基于Python的答题卡识别评分系统
基于Python的答题卡识别评分系统是一个涉及图像处理和机器学习的毕业设计项目。这个系统可以通过对答题卡上的选项进行自动识别和评分，大大提高评卷的效率和准确性。
以下是一个简单的项目框架和步骤，供您参考：
- 需求分析：首先，明确系统的需求，例如支持哪些类型的答题卡、识别速度、准确性要求等。
- 系统设计：
- 图像采集：使用Python中的图像处理库（如OpenCV）来获取答题卡的图像。
- 图像预处理：进行灰度化、二值化、去噪等操作，以便更好地识别答题卡。
- 特征提取：根据答题卡的特点，提取出用于识别的特征，如矩形的边缘、颜色等。
- 分类器设计：选择合适的机器学习算法（如SVM、神经网络等）来训练分类器，用于识别答题卡上的选项。
- 系统实现：
- 界面设计：可以设计一个简单的图形用户界面（GUI），方便用户上传答题卡图像和查看评分结果。
- 代码实现：根据设计，使用Python编写代码实现各个功能模块。
- 测试与优化：
- 测试：使用不同类型和质量的答题卡图像进行测试，确保系统的识别准确率和鲁棒性。
- 优化：根据测试结果，对系统进行优化，例如调整参数、改进算法等。
import cv2
import numpy as np
import tkinter as tk
from tkinter import filedialog, messagebox, ttk
from PIL import Image, ImageTk
import matplotlib.pyplot as plt
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
import os
class AnswerSheetScanner:
def __init__(self):
# 正确答案（假设有20道选择题，每题5个选项）
self.ANSWER_KEY = {
0: 1, # 第1题答案：B (0=A, 1=B, 2=C, 3=D, 4=E)
1: 4, # 第2题答案：E
2: 0, # 第3题答案：A
3: 2, # 第4题答案：C
4: 3, # 第5题答案：D
5: 1, # 第6题答案：B
6: 0, # 第7题答案：A
7: 2, # 第8题答案：C
8: 3, # 第9题答案：D
9: 1, # 第10题答案：B
10: 4, # 第11题答案：E
11: 0, # 第12题答案：A
12: 2, # 第13题答案：C
13: 1, # 第14题答案：B
14: 3, # 第15题答案：D
15: 4, # 第16题答案：E
16: 0, # 第17题答案：A
17: 2, # 第18题答案：C
18: 1, # 第19题答案：B
19: 3 # 第20题答案：D
}
# 每道题的分值（假设每题5分）
self.POINTS_PER_QUESTION = 5
# 答题卡布局参数
self.TOTAL_QUESTIONS = 20
self.QUESTIONS_PER_ROW = 5
self.OPTIONS_PER_QUESTION = 5 # A, B, C, D, E
def preprocess_image(self, image_path):
"""图像预处理：加载、灰度化、二值化、去噪"""
# 读取图像
image = cv2.imread(image_path)
if image is None:
raise ValueError("无法加载图像，请检查文件路径")
# 保存原始图像用于显示
original = image.copy()
# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 高斯模糊去噪
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
# 自适应二值化
thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
return original, gray, thresh
def find_answer_sheet_contour(self, thresh):
"""寻找答题卡轮廓"""
# 寻找轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 按面积排序轮廓
contours = sorted(contours, key=cv2.contourArea, reverse=True)
# 获取答题卡轮廓（假设最大的轮廓是答题卡）
answer_sheet_contour = None
for contour in contours:
# 计算轮廓周长
perimeter = cv2.arcLength(contour, True)
# 多边形近似
approx = cv2.approxPolyDP(contour, 0.02 * perimeter, True)
# 如果是四边形（答题卡轮廓）
if len(approx) == 4:
answer_sheet_contour = approx
break
return answer_sheet_contour
def four_point_transform(self, image, pts):
"""透视变换，将答题卡转换为正视图"""
# 将点排序：左上、右上、右下、左下
rect = self.order_points(pts)
(tl, tr, br, bl) = rect
# 计算新图像的宽度
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))
# 计算新图像的高度
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))
# 定义目标点
dst = np.array([
[0, 0],
[maxWidth - 1, 0],
[maxWidth - 1, maxHeight - 1],
[0, maxHeight - 1]
], dtype="float32")
# 计算透视变换矩阵并应用
M = cv2.getPerspectiveTransform(rect, dst)
warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
return warped
def order_points(self, pts):
"""对四个点进行排序：左上、右上、右下、左下"""
rect = np.zeros((4, 2), dtype="float32")
# 左上角点的和最小，右下角点的和最大
s = pts.sum(axis=1)
rect[0] = pts[np.argmin(s)] # 左上
rect[2] = pts[np.argmax(s)] # 右下
# 右上角点的差最小，左下角点的差最大
diff = np.diff(pts, axis=1)
rect[1] = pts[np.argmin(diff)] # 右上
rect[3] = pts[np.argmax(diff)] # 左下
return rect
def extract_answer_regions(self, warped):
"""提取答题区域"""
# 转换为灰度图
gray_warped = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)
# 二值化
thresh_warped = cv2.threshold(gray_warped, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
# 定义答题区域（假设答题卡有20题，每行5题，每题5个选项）
height, width = thresh_warped.shape
question_height = height // 5 # 5行题目
question_width = width // 5 # 5列题目
# 存储每个选项的区域
answer_regions = []
# 遍历每个问题
for q in range(self.TOTAL_QUESTIONS):
