CN113673428A - 一种答题卡图片中自动识别的方法 - Google Patents
一种答题卡图片中自动识别的方法 Download PDFInfo
- Publication number
- CN113673428A CN113673428A CN202110961381.XA CN202110961381A CN113673428A CN 113673428 A CN113673428 A CN 113673428A CN 202110961381 A CN202110961381 A CN 202110961381A CN 113673428 A CN113673428 A CN 113673428A
- Authority
- CN
- China
- Prior art keywords
- image
- answer sheet
- corners
- steps
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
一种答题卡图片中自动识别的方法，包括：生成答题卡模板，设定答题卡样式；获取答题卡图像数据；对所获取的答题卡图像数据进行图像处理，得到答题卡图像的反二值化图像t Image；将得到的反二值化图像进行伸缩处理，并识别出答题卡四个角的识别点；确认题卡四个角的圆心坐标；对答题卡反二值化图像t Image进行透视变换，校正图像，同时生成反二值化图像t2Image；将答题卡图像分出多个区块，对所有区块的图像进行矫正；提取用户涂取的区域，生成用户填涂结果。本发明克服了现有技术的不足，通过对学生答题卡照片进行自动识别，使得老师仅需一部手机，即可自动批改，对纸张材料、大小均无要求，从而大大节约了用户的使用成本。
Description
技术领域
本发明涉及数字图像处理技术领域，具体涉及一种答题卡图片中自动识别的方法。
背景技术
数字化时代的来临使得教育行业选择判断题的批改进入自动化，然而对于老师老说，批改答题卡绝非易事，不是每一个学校都能够购买阅卷机设备，而且阅卷机设备对填涂答案的答题卡纸质要求严格，需要使用定制的纸张，密度、挺度、平滑度等都有要求，否则会出现过机不顺或者机器扫描不准确的情况。按照目前的实际情况，几乎没有学校会允许老师日常使用阅卷机设备去批改日常的作业，测验。
发明内容
针对现有技术的不足，本发明提供了一种答题卡图片中自动识别的方法，克服了现有技术的不足，设计合理，通过对学生答题卡照片进行自动识别，使得老师仅需一部手机，拍摄学生填写的答题卡，即可自动批改，对纸张材料、大小均无要求，从而大大节约了用户的使用成本。使得教育行业更加轻巧、便捷。
为实现以上目的，本发明通过以下技术方案予以实现：
一种答题卡图片中自动识别的方法，包括以下步骤：
步骤S1：生成答题卡模板，设定答题卡样式；
步骤S2：移动终端先通过图像采集设备对已完成作答的答题卡进行拍照，获取答题卡图像数据；
步骤S3：对所获取的答题卡图像数据进行图像处理，得到答题卡图像的反二值化图像t Image；
步骤S4：将得到的反二值化图像t Image由50％尺寸到200％尺寸进行伸缩，按10％的变化粒度匹配答题卡识别点P0，直到匹配识别出答题卡四个角的识别点P1,P2,P3,P4；
步骤S5：连接答题卡的四个角，矫正图形使之二分之一长高位置、四角连线交点、识别中心黑点重合，依次可以确认P1、P2、P3、P4的圆心坐标；
步骤S6：通过步骤S5中P1、P2、P3、P4的四个圆心坐标位置，以P1点圆心为原点，对答题卡反二值化图像t Image进行透视变换，校正图像，同时生成一张以四个识别点为基准的标准答题卡反二值化图像t2 Image；
步骤S7：根据题目数量的不同，将答题卡图像分出多个区块，通过每个区块四个角上的实心黑点，对所有区块的图像进行矫正；
步骤S8：通过步骤S6得到的反二值化图像t2 Image，与创建答题卡时模板内各项题目中内容的坐标参数，进行扫描，提取用户涂取的区域，生成用户填涂结果。
优选地，所述步骤S3中对所获取的答题卡图像数据进行图像处理，得到答题卡图像的反二值化图像t Image；具体包括以下步骤：
步骤S31：对答题卡图像数据进行灰度模式加载；
步骤S32：对灰度模式加载后图像，按照图片尺寸的不同分割不同数量的子图片，计算分割后局部图片的色彩阈值，根据色彩阈值进行反二值化，使之图片降噪，公式如下：
其中：
得到答题卡图像的反二值化图像t Image；
步骤S33：对反二值化图像t Image进行膨胀腐蚀操作，去掉孤立点，得到更新后的反二值化图像t Image。
优选地，所述步骤S6中对答题卡反二值化图像t Image进行透视变换，校正图像，其计算方法为坐标向量和变换矩阵的乘积，就是矩阵运算。
优选地，所述步骤S7中通过每个区块四个角上的实心黑点，对所有区块的图像进行矫正；具体包括以下步骤：
步骤S71：根据实际图像坐标点中四个角上的实心黑点的位置，去相应坐标匹配原点下方的两个黑点以及该黑点下方的另外两个黑点；
步骤S72：找到四个黑点后，按黑点所在的正确坐标矫正图像，如此反复，直至矫正图像上所有区块。
本发明提供了一种答题卡图片中自动识别的方法。具备以下有益效果：通过对学生答题卡照片进行自动识别，使得老师仅需一部手机，拍摄学生填写的答题卡，即可自动批改，对纸张材料、大小均无要求，从而大大节约了用户的使用成本。使得教育行业更加轻巧、便捷。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1本发明的步骤流程图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
