简介一套基于Python与OpenCV的答题卡识别判卷源码及配套资料面向需要批量处理标准化答题卡的教育机构、数据分析人员以及希望通过项目实战掌握图像识别算法的开发者与初学者。项目完整演示了从图像采集、预处理到特征提取与评分的流程涵盖去噪、透视变换、边缘检测、填涂区域定位和答案判定等关键环节源码结构清晰、逻辑严谨并配有详细注释便于读者逐行理解实现原理。包内共7个文件包含1个Python主程序和6张测试答题卡图片压缩包总大小3.08MB可直接运行或二次修改用于验证透视校正、阈值分割等步骤的实际效果。已有314人学习下载无论是用于教学演示还是考试批量阅卷场景都能从中获得可落地的工程参考和扩展思路。1. 答题卡识别判卷OpenCV 项目实战源码直接跑处理过 5040 张答题卡之后你大概率会跟我一样把人工录入的念头彻底掐掉。这套基于 Python OpenCV 的答题卡识别判卷源码核心就一件事:把一张拍歪了、有阴影、填涂不均匀的答题卡照片通过预处理、透视矫正、轮廓检测和像素统计最终输出每题的作答结果并换算得分。它不依赖 OCR、不依赖深度学习纯图像处理就能完成判卷意味着普通笔记本也能跑不需要 GPU。适合正在学 OpenCV 的初学者动手拆解也适合需要批量处理标准化答题卡的开发者直接改来用。源码包里除了完整的 get_answer.py 脚本还包括 6 张测试图——test_01 到 test_05 加 example_test.png每张图的光照和角度都不一样相当于自带了一套测试集你能清楚看到每一步处理对最终识别结果的影响。接下来我按实际跑通的流程把每个环节的参数和处理方法拆开讲。2. 图像预处理管线灰度、去噪、边缘检测的先后顺序不能乱2.1 为什么先灰度化再高斯模糊顺序换一下效果差异明显拿到一张答题卡照片第一步不是急着找答案区域而是把图像降到对后续处理最友好的状态。读图用cv2.imread这一步有个很多人忽略的细节OpenCV 默认读进来的是 BGR 三通道彩色图如果你的判卷逻辑只关心填涂区域的像素值直接用彩色图做阈值分割会因为颜色信息干扰而翻车。常见做法是先cv2.cvtColor转灰度把三维数据压成一维后续所有阈值操作都在单通道上进行。灰度化之后是高斯模糊这一步的目的是压制传感器噪声和纸张纹理。cv2.GaussianBlur的核大小 (kernel size) 我一般设 5x5太大容易把填涂铅笔痕迹的边缘也抹掉太小起不到去噪作用。这里有个血泪经验模糊核不要用偶数OpenCV 要求两个维度都是正奇数传 4x4 会直接报错。从灰度到模糊的顺序不能反过来——如果你先模糊再灰度等于对三通道各做一遍高斯滤波计算量大了三倍效果却没有提升。import cv2 import numpy as np # 读图 - 灰度 - 高斯模糊 image cv2.imread(images/test_01.png) gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5, 5), 0)这段代码里GaussianBlur第三个参数是高斯核在 X 方向的标准差传 0 表示让 OpenCV 根据核大小自动计算。如果你发现处理后的图像噪点仍然明显优先把核从 (5,5) 调到 (7,7)而不是去调标准差——在这个场景里核大小对结果的影响权重远大于 sigma 值。2.2 Canny 边缘检测的两个阈值怎么给直接决定透视矫正的成败边缘检测是整套流程的咽喉因为下一步要定位答题卡的四个角点而角点检测依赖边缘图。cv2.Canny需要两个阈值低阈值和高阈值。低于低阈值的边缘直接丢弃高于高阈值的确定为强边缘介于两者之间的只有在与强边缘相连时才会保留。这个滞后阈值机制意味着参数给不好要么边缘断成一截截要么噪声全被当成边缘。# Canny 边缘检测 edged cv2.Canny(blurred, 75, 200)高阈值 200、低阈值 75 是经过多张测试图验证过的配置在 test_01 到 test_05 上都能稳定提取出答题卡的四边形轮廓。如果你自己的图片对比度偏低可以把低阈值降到 50高阈值降到 150让更多弱边缘参与进来如果发现纸张纹理被误检成边缘就反方向调高。判断标准只有一个边缘图上答题卡的四条边必须是连续、闭合的否则后面的轮廓查找会找不到最外层四边形。3. 