2. 程式人生 > >計算機視覺小例項 No.3 基於Hough變化的答題卡識別

計算機視覺小例項 No.3 基於Hough變化的答題卡識別

阿新 • • 發佈：2019-02-09

答題卡識別

答題卡自動閱卷系統通過獲取答題卡影象作為系統輸入，並通過計算機處理、自動識別填圖示記，存入資料庫完成閱卷。
但是答題卡在運輸和使用過程中，容易受到裝置、環境等因素的影響，使得影象質量在一定程度上有所下降，影響了自動閱卷的準確率，甚至導致無法正常閱卷，因此要對答題卡影象進行一系列的預處理，濾去幹擾、噪聲，做幾何校正（有的答題卡可能是倒著的），彩色校正等，並進行二值化處理。

影象二值化

影象的二值化，就是將影象的畫素點只有1和0的取值，用來表示黑（0）白（1）二種顏色。

 f = imread('答題卡.jpg');
 subplot(1, 2, 1), imshow(f), title('原圖'
 
);
 subplot(1, 2, 2), imshow(im2bw(f, graythresh(f))), title('二值化');

這裡寫圖片描述

可以看到，如果不預先對影象進行處理的話，就會出現這種情況，那麼結合我們現在學習的知識，讓我們試一試一些處理方法吧。

對比度增強處理
 f = imread('答題卡.jpg');
 f = rgb2gray(f);
 subplot(1, 3, 1), imshow(f), title('原圖');
 f = adapthisteq(f);
 subplot(1, 3, 2), imshow(f), title('增強後');
 subplot(1
 
, 3, 3), imshow(im2bw(f, graythresh(f))), title('二值化');

這裡寫圖片描述

這下子清晰了很多，但是呢，我們是不是還錄用了一些沒有必要的干擾資訊，我們現在就去除干擾資訊。

對比度拉伸(歸一化處理)

影象歸一化是指對影象進行了一系列標準的處理變換，使之變換為一固定標準形式的過程，該標準影象稱作歸一化影象。

f = imread('答題卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原圖');
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0
 
.0 0.3]);
f= imadjust(f, [0.0 0.25], [ ]);
subplot(1, 3, 2), imshow(f), title('歸一化處理');
subplot(1, 3, 3), imshow(im2bw(f, graythresh(f))), title('二值化');

這裡寫圖片描述

是不是加強了很多，接著，我們繼續用中值濾波進行平滑處理。

f = imread('答題卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原圖');
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
subplot(1, 3, 2), imshow(f), title('平滑處理');
f = im2bw(f, graythresh(f));
subplot(1, 3, 3), imshow(f), title('二值化');

這裡寫圖片描述

發現還是有一些小的點， 我們只需要進行開閉操作即可。

f = imread('答題卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原圖');
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
subplot(1, 3, 2), imshow(f), title('開閉前');
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
subplot(1, 3, 3), imshow(f), title('開閉後');

這裡寫圖片描述

可以看到，一些小點點都消失了，接著，我們發現有的小方塊太小了，那怎麼辦？只需要進行腐蝕操作即可。

f = imread('答題卡.jpg');
f = rgb2gray(f);
subplot(1, 3, 1), imshow(f), title('原圖');
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
subplot(1, 3, 2), imshow(imcomplement(f)), title('腐蝕前');
f = imerode(f, strel('square', 4));
subplot(1, 3, 3), imshow(imcomplement(f)), title('腐蝕後');

這裡寫圖片描述

怎麼樣，是不是很霸氣- -，其中imcomplement是獲得影象的負片的函式，就是1變成0，0變成1。

現在影象預處理完成了，接下來要幹什麼呢？就是要進行判斷，分析！

先將其變為線的形式

f = imread('答題卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
subplot(1, 2, 1), imshow(imcomplement(f)), title('畫線前');
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
subplot(1, 2, 2), imshow(f), title('畫線後');

這裡寫圖片描述

再找到最長的基準線

f = imread('答題卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
[h t r] = hough(f);
peaks = houghpeaks(h, 5);
lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
imshow(f), hold on;
len = 0;
for i = 1 : length(lines)
    tLen = norm(lines(i).point1 - lines(i).point2);
    if len < tLen
        len = tLen
        xy = [lines(i).point1; lines(i).point2];
    end
end
plot(xy(:, 1), xy(:, 2), 'LineWidth', 4, 'Color', 'red');

這裡寫圖片描述

不過可以看出來，這個有點歪，我們需要對他進行校正

f = imread('答題卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
flag = true;
while flag
    figure;
    [h t r] = hough(f);
    peaks = houghpeaks(h, 5);
    lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
    subplot(1, 2, 1), imshow(f), title('校正前');
    len = 0;
    for i = 1 : length(lines)
        tLen = norm(lines(i).point1 - lines(i).point2);
        if len < tLen
            len = tLen;
            xy = [lines(i).point1; lines(i).point2];
        end
    end
    x1 = xy(:, 1);
    y1 = xy(:, 2);
    K1 = (x1(2)-x1(1))/(y1(2)-y1(1));
    angle = atan(K1)*180/pi;
    s = size(f);
    if y1(1) <= s(2) / 2 && y1(2) <= s(2) / 2&& abs(angle) > 75
        f= imrotate(f, angle, 'bilinear');
        flag = true;
    else
        f= imrotate(f, -angle, 'bilinear');
        flag = false;
    end
    subplot(1, 2, 2), imshow(f), title('校正後');
end

第一次校正
這裡寫圖片描述
第二次校正
這裡寫圖片描述

現在，我們的答題卡已經校正完畢，接著，我們需要將答題卡分割為資訊部分和答題部分

f = imread('答題卡.jpg');
f = rgb2gray(f);
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High, [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
flag = true;
while flag
    [h t r] = hough(f);
    peaks = houghpeaks(h, 5);
    lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
    len = 0;
    for i = 1 : length(lines)
        tLen = norm(lines(i).point1 - lines(i).point2);
        if len < tLen
            len = tLen;
            xy = [lines(i).point1; lines(i).point2];
        end
    end
    x1 = xy(:, 1);
    y1 = xy(:, 2);
    K1 = (x1(2)-x1(1))/(y1(2)-y1(1));
    angle = atan(K1)*180/pi;
    s = size(f);
    if y1(1) <= s(2) / 2 && y1(2) <= s(2) / 2&& abs(angle) > 75
        f= imrotate(f, angle, 'bilinear');
        flag = true;
    else
        f= imrotate(f, -angle, 'bilinear');
        flag = false;
    end
end
% 再進行畫線，畫出三條基準線
[h t r] = hough(f);
peaks = houghpeaks(h, 5);
lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
figure, imshow(f), title('分割前'), hold on;
for i = 1 : length(lines)
    xy = [lines(i).point1; lines(i).point2];
    if abs(lines(i).point1(2) - lines(i).point2(2)) <= 10
        len(i) = norm(lines(i).point1 - lines(i).point2);
    else
        len(i) = -1;
    end
    plot(xy(:, 1), xy(:, 2), 'LineWidth', 4, 'Color', 'red');
    plot(lines(i).point1(1), lines(i).point1(2), 'bo');
    plot(lines(i).point2(1), lines(i).point2(2), 'yo');
    xyD{i} = xy;
end
[len, ind] = sort(len(:), 'descend');
for i = 1 : length(ind)
    xyN{i} = xyD{ind(i)};
end
up = f;
down = f;
u = xyN{1};
d = xyN{2};
if u(1, 2) > d(1, 2)
    t = u;
    u = d;
    d = t;
end
up(u(1, 2) : 1 : d(1, 2), :) = 0;
down(1 : u(1, 2), :) = 0;
figure, imshow(up), title('資訊部分');
figure, imshow(down), title('答題部分');

