Optical-Mark-Recognition

vector<vector<Point>> getContours(Mat imgage)

找到使用函数findContours用于查找图像中的闭合轮廓，找到每一个轮廓计算其面积（contourArea），我们需要的标出轮廓（使用approxPolyDP进行曲线拟合），我们找到四个角点，找出涂卡区添加到返回的变量中。

void drawPoints(Mat image, vector<Point> cPoint, Scalar color)

遍历每个轮廓的4个角点，用圆画出并标出序号， circle 的FILLED参数意义为实心圆

vector<Point> reorder(vector<Point> points)

因为标号的序号是不同的，opencv的矩形标序方式是左上左下右上右下。使用sumPoints和subPoints，用于存储每个顶点的横纵坐标之和与之差。返回左上右上左下右下顺序的数组

- 找到sumPoints中最小元素对应的顶点，这是预期左上角的顶点，因为它在坐标系中通常具有最小的横纵坐标之和。
- 找到subPoints中最大元素对应的顶点，这应该是右下角的顶点，因为这个点在坐标轴方向上的差异（x-y）最大。
- 找到subPoints中最小元素对应的顶点，作为预期左下角的顶点。
- 再次找到sumPoints中最大元素对应的顶点，这将是右上角的顶点。

Mat getWarp(Mat image, vector<Point> points, float w, float h)

Mat getreWarp(Mat image, vector<Point> points, float w, float h, float sizew, float sizeh)

这两个函数是将涂卡区仿射，将涂卡区仿射成俯视图以及将俯视图仿射回原来的图，sizew，sizeh是原图大小

vector<Mat> splitBox(Mat img)

图像分割，将每一个选项都分别深拷贝一份

Mat showAnswer(Mat img, vector<int> index, vector<int> grading, vector<int> ans, int question, int choice)

答案展示，根据grading中的数据，对的为1显示绿色，错的显示红色，画圆返回

Main

首先我们可以使用摄像头也可以直接读取图片

生成灰度图imggray,生成高斯模糊图imgBlur,使用canny实现边缘检测
找到涂卡区的矩形轮廓返回四个角点到cPoint,画出全部轮廓
重新排序四个点，用红色画出涂卡区和成绩去的矩形轮廓
对涂卡区和成绩区进行仿射变换为俯视图
对两个区域进行二值化，然后分割每一个选项
将每个选项的值（因为二值化，所以途过的选项是白色的，myPixelVal输出的值为选项的白色像素点）放入myPixelVal中，然后输出每一个myPixelVal，myPixelVal越大说明我们选择了这个选项
我们将每一行的选项装进brr这个二维数组，用index来存下我们每行填涂的答案，ans存下正确的答案
我们用grading数组来存下答案是否正确，正确为1，错误为0，并用rightnum来进行评分
展示答案
使用反向仿射变换，然后将图片融合成最终结果

xxii22w / optical-mark-recognition Goto Github PK