如图1所示，一种答题卡图片中自动识别的方法，包括以下步骤：
步骤S1：生成答题卡模板，设定答题卡样式；
步骤S2：移动终端先通过图像采集设备对已完成作答的答题卡进行拍照，获取答题卡图像数据；
步骤S3：对所获取的答题卡图像数据进行图像处理，得到答题卡图像的反二值化图像t Image；
其中对图像处理的方法具体包括以下步骤：
步骤S31：对答题卡图像数据进行灰度模式加载；
步骤S32：对灰度模式加载后图像，按照图片尺寸的不同分割不同数量的子图片，计算分割后局部图片的色彩阈值，根据色彩阈值进行反二值化，使之图片降噪，公式如下：
其中：
得到答题卡图像的反二值化图像t Image；
步骤S33：对反二值化图像t Image进行膨胀腐蚀操作，去掉孤立点，得到更新后的反二值化图像t Image。
步骤S4：将得到的反二值化图像t Image由50％尺寸到200％尺寸进行伸缩，按10％的变化粒度匹配答题卡识别点P0，直到匹配识别出答题卡四个角的识别点P1,P2,P3,P4；
步骤S5：连接答题卡的四个角，矫正图形使之二分之一长高位置、四角连线交点、识别中心黑点重合，依次可以确认P1、P2、P3、P4的圆心坐标；
步骤S6：通过步骤S5中P1、P2、P3、P4的四个圆心坐标位置，以P1点圆心为原点，对答题卡反二值化图像t Image进行透视变换，校正图像，同时生成一张以四个识别点为基准的标准答题卡反二值化图像t2 Image；
步骤S7：根据题目数量的不同，将答题卡图像分出多个区块，通过每个区块四个角上的实心黑点，对所有区块的图像进行矫正；
步骤S8：通过步骤S6得到的反二值化图像t2 Image，与创建答题卡时模板内各项题目中内容的坐标参数，进行扫描，提取用户涂取的区域，生成用户填涂结果。
其中，步骤S6中对答题卡反二值化图像t Image进行透视变换，校正图像，其计算方法为坐标向量和变换矩阵的乘积，就是矩阵运算。
其中，步骤S7中通过每个区块四个角上的实心黑点，对所有区块的图像进行矫正；具体包括以下步骤：
步骤S71：根据实际图像坐标点中四个角上的实心黑点的位置，去相应坐标匹配原点下方的两个黑点以及该黑点下方的另外两个黑点；
步骤S72：找到四个黑点后，按黑点所在的正确坐标矫正图像，如此反复，直至矫正图像上所有区块。
本申请通过先定义模板，再进行识别答题卡的办法，模板的存在使得识别的结果准确无误，且模板可以由使用者自定义生成，在实际的教学生活中更加灵活，老师只需将生成的模板图片打印分发给学生，再通过手机扫描图片即可实现日常教学所需。并且由于答题卡打印大多为黑白纸张，局部因光线出现阴影也可能影响识别，因此通过对图片的降噪、自适应识别、自动伸缩方法，从而大大提高了识别的准确率
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种答题卡图片中自动识别的方法，其特征在于，包括以下步骤：
步骤S1：生成答题卡模板，设定答题卡样式；
步骤S2：移动终端先通过图像采集设备对已完成作答的答题卡进行拍照，获取答题卡图像数据；
步骤S3：对所获取的答题卡图像数据进行图像处理，得到答题卡图像的反二值化图像tImage；
步骤S4：将得到的反二值化图像t Image由50％尺寸到200％尺寸进行伸缩，按10％的变化粒度匹配答题卡识别点P0，直到匹配识别出答题卡四个角的识别点P1,P2,P3,P4；
步骤S5：连接答题卡的四个角，矫正图形使之二分之一长高位置、四角连线交点、识别中心黑点重合，依次可以确认P1、P2、P3、P4的圆心坐标；
步骤S6：通过步骤S5中P1、P2、P3、P4的四个圆心坐标位置，以P1点圆心为原点，对答题卡反二值化图像t Image进行透视变换，校正图像，同时生成一张以四个识别点为基准的标准答题卡反二值化图像t2 Image；
步骤S7：根据题目数量的不同，将答题卡图像分出多个区块，通过每个区块四个角上的实心黑点，对所有区块的图像进行矫正；
步骤S8：通过步骤S6得到的反二值化图像t2 Image，与创建答题卡时模板内各项题目中内容的坐标参数，进行扫描，提取用户涂取的区域，生成用户填涂结果。
2.根据权利要求1所述的一种答题卡图片中自动识别的方法，其特征在于：所述步骤S3中对所获取的答题卡图像数据进行图像处理，得到答题卡图像的反二值化图像t Image；具体包括以下步骤：
步骤S31：对答题卡图像数据进行灰度模式加载；
步骤S32：对灰度模式加载后图像，按照图片尺寸的不同分割不同数量的子图片，计算分割后局部图片的色彩阈值，根据色彩阈值进行反二值化，使之图片降噪，公式如下：
其中：
得到答题卡图像的反二值化图像t Image；
步骤S33：对反二值化图像t Image进行膨胀腐蚀操作，去掉孤立点，得到更新后的反二值化图像t Image。
3.根据权利要求1所述的一种答题卡图片中自动识别的方法，其特征在于：所述步骤S6中对答题卡反二值化图像t Image进行透视变换，校正图像，其计算方法为坐标向量和变换矩阵的乘积，就是矩阵运算。
4.根据权利要求1所述的一种答题卡图片中自动识别的方法，其特征在于：所述步骤S7中通过每个区块四个角上的实心黑点，对所有区块的图像进行矫正；具体包括以下步骤：
