Opencv实战：答题卡自动识别与评分系统（含完整代码解析）

1. 从零开始：为什么你需要一个自己的答题卡识别系统？

我猜点开这篇文章的你，可能是一位正在做课程设计的计算机专业学生，也可能是一位想给学校或培训机构开发个小工具的开发者，甚至可能是一位对图像处理感兴趣的编程爱好者。不管你是谁，当你面对一沓厚厚的答题卡，需要手动批改、统计分数时，心里一定想过：“这活儿能不能让电脑来干？”

答案是肯定的，而且实现起来比你想象的要简单。今天，我就带你用 OpenCV 这个强大的计算机视觉库，从零开始手把手搭建一个答题卡自动识别与评分系统。这个系统能做什么呢？简单来说，你只需要用手机或扫描仪拍一张填涂好的答题卡照片，程序就能自动识别出每道题学生选了哪个选项，然后对照标准答案一键算出分数，最后还能把结果和批改痕迹可视化地展示出来。整个过程完全自动化，准确率还很高。

你可能在网上看过一些类似的教程，但很多要么讲得太理论，一堆数学公式让人头大；要么代码写得像天书，缺胳膊少腿，根本跑不起来。我当年自己摸索的时候也踩过不少坑，比如透视变换总是不准、圆圈轮廓找不全、答案匹配老是出错等等。所以这次，我决定写一篇真正“小白友好”的实战指南，不仅会把完整的、可运行的代码给你，还会把每一步的原理、为什么要这么做、以及我踩过的那些坑都讲清楚。我们的目标是：让你看完就能动手，跑通代码，理解原理，甚至能根据自己的答题卡样式进行修改和优化。

这个项目特别适合作为OpenCV的入门实战。它几乎涵盖了图像处理最核心的几个步骤：灰度化、滤波、边缘检测、轮廓查找、透视变换、阈值分割、轮廓分析。通过这一个项目，你能把OpenCV里最常用的函数和技巧串起来用一遍，效果立竿见影。好了，废话不多说，我们直接进入正题，先从准备工作开始。

2. 环境搭建与项目初始化：五分钟搞定开发环境

工欲善其事，必先利其器。第一步，我们得把“厨房”收拾好，把需要的“食材”和“工具”备齐。别担心，整个过程非常简单，我保证即使你是刚接触Python的新手，也能跟着一步步完成。

2.1 安装Python与必备库

首先，你需要一个Python环境。我强烈推荐使用 Python 3.7 或更高的版本，太老的版本可能会遇到一些库的兼容性问题。如果你还没有安装Python，可以去官网下载安装包，记得安装时勾选“Add Python to PATH”这个选项，这样以后在命令行里用起来就方便了。

安装好Python之后，我们打开命令行工具（Windows上是CMD或PowerShell，Mac或Linux上是终端）。接下来，我们需要安装这个项目最核心的两个库：OpenCV 和 NumPy。

在命令行里，输入下面这行命令并回车：

pip install opencv-python numpy

pip 是Python的包管理工具，这行命令的意思就是让pip去帮我们把opencv-python（这是OpenCV的Python版本）和numpy（这是Python里做科学计算的基础库，OpenCV处理图像数据离不开它）下载并安装好。

安装过程可能会持续一两分钟，取决于你的网速。安装成功后，你可以验证一下。在命令行里输入python进入Python交互环境，然后分别输入import cv2和import numpy，如果不报错，就说明安装成功了。

2.2 准备你的第一张答题卡图片

库装好了，我们还需要一张用来“练手”的答题卡图片。你可以自己用Word或PS做一个简单的模板，打印出来，用笔涂黑几个选项，再用手机拍张照。为了达到最好的识别效果，拍照时请注意这几点：

1. 尽量正对着拍：手机镜头尽量垂直于答题卡平面，减少畸变。如果拍歪了也没关系，我们的程序里有透视变换步骤可以纠正，但正拍能减轻它的负担。
2. 光线要均匀：避免在强光或阴影下拍摄，确保整个答题卡受光均匀，不要有反光点。光照不均会导致二值化效果很差。
3. 背景要干净：最好把答题卡放在一个纯色（比如白色或黑色）的桌面上拍，避免背景中有复杂的纹理干扰轮廓查找。

我为你准备了一张标准的测试图片，它包含5道选择题，每道题有A、B、C、D、E五个选项。你可以先用这张图来测试，确保核心流程跑通后，再替换成自己的图片。把图片下载下来，放在你的项目文件夹里，我假设你把它命名为 test_answer_sheet.jpg。

2.3 创建项目文件与目录结构

现在，在你电脑上找一个合适的位置，新建一个文件夹，名字就叫 AnswerSheetScanner。然后在这个文件夹里，创建一个Python脚本文件，比如叫 scanner.py。我们所有的代码都将写在这个文件里。

为了管理方便，我建议你的文件夹结构是这样的：

AnswerSheetScanner/
├── scanner.py          # 主程序文件
├── test_answer_sheet.jpg # 测试用的答题卡图片
└── utils.py            # （可选）后期可以放一些自定义的函数，比如排序函数

好了，环境已经就绪，图片也已备好，我们的“厨房”可以开火了。接下来，我们就进入最核心的图像处理环节。

3. 图像预处理：把“歪歪扭扭”的图片变成“规规矩矩”的扫描件

拿到一张用手机拍摄的答题卡图片，它很可能是不规则的——有透视畸变（看起来是梯形）、有阴影、有噪点。预处理的目的，就是把这些“不合格”的原始图像，转换成一张干净、方正、只包含黑白信息的“标准扫描件”，为后续的精确识别打下坚实基础。这个过程就像在洗菜、切菜，是做出好菜的关键前提。

3.1 灰度化与降噪：剥离颜色，突出轮廓

我们首先读取图片。在 scanner.py 文件的开头，写入以下代码：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('test_answer_sheet.jpg')
# 复制一份原图，用于最后绘制结果
original = image.copy()

cv2.imread 函数读进来的图片，在OpenCV里是以BGR（蓝-绿-红）通道顺序存储的，这是一个需要注意的小细节。彩色图片包含的信息太多，对于识别轮廓来说，颜色信息反而是干扰。所以第一步，我们把它转换成灰度图：

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

cv2.cvtColor 是颜色空间转换函数，这里我们把BGR图转成了灰度图。灰度图只有一个通道，每个像素的值在0（黑）到255（白）之间，处理起来计算量小得多。

接下来是降噪。手机拍照难免会有噪点，这些随机的小白点或小黑点会在后续的边缘检测中产生大量虚假的边缘。我们用高斯模糊来平滑图像：

blurred = cv2.GaussianBlur(gray, (5, 5), 0)

cv2.GaussianBlur 是高斯滤波函数。第二个参数 (5, 5) 是卷积核的大小，必须是正奇数。数字越大，模糊效果越强。第三个参数 0 是标准差，设为0表示让OpenCV根据核大小自动计算。这一步能有效抑制噪点，让图像整体更平滑。你可以想象成给图片稍微加了一点“磨皮”效果。

3.2 边缘检测与答题卡轮廓提取：找到试卷的“边界”

降噪之后，我们就可以来寻找答题卡本身的轮廓了。我们的目标是找到那个最大的、代表整