# AnswerSheetScanner

**Repository Path**: kellyworld0/answer-sheet-scanner

## Basic Information

- **Project Name**: AnswerSheetScanner
- **Description**: 这是一个基于 OpenCV 的答题卡自动识别与阅卷系统。用户只需拍摄一张答题卡照片，程序便会自动通过边缘检测定位答题卡区域，利用透视变换将倾斜变形的图像矫正为规整视图，然后通过轮廓分析筛选出所有圆形选项，并利用掩膜技术统计每个选项的填涂像素数量，从而判断学生的作答结果，最后与标准答案比对并自动计算得分，同时在答题卡上标注出对错情况。整个流程无需人工干预，可快速、准确地完成答题卡的批阅工作。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-16
- **Last Updated**: 2026-04-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AnswerSheetScanner 📝

## 📖 项目简介

AnswerSheetScanner 是一个使用计算机视觉技术自动识别答题卡并判卷的 Python 工具。只需拍摄一张答题卡照片，系统就能自动完成答题卡定位、透视矫正、答案识别和评分全流程。

**核心流程**：矩形定位 → 透视矫正 → 圆形检测 → 答案比对 → 自动评分

## ✨ 功能特点

- 🎯 **自动定位** - 智能检测答题卡边框，从复杂背景中准确定位
- 🔧 **透视矫正** - 自动将倾斜、变形的答题卡矫正为规整矩形
- 👁️ **答案识别** - 精准识别每道题的填涂选项
- 📊 **自动判卷** - 对比标准答案，计算得分并标注错误题目
- 🎨 **可视化输出** - 在答题卡上标注正确(绿色)/错误(红色)答案

## 🛠️ 技术栈

| 技术       | 用途                 |
| ---------- | -------------------- |
| Python 3.x | 主要开发语言         |
| OpenCV 4.x | 图像处理与计算机视觉 |
| NumPy      | 数值计算与数组操作   |
| imutils    | 图像处理辅助工具     |

## 📁 项目结构

AnswerSheetScanner/
├── get_answer.py # 主程序
├── images/ # 答题卡图片存放目录
│ └── test_01.png # 测试图片示例
└── README.md # 项目说明

## 🚀 快速开始

### 环境安装

# 安装依赖包
pip install opencv-python numpy imutils

### 运行方式

bash

```
# 基本用法
python get_answer.py --image images/test_01.png

# 简写形式
python get_answer.py -i images/test_01.png
```

### 自定义正确答案

在代码中修改 `ANSWER_KEY` 字典：

```python
# 格式：{题号: 答案选项}
# 选项对应：0=A, 1=B, 2=C, 3=D, 4=E
ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}
```



## 📝 实现原理

### 1. 图像预处理

- 灰度化：将彩色图像转为灰度图
- 高斯滤波：去除图像噪声
- Canny边缘检测：提取图像边缘信息

### 2. 答题卡定位

- 轮廓检测：找出所有图像轮廓
- 多边形近似：筛选出4个顶点的矩形区域
- 透视变换：将倾斜的答题卡矫正为正向视图

### 3. 答案识别

- 二值化：使用OTSU算法将图像转为黑白
- 轮廓筛选：找出所有圆形选项（宽高比≈1:1）
- 掩膜技术：逐個统计每个选项的填涂像素数量

### 4. 自动评分

- 识别每道题被填涂的选项
- 对比预设的标准答案
- 计算得分并在答题卡上标注

## 📊 处理流程图

text

```
输入图片
    ↓
灰度化 + 高斯滤波
    ↓
Canny边缘检测
    ↓
查找答题卡矩形轮廓
    ↓
透视变换（矫正歪斜）
    ↓
OTSU二值化
    ↓
筛选圆形选项
    ↓
掩膜统计填涂结果
    ↓
对比标准答案
    ↓
输出分数 + 可视化标注
```



## ⚙️ 参数调优

如果遇到识别问题，可调整以下参数：

### Canny边缘检测阈值

```python
# 第58行附近
edged = cv2.Canny(blurred, 75, 200)
# 降低阈值：检测更多边缘（适合对比度低的图片）
# 提高阈值：检测更少边缘（适合噪声多的图片）
```



### 选项圆圈筛选条件

```python
# 第89行附近
if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
# 调整最小尺寸：根据实际答题卡选项大小
# 调整宽高比：0.8~1.2 可检测椭圆（透视矫正不完美时）
```



### 透视变换精度

```python
# 第70行附近
approx = cv2.approxPolyDP(c, 0.02 * peri, True)
# 增大0.02：更易检测到4边形（适合边缘不清晰的图片）
# 减小0.02：更精确（适合扫描的高清图片）
```



## 📌 注意事项

- ✅ 确保答题卡拍摄时光线充足、对比度清晰
- ✅ 答题卡边框需要完整出现在画面中
- ✅ 建议使用扫描仪或手机垂直拍摄以获得最佳效果
- ⚠️ 拍摄角度不宜过大，否则可能影响识别准确率
- ⚠️ 确保答题卡上的选项圆圈没有被污渍遮挡

## 🐛 常见问题

### Q: 提示 `error: (-215:Assertion failed) npoints > 0`

**A**: 未检测到轮廓，请检查：

- 图片路径是否正确
- 答题卡边框是否清晰可见
- 调整Canny阈值参数

### Q: 识别出的选项数量不对

**A**: 调整选项筛选条件：

- 修改 `w >= 20 and h >= 20` 的最小尺寸
- 调整 `ar >= 0.9 and ar <= 1.1` 的宽高比范围

### Q: 透视矫正后图像是歪的

**A**: 确保答题卡边框是完整的矩形，调整多边形近似的精度参数

## 🔮 改进方向

- 支持多页答题卡批量处理
- 添加GUI图形界面
- 支持答题卡模板自定义
- 增加答题卡二维码/考号识别
- 支持手写数字识别
- 导出评分报表（Excel/PDF）