步骤S71：根据实际图像坐标点中四个角上的实心黑点的位置，去相应坐标匹配原点下方的两个黑点以及该黑点下方的另外两个黑点；
步骤S72：找到四个黑点后，按黑点所在的正确坐标矫正图像，如此反复，直至矫正图像上所有区块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110961381.XA CN113673428A (zh) | 2021-08-20 | 2021-08-20 | 一种答题卡图片中自动识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110961381.XA CN113673428A (zh) | 2021-08-20 | 2021-08-20 | 一种答题卡图片中自动识别的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113673428A true CN113673428A (zh) | 2021-11-19 |
Family
ID=78544596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110961381.XA Pending CN113673428A (zh) | 2021-08-20 | 2021-08-20 | 一种答题卡图片中自动识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673428A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205562A (zh) * | 2022-07-22 | 2022-10-18 | 四川云数赋智教育科技有限公司 | 一种基于特征点的任意试卷配准方法 |
-
2021
- 2021-08-20 CN CN202110961381.XA patent/CN113673428A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205562A (zh) * | 2022-07-22 | 2022-10-18 | 四川云数赋智教育科技有限公司 | 一种基于特征点的任意试卷配准方法 |
| CN115205562B (zh) * | 2022-07-22 | 2023-03-14 | 四川云数赋智教育科技有限公司 | 一种基于特征点的任意试卷配准方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815932B (zh) | 一种试卷批改方法、装置、电子设备及存储介质 | |
| CN104143094B (zh) | 一种无需答题卡的试卷自动阅卷处理方法及系统 | |
| CN111160352B (zh) | 一种基于图像分割的工件金属表面文字识别方法及系统 | |
| CN110008933A (zh) | 一种通用智能阅卷系统和方法 | |
| CN107657255B (zh) | 网络阅卷方法、装置、可读存储介质以及电子设备 | |
| CN110674815A (zh) | 基于深度学习关键点检测的发票图像畸变校正方法 | |
| CN110956138B (zh) | 一种基于家教设备的辅助学习方法及家教设备 | |
| CN111242045A (zh) | 自动化作业习题对错指示方法及系统 | |
| CN109886257B (zh) | 一种ocr系统中采用深度学习矫正发票图片分割结果的方法 | |
| CN108805519A (zh) | 纸质日程表电子化生成方法、装置及电子日程表生成方法 | |
| CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
| CN106815814B (zh) | 一种应用于阅卷系统的图像污染处理方法 | |
| CN111915635A (zh) | 支持自阅卷的试题解析信息生成方法及系统 | |
| CN113592735A (zh) | 文本页面图像还原方法及系统、电子设备和计算机可读介质 | |
| CN110555375A (zh) | 答题卡填涂信息的识别方法 | |
| CN113673428A (zh) | 一种答题卡图片中自动识别的方法 | |
| CN103530625A (zh) | 一种基于数字图像处理的光学字符识别方法 | |
| CN114463770A (zh) | 一种用于普遍试卷题目的智能切题方法 | |
| CN110705442A (zh) | 一种试卷答案自动获取方法、终端设备及存储介质 | |
| CN107067399A (zh) | 一种试卷图像分割处理方法 | |
| CN110298236A (zh) | 一种基于深度学习的盲文图像自动识别方法和系统 | |
| CN106803238B (zh) | 一种答题卡图像降噪处理方法 | |
| CN113903039A (zh) | 一种基于颜色的答题卡答案区域采集的方法 | |
| CN107045635A (zh) | 一种网上阅卷系统的试卷图像分页分题处理方法 | |
| CN207993034U (zh) | 一种基于计算机视觉技术的课堂作业本识别系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |