【4opencv】識別複雜的答題卡1（主要演算法）
阿新 • • 發佈：2018-12-15
一、問題提出
下一步就是需要從這張圖片中，識別出人眼識別出來的那些資訊，並且將這個過程儘可能地魯棒化，提高識別的準確率。
二、思路探索
在從圖片到數字的轉變過程中，既是一個“量化”的過程，也是一個“降維”的過程，需要特定的角度非常重要。這就像很多人站在一起拍集體照，選擇不同的角度能夠得到這群人不同的像，高明的攝像師能夠很快地找到角度，將所有的人都拍攝其中；我們影象處理程式也是同樣的道理，有經驗的工程師能夠善於模式思考，快速找到解決方法的途徑。
對於我們這裡的這張答題卡圖片，和之前的較為簡單的答題卡想比較，有很多不同，比較兩者的二值圖片，就可以發現：
最大的不同在於沒有可以供標定的基礎點。因此我們必須採用其它的方法來進行定位。
此外，答題區域為矩形密集分佈，因此我想到的是直接“網格化”進行處理。
三、演算法過程和主要程式碼
step1:灰度-二值-形態學
step2:輪廓分析
對識別出來的二值影象通過輪廓進一步地進行處理，得到下圖的識別結果，就為下一步定量打下基礎
step3:模板匹配
想得到識別的結果，首先就是需要對現有的圖片進行分割出來。在沒有定位點的前提下，如何準確切割？
根據以前的經驗，基本的思路是這樣：
a、根據模板識別，準確的獲得可定位地址（比如我選擇使用“選擇題答題卡”幾個字作為模板，得到下圖定位結果，注意圖中白點）；
細節：
編寫以下程式碼：
得到以下結果：
step4:分塊面積識別
直接識別劃分區域的面積，得到定量結果
全圖：
細節：
step5:轉化得到識別結果
編寫相關識別的結果為：
四、需要注意的地方：
1、模板識別對於不同尺度採集的圖片，是否具有通用性。故我需要在不同的圖片、不同的採集模式下進行探索；
2、目前識別出來的結果缺乏對答題結果“重複”“遺漏”情況分析；
3、我們看見的是彩色或者灰度影象，實際上，需要識別出來的是bin區域。在實驗的過程中，我們會用到“彩色或者灰度”作為背景。
由於GPY進行了糾偏，所以在採集的時候，就已經獲得了質量較高的答題卡圖片
下一步就是需要從這張圖片中，識別出人眼識別出來的那些資訊，並且將這個過程儘可能地魯棒化，提高識別的準確率。
二、思路探索
在從圖片到數字的轉變過程中，既是一個“量化”的過程，也是一個“降維”的過程，需要特定的角度非常重要。這就像很多人站在一起拍集體照，選擇不同的角度能夠得到這群人不同的像，高明的攝像師能夠很快地找到角度，將所有的人都拍攝其中；我們影象處理程式也是同樣的道理，有經驗的工程師能夠善於模式思考，快速找到解決方法的途徑。
對於我們這裡的這張答題卡圖片，和之前的較為簡單的答題卡想比較，有很多不同，比較兩者的二值圖片，就可以發現：
最大的不同在於沒有可以供標定的基礎點。因此我們必須採用其它的方法來進行定位。
此外，答題區域為矩形密集分佈，因此我想到的是直接“網格化”進行處理。
三、演算法過程和主要程式碼
step1:灰度-二值-形態學
step2:輪廓分析
對識別出來的二值影象通過輪廓進一步地進行處理，得到下圖的識別結果，就為下一步定量打下基礎
step3:模板匹配
想得到識別的結果，首先就是需要對現有的圖片進行分割出來。在沒有定位點的前提下，如何準確切割？
根據以前的經驗，基本的思路是這樣：
a、根據模板識別，準確的獲得可定位地址（比如我選擇使用“選擇題答題卡”幾個字作為模板，得到下圖定位結果，注意圖中白點）；
細節：
編寫以下程式碼：
得到以下結果：
step4:分塊面積識別
直接識別劃分區域的面積，得到定量結果
全圖：
細節：
step5:轉化得到識別結果
編寫相關識別的結果為：
四、需要注意的地方：
1、模板識別對於不同尺度採集的圖片，是否具有通用性。故我需要在不同的圖片、不同的採集模式下進行探索；
2、目前識別出來的結果缺乏對答題結果“重複”“遺漏”情況分析；
3、我們看見的是彩色或者灰度影象，實際上，需要識別出來的是bin區域。在實驗的過程中，我們會用到“彩色或者灰度”作為背景。