透视矫正与 ROI 定位四角点排序是翻车重灾区3.1 findContours 的返回值从 OpenCV 3 到 4 变了代码不能照抄老写法拿到边缘图后用cv2.findContours提取轮廓。这里有一个非常容易踩的版本坑OpenCV 3 之前这个函数返回三个值OpenCV 4 之后只返回两个值。网上大量老教程还在用_, contours, _ cv2.findContours(...)解包三个变量在 OpenCV 4 环境里直接报错。正确写法是# 提取轮廓OpenCV 4 返回两个值 contours, _ cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 按面积排序答题卡通常是画面里最大的四边形 contours sorted(contours, keycv2.contourArea, reverseTrue) # 取面积最大的轮廓做多边形逼近 peri cv2.arcLength(contours[0], True) approx cv2.approxPolyDP(contours[0], 0.02 * peri, True)RETR_EXTERNAL表示只提取最外层轮廓避免答题卡内部题号圆圈被误检CHAIN_APPROX_SIMPLE压缩水平、垂直和对角线段只保存端点减少后续计算量。approxPolyDP的第二个参数是逼近精度取周长比例的 0.02这个值需要根据图像分辨率微调——如果你自己拍的图是 4000x3000 级别的高清图0.02 可能让多边形有 5 个顶点以上需要适当调大到 0.03。3.2 透视变换的四个点排序错一个整个答题卡就是镜像翻转找角点只是第一步四个点的顺序必须固定下来左上、右上、右下、左下。你从轮廓里拿到的点顺序是任意的直接用会得到一张翻转或扭曲的矫正图。排序的思路是对四个点求和xy 最小的是左上xy 最大的是右下再用 x-y 最大的是右上x-y 最小的是左下。def order_points(pts): # 初始化坐标矩阵 rect np.zeros((4, 2), dtypefloat32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] # 左上xy 最小 rect[2] pts[np.argmax(s)] # 右下xy 最大 diff np.diff(pts, axis1) rect[1] pts[np.argmin(diff)] # 右上x-y 最小 rect[3] pts[np.argmax(diff)] # 左下x-y 最大 return rect排序之后通过cv2.getPerspectiveTransform计算变换矩阵再cv2.warpPerspective得到矫正后的俯视图。这里给个调试技巧把四个角点画在图上输出看一遍,用cv2.circle在每个角点上画个红点确认它们在图像的四角且顺序正确。假如你矫正后看到的是镜像文字多半是 rect[1] 和 rect[3] 写反了。3.3 划定填涂区域的网格参数项目源码里是怎么按比例分割的矫正后的图像上答题区是一块固定比例的区域。源码的做法是把图像按宽度和高度等间隔切分每个格子对应一道题的填涂区。这个方案的前提是答题卡印刷时的版面是标准的题号间距一致。# 透视矫正后的图像转灰度 warped cv2.warpPerspective(gray, M, (max_width, max_height)) # 二值化填涂区域变白背景变黑 thresh cv2.threshold(warped, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1] # 假设共 5 题每题 4 个选项划分网格 n_questions 5 n_options 4 # 每行/列的高度宽度 cell_h thresh.shape[0] // n_questions cell_w thresh.shape[1] // n_optionsOTSU 自动阈值在这里很关键,它根据像素分布自动算最佳分割阈值省去手动调参。但 OTSU 对光照不均敏感如果答题卡有一半在阴影里阈值会偏向亮度高的一侧导致填涂区域检测失败。后面避坑章节我会讲怎么处理。4. 填涂检测与判分逻辑像素统计比圆形检测更稳4.1 为什么不用 HoughCircles 直接找填涂圆圈检测项目里的实际原因是误检率很多人第一反应是用cv2.HoughCircles检测填涂的圆形然后再判断圆圈是否被涂黑。实际跑下来这个方案在真实场景里稳定性很差HoughCircles 对圆的半径范围、圆心距的敏感度极高答题卡印刷的圆圈稍微有残缺、铅笔痕迹没有完全涂满、纸张倾斜导致透视变形都会让圆心检测漂移。当你面对几百张卡时哪怕 1% 的误检率都意味着好几张卡要人工复核。源码采用的是更直接的方案对每个网格区域做像素统计网格内白色像素占比超过阈值就认为被填涂。这个方案对光照波动、填涂不完全有天然容错因为只要涂了涂痕区域的白像素数量就会远超没涂的。这跟验证码识别的思路是一致的:—纯像素统计往往比几何检测稳。4.2 单选题判分逻辑mask 与答案字典的 zip 比对判分环节把二值化后的图像按网格切分每个格子cv2.countNonZero统计白色像素数跟阈值比较得到布尔值。这套逻辑的关键是保持题目顺序和网格索引一致# 预置正确答案第 0 题选 B第 1 题选 A... ANSWER_KEY {0: 1, 1: 0, 2: 3, 3: 2, 4: 1} # 索引对应选项 A0, B1, C2, D3 correct 0 for q_idx in range(n_questions): # 取出该题所有选项的网格 for opt_idx in range(n_options): # 按行切分出当前选项的 ROI cell thresh[q_idx * cell_h:(q_idx 1) * cell_h, opt_idx * cell_w:(opt_idx 1) * cell_w] # 统计白色像素 total cv2.countNonZero(cell) if total threshold: if opt_idx ANSWER_KEY[q_idx]: correct 1 break score round(correct / n_questions * 100, 2)代码里threshold一般取 200 到 300 之间的值——注意不是像素占比而是绝对白色像素数。因为每个格子大约 60x30 1800 像素涂满时白色像素轻松过千没涂时通常只有几个噪声点。如果你发现没涂的格子也被判为填涂把 threshold 往上调到 500 就行。break放在if total threshold里是默认考生只涂一个选项遇到多选题需要去掉这个 break 并统计所有被涂的选项。4.3 测试图 example_test.png 的识别效果对照怎么判断你的参数是否合适源码自带的 example_test.png 是全部涂满的示例卡正确答案全选理论上得分 100。你可以用它做参数校验跑一遍程序得分如果不是 100逐题检查是哪个格子误判。打印每个格子的 countNonZero 值是最快的定位方式,哪一题的统计值异常就把问题范围缩小到那一行的预处理或切割参数上。5. 避坑指南五个真实踩过的坑含解决办法5.1 坑一填充色太淡导致漏判现象铅笔涂得很浅判卷时明明涂了却识别为未选。原因灰度化后填涂区域的像素值偏高OTSU 阈值把浅灰色铅笔痕归到了背景侧。解决不要直接对原始灰度图做 OTSU先做一次 CLAHE 对比度增强再二值化。cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8))能有效拉深浅色填涂和白色背景的差距。5.2 坑二拍出来的图带角度透视矫正后边角出现黑边现象矫正后的图像四周有黑色三角区切网格时把黑边也算进去了。原因cv2.warpPerspective的变换是基于原始四角点计算的如果原始拍摄角度太大矫正后的图像边缘会出现未覆盖区域。解决计算目标宽高时不要直接用cv2.boundingRect的结果手动加 20 到 30 像素的 padding确保矫正后的图像完全包住答题卡内容。5.3 坑三findContours 找到的不是答题卡而是桌面纹理现象答题卡放在木纹桌面上拍Canny 边缘图里木纹的连续线条面积比答题卡还大。原因RETR_EXTERNAL只管是否最外层管不了面积排序。解决在找最大轮廓前先cv2.GaussianBlur把核加大到 (9,9)木纹这类高频纹理会被抹掉或者按cv2.contourArea筛掉面积小于图像总面积 30% 的轮廓。5.4 坑四程序在 Windows 上报错 “module cv2 has no attribute findContours”现象代码从 OpenCV 3 教程复制在 OpenCV 4 环境跑直接 AttributeError。原因OpenCV 4.x 修改了 findContours 的返回约定旧版三返回值写法失效。解决用官方推荐的contours, hierarchy cv2.findContours(...)。如果你正在维护老代码又不想改可以在 import 时做兼容处理try: _, contours, _ cv2.findContours(...) except: contours, _ cv2.findContours(...)。5.5 坑五对同一张图改一个参数后就全部错位现象只调整了 threshold 值结果从第 3 题开始全部识别错位。原因改参数牵动了二值化结果导致 countNonZero 的判定翻转连带后续选项循环里的 break 逻辑路径改变。解决所有参数统一集中定义在脚本头部不要散落在代码里每次修改参数后先跑 example_test.png 校验整体正确率再跑真实照片。6. 批量报告生成与预处理脚本把单张识别变成可复用工具6.1 封装成函数参数配置文件 批量处理循环当你确认单张图的识别稳定后下一步是改成批量模式。我通常的做法是把预处理、透视矫正、判分三个环节各封装成一个函数用配置文件管理所有阈值参数这样新来的答题卡只需要调配置文件不用动主逻辑。def preprocess(image_path, config): img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, config[blur_kernel], 0) edged cv2.Canny(blurred, config[canny_low], config[canny_high]) return img, gray, edged def process_batch(image_paths, config): results [] for path in image_paths: img, gray, edged preprocess(path, config) # 透视矫正 网格切分 判分 # 把每张图的得分和逐题结果存进列表 results.append({file: path, score: score, details: details}) return results这种结构最大的好处是排障效率高如果批量处理 20 张图有 3 张得分异常你可以单独把这三张的 preprocess 中间结果保存下来对比正常和异常的 edge 图问题出在 Canny 阈值还是透视排序一眼就能看出来。config 用 Python dict 管理即可不需要引入复杂的 yaml 依赖。6.2 判分报告的 CSV 输出直接对接 Excel 统计批量处理的结果不能只打在控制台里我习惯顺手写个 CSVwith open(result.csv, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([文件名, 第1题, 第2题, 第3题, 第4题, 第5题, 总分]) for r in results: writer.writerow([r[file], *r[details], r[score]])这样导出的文件用 Excel 或 pandas 直接打开按分数排序、统计各题错误率都是现成的。如果你识别的是 100 题的答题卡CSV 的列数会变多但不影响程序逻辑——只要details列表顺序和题目顺序一致就行。6.3 值得改装的三个方向多选题、缺项检测、灰度化后直接跑判分这套源码的边界很清晰:单选题、固定版面、均匀光照。往里加多选支持时把判分循环里的break去掉改用集合比较多选结果缺项检测加一步全行像素统计,某行的总白色像素明显低于其他行就标记为「疑似漏涂」如果你的答题卡是扫描仪出的图而不是手机拍的灰度化后甚至可以跳过 Canny 和透视矫正直接按比例切网格速度能快三倍左右。从那以后我每次跑这套代码都会强制走一遍先用 example_test.png 校准参数再随机抽三张真实答题卡看中间结果图最后才批量跑全量数据。因为图像处理这东西参数是玄学结果才是硬道理。这套源码的价值不在它本身有多复杂而在于把完整的答题卡识别流程压缩成了一个可以直接复现的最小系统——光照、角度、填涂深浅这些问题你迟早会遇到提前在测试图上踩一遍比拿到真实考卷时再慌要划算得多。希望帮到你。本文还有配套的精品资源点击获取