器打开它一眼就能看出二值化是否把答题卡的内容保留完整。这比在代码里打印数值更直观。5.3 扩展到A/B卷与彩色答题卡的思路如果项目需要支持 A/B 卷常见做法是在答题卡顶部设计两个不同的印刷标记方块预处理后检测方块位置来判断卷型再加载对应的ANSWER_KEY。如果答题卡选项背景不是白色而是浅黄色或浅绿色二值化之前先用cv2.split取出蓝色通道或绿色通道利用颜色通道间的差异把涂写痕迹和背景分离开比直接转灰度图效果好得多。这些都是在现有流水线上做增量调整不需要改动识别架构。最后留一个具体技巧判卷完成后把每道题的(question_idx, marked_index, correct_answer)三元组写进一个 CSV 文件作为后续统计分析和考试报告的数据源。这样这个OpenCV项目不仅是一段演示程序而是能接入阅卷系统的完整模块。本文还有配套的精品资源点击获取