這裡寫圖片描述
這裡寫圖片描述
這裡寫圖片描述

分割完了以後，讓我們來獲取資訊。

f = imread('答題卡.jpg');
rg = f;
f = rgb2gray(f);
f = adapthisteq(f); % 對比度增強
Low_High = stretchlim(f, [0.0 0.3]);
f= imadjust(f, Low_High , [ ]);
f = medfilt2(f, [7 5]);
f = im2bw(f, graythresh(f));
f = imopen(f, strel('square', 4));
f = imclose(f, strel('square', 4));
f = imerode(f, strel('square', 4));
f = edge(f, 'canny', [0.04, 0.10], 1.5 , 'vertical');
flag = true;
while flag
    [h t r] = hough(f);
    peaks = houghpeaks(h, 5);
    lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
    len = 0;
    for i = 1 : length(lines)
        tLen = norm(lines(i).point1 - lines(i).point2);
        if len < tLen
            len = tLen;
            xy = [lines(i).point1; lines(i).point2];
        end
    end
    x1 = xy(:, 1);
    y1 = xy(:, 2);
    K1 = (x1(2)-x1(1))/(y1(2)-y1(1));
    right = x1(2);
    angle = atan(K1)*180/pi;
    s = size(f);
    if y1(1) <= s(2) / 2 && y1(2) <= s(2) / 2&& abs(angle) > 75
        f = imrotate(f, angle, 'bilinear');
        rg = imrotate(rg, angle, 'bilinear');
        flag = true;
    else
        f= imrotate(f, -angle, 'bilinear');
        rg = imrotate(rg, -angle, 'bilinear');
        flag = false;
    end
end
down = f;
% 再進行畫線，畫出三條基準線
[h t r] = hough(f);
peaks = houghpeaks(h, 5);
lines = houghlines(f, t, r, peaks, 'FillGap', 50, 'MinLength', 7);
for i = 1 : length(lines)
    xy = [lines(i).point1; lines(i).point2];
    if abs(lines(i).point1(2) - lines(i).point2(2)) <= 10
        len(i) = norm(lines(i).point1 - lines(i).point2);
    else
        len(i) = -1;
    end
    xyD{i} = xy;
end
[len, ind] = sort(len(:), 'descend');
for i = 1 : length(ind)
    xyN{i} = xyD{ind(i)};
end
u = xyN{1};
d = xyN{2};
if u(1, 2) > d(1, 2)
    t = u;
    u = d;
    d = t;
end
% 下半部分處理

subplot(1, 2, 1), imshow(rg), title('原圖'), hold on;

l = d(1, 2) - u(1, 2);
l = l / 31;
for i = 1 : 31
    plot([0 1000], [u(1, 2) + l * (i - 1), u(1, 2) + l * (i - 1)], 'LineWidth', 1, 'Color', 'red');
end

l = right - d(1, 1);
l = l / 26;
for i = 1 : 26
    plot([d(1, 1) + l * (i - 1), d(1, 1) + l * (i - 1)], [u(1, 2) d(1, 2)], 'LineWidth', 1, 'Color', 'red');
end

down(1 : u(1, 2), :) = 0;
down = imdilate(down, strel('square', 3));
down = imfill(down, 'holes');
subplot(1, 2, 2), imshow(down), title('處理圖'), hold on;

l = d(1, 2) - u(1, 2);
l = l / 31;
for i = 1 : 31
    plot([0 1000], [u(1, 2) + l * (i - 1), u(1, 2) + l * (i - 1)], 'LineWidth', 1, 'Color', 'red');
end

l = right - d(1, 1);
l = l / 27;
for i = 1 : 27
    plot([d(1, 1) + l * (i - 1), d(1, 1) + l * (i - 1)], [u(1, 2) d(1, 2)], 'LineWidth', 1, 'Color', 'red');
end

這裡寫圖片描述

到這裡就差不多了，只需要判斷對應方格內是否為1即可。

下面是另外一張答題卡的影象

這裡寫圖片描述

相關推薦

計算機視覺小例項 No.3 基於Hough變化的答題卡識別

答題卡識別 答題卡自動閱卷系統通過獲取答題卡影象作為系統輸入，並通過計算機處理、自動識別填圖示記，存入資料庫完成閱卷。 但是答題卡在運輸和使用過程中，容易受到裝置、環境等因素的影響，使得影象質量在一定程度上有所下降，影響了自動閱卷的準確率，甚至導致無法正常

