目錄

核心思路

分步實現與代碼解析

1. 環境準備與工具函數定義

2. 圖片預處理

3. 輪廓提取與篩選

3. 輪廓提取與篩選

4. 透視變換（矯正傾斜答題卡）

5. 閾值處理（突出填涂區域）

6. 提取選項圓圈輪廓

7. 選項輪廓排序（按題目順序排列）

---

在日常教學與考試場景中，人工批改答題卡不僅耗時耗力，還容易因主觀疲勞導致誤判。本篇將基于 OpenCV 實現全自動答題卡識別與改分，通過圖像處理技術精準提取答案區域、比對標準答案，并自動計算得分，大幅提升批改效率與準確性。

核心思路

答題卡識別改分的核心是 “從圖像中精準定位有效信息并與標準對比”，整體流程分為 9 個關鍵步驟：

1. 圖片預處理（去噪、增強）
2. 邊緣檢測（突出答題卡輪廓）
3. 輪廓提取與篩選（定位答題卡主體）
4. 輪廓近似（確定答題卡四角，為透視變換做準備）
5. 透視變換（將傾斜答題卡矯正為正視圖）
6. 閾值處理（將圖像轉為 “非黑即白”，突出填涂區域）
7. 選項圓圈輪廓提取（定位每道題的 5 個選項）
8. 答案比對（識別填涂選項，與標準答案匹配）
9. 分數計算（統計正確率，生成最終得分）

分步實現與代碼解析

項目答題卡如下：

1. 環境準備與工具函數定義

首先導入所需庫，并定義圖像顯示函數（方便中間結果查看）：

import cv2
import numpy as np# 圖像顯示函數：接收窗口名和圖像，按任意鍵關閉窗口
def cv_show(name, img):cv2.imshow(name, img)cv2.waitKey(0)  # 等待按鍵輸入（0表示無限等待）cv2.destroyWindow(name)  # 關閉當前窗口

2. 圖片預處理

原始圖像可能存在噪聲、色彩干擾，預處理的目標是 “簡化圖像信息，突出關鍵邊緣”，步驟包括：

• 灰度化：將彩色圖像轉為單通道灰度圖，減少計算量
• 高斯濾波：通過平滑處理去除高頻噪聲（如紙張紋理、拍攝噪點）
• 邊緣檢測：用 Canny 算法提取圖像邊緣，為后續輪廓定位做準備

"""-----1. 圖片預處理-----"""
# 讀取答題卡圖像（替換為你的圖像路徑）
image = cv2.imread(r'./images/answer_sheet_01.jpg')
contours_img = image.copy()  # 備份原始圖像，用于后續繪制輪廓# 1.1 灰度化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # BGR轉灰度（OpenCV默認讀取格式為BGR）
# 1.2 高斯濾波（5x5卷積核，標準差0，平衡去噪與邊緣保留）
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
cv_show('Gaussian Blur (去噪后)', blurred)  # 查看去噪效果
# 1.3 Canny邊緣檢測（閾值1=75，閾值2=200，僅保留對比度高的邊緣）
edged = cv2.Canny(blurred, 75, 200)
cv_show('Canny Edges (邊緣檢測結果)', edged)  # 查看邊緣檢測效果