計算機視覺小白入門第二問——計算機視覺和人類視覺有什麼區別

先來看一下，什麼是人類視覺。視覺，作為人類的感官之一，可以說是人類獲取資訊最直接有效的方式。畢竟，相對來說，光是傳播最快的。視覺是一個物理學和生物學的結合體，首先是光照射在物體上，在物體上發生反射，當反射光對映在人的視網膜上，人們便接受到了資訊（通常是接收漫反射）。這一過程是

計算機視覺小白入門第一問——什麼是計算機視覺

什麼是計算機視覺？我個人的觀點：用一句話概括，就是讓計算機擁有人能所見、人能所識、人能所思的能力，就可以稱計算機擁有視覺，即計算機視覺。人能所見，是指能看得見。對於計算機而言，是指能夠獲取影象。最常見的是通過攝像頭來獲取影象，所以攝像頭這樣的獲取影象的裝置，被稱作計算機的眼睛

ARCore之路－計算機視覺之例項（五）

  我們假定讀者開發環境已完全符合上述要求，如不符合請下載安裝相關元件外掛。接下來我們將利用TensorFlowSharp來開發AR物體識別功能。 一、安裝Unity TensorFlow Plugin外掛   我們這裡使用的是0.3版的Unity TensorFlow Plug

ARCore之路－計算機視覺之例項（四）

  在前面的學習中，我們自己編寫了一個神經網路，並用這個神經網路進行了AR開發應用，效果很好。但在機器學習領域，我們沒必要重複去發明輪子，因為現在已經有很多成熟的機器學習、神經網路框架，如Caffe、Tensorflow、Kears等等。站在前人的肩膀上會使我們看得更遠。接下來我們將使用

ARCore之路－計算機視覺之例項（三）

  前面我們已經編寫完了神經網路程式碼，雖然有些簡陋，但是麻雀雖小五臟俱全，這是一個完整的神經網路結構，我們可以應用這個神經網路到AR中，下面我將利用這個神經網路來做AR中的碰撞檢測（這裡的碰撞檢測是指使用者（手機終端）與ARCore檢測到的特徵點距離過近時發出警報以防止使用者與真實物體

ARCore之路－計算機視覺之例項（二）

  在前一節中，我們已編寫完成了神經元細胞類（Neuron）和突觸類（Synapse），有了這兩個基本元件，我們就可以建設神經網路的高樓大廈了。我們的目標是建設一個帶一個隱藏層的雙層神經網路，當然，各層神經元細胞的個數由使用者自己決定，示意圖如下： public

ARCore之路－計算機視覺之例項（一）

  有了前面的基礎，我們接下來將親自編寫一個神經網路，我們力求程式碼簡潔並易於理解，效能則不是考慮的重點。當然，完完全全講清神經網路還是比較困難的，這需要一些前置知識，也不是我們關注的重點，我們的重點是利用神經網路來服務AR應用。在開始之前，我們再來看一下人類大腦的神經。

影象處理例項--基於Hough變化的答題卡識別（未完成）

影象二值化 在答題卡自動識別實驗中，為了方便地進行目標答案的檢測和識別，我們需要對灰度影象進行二值化處理，而在這個過程中，閾值的選取是關鍵，直接影響到目標答案是否能被正確識別。 閾值選取方法 閾值選取方法可以分為區域性和全域性兩種。因為每個學生填塗答題

磨染的初心——計算機視覺的現狀（3.1）：影象分割

##磨染的初心——計算機視覺的現狀（3.1）：影象分割 **為了通過材質、形狀、結構識別目標，對影象進行分割應該是必然的選擇**。在這一點上計算機視覺研究者們算是勉強達成了共識，影象分割甚至被很多研究者列為計算機視覺的基本任務之一了。很多影象分割演算法被提了出來，歸納起來可以分為基於閾值的方法、基於聚類的方

磨染的初心——計算機視覺的現狀（3.2）：紋理與材質

磨染的初心——計算機視覺的現狀（3.2）：紋理與材質 在前文中提到的分割演算法中，基於區域的方法和基於圖割的方法都利用了基於紋理的相似性度量方法。另外，除了基於卷積神經網路的演算法之外，目前所有的分割演算法都存在嚴重的過分割，區域合併將是不得不採納的選擇。對於區域合併來說，紋理相似性是一種非常重要的相似性度量

21世紀初最有影響力的20篇計算機視覺期刊論文 及 鄧亞峰老師關於人臉識別方面總結

選取論文的原則： （1）期刊論文，主要來源於以下期刊：TPAMI，IJCV，TIP，CVIU，IVC，MVA，PR，JMIV，IJPRAI… （2）發表在2000年以後 （3）SCI檢索次數大於1000，來源於Web of Science資料庫，2012年12月初

Azure 認知服務 (3) 計算機視覺API - 分析圖像，使用C#代碼

iat query med ron oid sage pos png wait 　　《Windows Azure Platform 系列文章目錄》 　　在上一節中Azure 認知服務 (2) 計算機視覺API - 分析圖像，筆者介紹了如何使用API測試控制臺進行調試

騰訊 AI Lab 計算機視覺中心人臉 & OCR團隊近期成果介紹（3）

之前 val 檢測 activit 服務器 get 取消 算法 創新 歡迎大家前往騰訊雲社區，獲取更多騰訊海量技術實踐幹貨哦~ 作者：周景超 在上一期中介紹了我們團隊部分已公開的國際領先的研究成果，近期我們有些新的成果和大家進一步分享。 1 人臉進展 人臉是最重要的視覺

計算機視覺、機器學習相關領域論文和源代碼小集合

resource ecs kit ide ipo -s 特征提取 sensor iss 一、特征提取Feature Extraction： · SIFT [1] [Demo program][SIFT Library] [VLFeat] &

『計算機視覺』SSD源碼學習_基於TensorFlow（待續）

ID 使用 結構 odi AS pap pts blank sets 原項目地址：SSD-Tensorflow 根據README的介紹，該項目收到了tf-slim項目中包含了多種經典網絡結構（分類用）的啟發，使用了模塊化的編程思想，可以替換檢查網絡的結構，其模塊組織如下：

基於layer外掛的小例項：彈框圖片

        layer外掛是前端中的一個功能非常強大的外掛，它的彈框功能非常實用，是前端設計與學習必不可少的一環。         準備工作：下載layer  （官網：http://layer.layu

專案實戰——基於計算機視覺的物體位姿定位及機械臂矯正

專案實戰——基於計算機視覺的物體位姿定位及機械臂矯正 寫在開頭的話： 不得不說大學這三年過的真的快，一年後就要讀研了。讀研選擇了增強現實——計算機視覺與人工智慧這個方向（當然也需要很多機械的東西），算是一個機電偏控的方向吧，比較前沿也很有挑戰性。為了讓我的學習更有針對性，我向Prof

專案實戰——基於計算機視覺的物體位姿定位及機械臂矯正（一）

專案實戰——基於計算機視覺的物體位姿定位及機械臂矯正（一） 思路 經過這幾天的資料查詢，我逐步有了思路，現整理如下： 抓取物品定為牛奶盒，主要優勢在於，質量輕、體積小、稜角分明，便於識別抓取； 工作環境設定在傳送帶上，人工隨機將牛奶盒以不同方向隨機放入； 在攝

無人駕駛（基於計算機視覺的高精度地圖）

【 宣告：版權所有，歡迎轉載，請勿用於商業用途。 聯絡信箱：feixiaoxing @163.com】       如果說HD地圖和普通的導航地圖有什麼區別，那麼我認為就是精度問題。普通地圖的精度可能是5m－10m，而HD地圖可能就是5-10cm，整整提高了