3. 輪廓提取與篩選

邊緣檢測后，需要從邊緣圖中提取閉合輪廓，并篩選出 “答題卡主體輪廓”（通常為矩形，即 4 個頂點）：

"""-----2. 輪廓提取與篩選-----"""
# 2.1 提取輪廓（RETR_EXTERNAL：僅保留最外層輪廓；CHAIN_APPROX_SIMPLE：簡化輪廓點）
# OpenCV 3.x返回值為 (_, cnts, _)，OpenCV 4.x返回值為 (cnts, _)，此處兼容3.x
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]
# 2.2 繪制所有輪廓（紅色，線寬3），查看輪廓提取效果
cv2.drawContours(contours_img, cnts, -1, (0, 0, 255), 3)
cv_show('All Contours (所有輪廓)', contours_img)# 2.3 篩選答題卡輪廓（按面積降序排序，優先保留大面積輪廓）
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
doc_cnt = None  # 存儲答題卡的最終輪廓for c in cnts:# 計算輪廓周長（True表示輪廓閉合）peri = cv2.arcLength(c, True)# 輪廓近似（0.02*peri：近似精度，值越小越接近原始輪廓）approx = cv2.approxPolyDP(c, 0.02 * peri, True)# 答題卡為矩形，近似后輪廓應包含4個頂點if len(approx) == 4:doc_cnt = approxbreak# 繪制篩選出的答題卡輪廓（綠色，線寬2）
cv2.drawContours(image, [doc_cnt], -1, (0, 255, 0), 2)
cv_show('Answer Sheet Contour (答題卡輪廓)', image)

輪廓入戲：

3. 輪廓提取與篩選

邊緣檢測后，需要從邊緣圖中提取閉合輪廓，并篩選出 “答題卡主體輪廓”（通常為矩形，即 4 個頂點）：

"""-----2. 輪廓提取與篩選-----"""
# 2.1 提取輪廓（RETR_EXTERNAL：僅保留最外層輪廓；CHAIN_APPROX_SIMPLE：簡化輪廓點）
# OpenCV 3.x返回值為 (_, cnts, _)，OpenCV 4.x返回值為 (cnts, _)，此處兼容3.x
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]
# 2.2 繪制所有輪廓（紅色，線寬3），查看輪廓提取效果
cv2.drawContours(contours_img, cnts, -1, (0, 0, 255), 3)
cv_show('All Contours (所有輪廓)', contours_img)# 2.3 篩選答題卡輪廓（按面積降序排序，優先保留大面積輪廓）
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
doc_cnt = None  # 存儲答題卡的最終輪廓for c in cnts:# 計算輪廓周長（True表示輪廓閉合）peri = cv2.arcLength(c, True)# 輪廓近似（0.02*peri：近似精度，值越小越接近原始輪廓）approx = cv2.approxPolyDP(c, 0.02 * peri, True)# 答題卡為矩形，近似后輪廓應包含4個頂點if len(approx) == 4:doc_cnt = approxbreak# 繪制篩選出的答題卡輪廓（綠色，線寬2）
cv2.drawContours(image, [doc_cnt], -1, (0, 255, 0), 2)
cv_show('Answer Sheet Contour (答題卡輪廓)', image)

4. 透視變換（矯正傾斜答題卡）

實際拍攝的答題卡可能存在傾斜，透視變換可將 “傾斜的矩形” 轉為 “正對著鏡頭的矩形”，方便后續選項定位：

• 第一步：定義order_points函數，將 4 個頂點按 “左上→右上→右下→左下” 排序
• 第二步：定義four_point_transform函數，計算透視變換矩陣并應用變換

"""-----3. 透視變換（矯正答題卡）-----"""
def order_points(pts):"""將4個頂點按“左上(tl)→右上(tr)→右下(br)→左下(bl)”排序"""rect = np.zeros((4, 2), dtype="float32")  # 初始化排序后的坐標# 1. 左上點：x+y最小；右下點：x+y最大s = pts.sum(axis=1)  # 每個點的x+y求和rect[0] = pts[np.argmin(s)]  # 左上(tl)rect[2] = pts[np.argmax(s)]  # 右下(br)# 2. 右上點：x-y最小；左下點：x-y最大diff = np.diff(pts, axis=1)  # 每個點的x-y差值（axis=1：按行計算后一列減前一列）rect[1] = pts[np.argmin(diff)]  # 右上(tr)rect[3] = pts[np.argmax(diff)]  # 左下(bl)return rectdef four_point_transform(image, pts):"""透視變換：將傾斜的答題卡轉為正視圖"""# 步驟1：獲取排序后的4個頂點rect = order_points(pts)tl, tr, br, bl = rect  # 解包頂點坐標# 步驟2：計算目標圖像的寬度和高度（取最大值確保覆蓋完整答題卡）# 寬度：右下→左下 的水平距離 / 右上→左上 的水平距離width_a = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))width_b = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))max_width = max(int(width_a), int(width_b))  # 目標寬度# 高度：右上→右下 的垂直距離 / 左上→左下 的垂直距離height_a = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))height_b = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))max_height = max(int(height_a), int(height_b))  # 目標高度# 步驟3：定義目標圖像的4個頂點（正視圖的四個角）dst = np.array([[0, 0],                  # 左上[max_width - 1, 0],      # 右上（-1是因為像素索引從0開始）[max_width - 1, max_height - 1],  # 右下[0, max_height - 1]      # 左下], dtype="float32")# 步驟4：計算透視變換矩陣M，應用變換得到正視圖M = cv2.getPerspectiveTransform(rect, dst)  # 生成3x3變換矩陣warped = cv2.warpPerspective(image, M, (max_width, max_height))  # 執行變換return warped# 執行透視變換（doc_cnt是答題卡的4個頂點，需轉為float32格式）
warped = four_point_transform(image, doc_cnt.reshape(4, 2))
cv_show('Warped Sheet (矯正后答題卡)', warped)

5. 閾值處理（突出填涂區域）

矯正后的答題卡仍為灰度圖，通過 “閾值二值化” 將圖像轉為 “非黑即白”，讓填涂的選項（深色）與空白選項（白色）對比更強烈：

"""-----4. 閾值處理（突出填涂區域）-----"""
# 5.1 將矯正后的彩色圖轉為灰度圖
warped_gray = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
# 5.2 二值化（THRESH_BINARY_INV：黑白反轉；THRESH_OTSU：自動計算最佳閾值）
# 效果：填涂區域為白色（255），空白區域為黑色（0）
thresh = cv2.threshold(warped_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show('Thresholded (二值化結果)', thresh)# 備份二值化圖像，用于后續繪制選項輪廓
thresh_copy = thresh.copy()

6. 提取選項圓圈輪廓

答題卡每道題包含 5 個圓形選項，需從二值化圖中提取這些圓圈輪廓，并篩選出 “符合選項大小” 的輪廓：

"""-----5. 提取選項圓圈輪廓-----"""
# 6.1 提取二值化圖中的所有輪廓（僅保留最外層輪廓）
option_cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1]
# 6.2 繪制所有輪廓（綠色，線寬1），查看選項定位效果
warped_with_options = cv2.drawContours(warped.copy(), option_cnts, -1, (0, 255, 0), 1)
cv_show('All Option Contours (所有選項輪廓)', warped_with_options)# 6.3 篩選“有效選項輪廓”（排除過小/過扁的干擾輪廓）
valid_option_cnts = []
for c in option_cnts:# 獲取輪廓的邊界矩形（x：左上角x坐標，y：左上角y坐標，w：寬度，h：高度）x, y, w, h = cv2.boundingRect(c)# 計算寬高比（圓形的寬高比接近1）aspect_ratio = w / float(h)# 篩選條件：寬度≥20px、高度≥20px、寬高比0.9~1.1（接近圓形）if w >= 20 and h >= 20 and aspect_ratio >= 0.9 and aspect_ratio <= 1.1:valid_option_cnts.append(c)# 繪制篩選后的有效選項輪廓（紅色，線寬1）
warped_valid_options = cv2.drawContours(warped.copy(), valid_option_cnts, -1, (0, 0, 255), 1)
cv_show('Valid Option Contours (有效選項輪廓)', warped_valid_options)

? ? ? ? ? ? ? ?

7. 選項輪廓排序（按題目順序排列）

提取的選項輪廓可能雜亂無章，需按 “從上到下、從左到右” 排序，確保與題目順序對應：

"""-----6. 選項輪廓排序（按題目順序）-----"""
def sort_contours(cnts, method='left-to-right'):"""按指定方向排序輪廓：left-to-right（左右）、top-to-bottom（上下）"""reverse = False  # 是否反向排序axis = 0         # 排序依據的軸（0：x軸，1：y軸）# 1. 確定排序方向和軸if method in ['right-to-left', 'bottom-to-top']:reverse = True  # 反向排序（從右到左/從下到上）if method in ['top-to-bottom', 'bottom-to-top']:axis = 1  # 按y軸排序（上下方向）# 2. 為每個輪廓創建“邊界矩形”，按矩形的x/y軸坐標排序bounding_boxes = [cv2.boundingRect(c) for c in cnts]  # 每個輪廓的邊界矩形# 按“邊界矩形的指定軸”排序（zip：將輪廓與矩形綁定；sorted：按軸排序）cnts, bounding_boxes = zip(*sorted(zip(cnts, bounding_boxes),key=lambda b: b[1][axis],  # 排序鍵：矩形的axis軸坐標（x或y）reverse=reverse))return cnts, bounding_boxes# 7.1 先按“從上到下”排序（每道題的5個選項為一組）
sorted_option_cnts, _ = sort_contours(valid_option_cnts, method='top-to-bottom')
# 7.2 繪制排序后的輪廓（藍色，線寬1）
warped_sorted_options = cv2.drawContours(warped.copy(), sorted_option_cnts, -1, (255, 0, 0), 1)
cv_show('Sorted Option Contours (排序后選項輪廓)', warped_sorted_options)

8. 識別填涂答案與標準答案比對
核心邏輯：通過 “掩膜 + 像素計數” 識別每道題的填涂選項，再與標準答案對比，標記對錯：
? 掩膜（mask）：為每個選項創建 “僅包含該選項的黑白圖”
? 像素計數：填涂選項的白色像素（255）數量遠多于空白選項，以此定位填涂位置

"""-----7. 答案識別與比對-----"""
# 8.1 定義標準答案（鍵：題序號0~4，值：正確選項序號0~4，對應每道題的5個選項）
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}
correct_count = 0  # 正確題數
warped_result = warped.copy()  # 用于繪制結果的圖像# 8.2 按“每5個選項一組”遍歷（每道題對應5個選項）
for (question_idx, i) in enumerate(np.arange(0, len(sorted_option_cnts), 5)):# 取當前題的5個選項輪廓，按“從左到右”排序current_question_cnts, _ = sort_contours(sorted_option_cnts[i:i+5], method='left-to-right')bubbled_idx = None  # 存儲當前題的填涂選項序號（0~4）# 遍歷當前題的5個選項，找到填涂的選項for (option_idx, c) in enumerate(current_question_cnts):# 步驟1：為當前選項創建掩膜（僅該選項區域為白色，其余為黑色）mask = np.zeros(thresh.shape, dtype="uint8")cv2.drawContours(mask, [c], -1, 255, -1)  # -1表示填充輪廓內部# cv_show(f'Option {option_idx} Mask (選項{option_idx}掩膜)', mask)# 步驟2：掩膜與二值化圖做“與運算”，僅保留當前選項的填涂區域masked_thresh = cv2.bitwise_and(thresh, thresh, mask=mask)# cv_show(f'Masked Thresh (選項{option_idx}與運算結果)', masked_thresh)# 步驟3：計算白色像素數量（填涂區域的像素數）white_pixel_count = cv2.countNonZero(masked_thresh)# 步驟4：確定填涂選項（白色像素最多的選項即為填涂選項）if bubbled_idx is None or white_pixel_count > bubbled_idx[0]:bubbled_idx = (white_pixel_count, option_idx)  # (像素數, 選項序號)# 8.3 與標準答案比對，標記對錯correct_option_idx = ANSWER_KEY[question_idx]  # 當前題的正確選項序號if bubbled_idx[1] == correct_option_idx:# 正確：綠色輪廓（線寬2），正確題數+1color = (0, 255, 0)correct_count += 1else:# 錯誤：紅色輪廓（線寬2）color = (0, 0, 255)# 繪制當前題的正確選項輪廓（標記對錯）cv2.drawContours(warped_result, [current_question_cnts[correct_option_idx]], -1,

最終結果如下：