Python 如何使用OpenCV检测/查找复选框轮廓

我有几个图像，我需要通过使用计算机视觉检测复选框来进行OMR

我使用findContours仅在扫描文档中的复选框上绘制轮廓。但是该算法提取文本的每个轮廓

从imutils.perspective导入四点变换
从imutils导入等高线
将numpy作为np导入
导入argparse、imutils、cv2、matplotlib
将matplotlib.pyplot作为plt导入
将matplotlib.image导入为mpimg
image=cv2.imread（“1.jpg”）
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
模糊=cv2.高斯模糊（灰色，（5,5,0）
边缘=cv2.Canny（模糊，75200）
im_检验=[模糊，cv2.高斯模糊（灰色，（7,7,0），cv2.高斯模糊（灰色，（5,5,5），cv2.高斯模糊（灰色，（11,11,0）]
im_thresh=[cv2.im_测试中i的阈值（i，127255，0）]
im_thresh_0=[i[1]表示im_thresh中的i]
im_cnt=[cv2.findContours（thresh，cv2.RETR_TREE，cv2.CHAIN_APPROX_SIMPLE）[0]用于im_thresh_0中的thresh]
im_Drawed=[cv2.drawContours（image.copy（），轮廓，-1，（0255,0），1）用于im_cnt中的轮廓]
plt.imshow（im\u绘制[0]）
plt.show（）

---

输入图像：

很好。。。复选框是否始终位于图像的该区域？复选框始终保持图像上相同大小的区域

如果是，则只能在图像的该区域中运行findContours

---

或者模板匹配多个对象，例如OpenCV文档：

因为我们只想检测复选框，所以想法是使用两种过滤方法将所需框与单词分离。在预处理和找到轮廓后，我们可以迭代每个轮廓并应用过滤器。我们使用最小和最大阈值级别，然后使用计算纵横比，因为正方形的纵横比接近1

为了检测图像中的边缘，我们可以使用 这就产生了这个图像。注意如何检测所有轮廓，包括单词和复选框

接下来，我们迭代每个检测到的轮廓，并使用阈值面积和纵横比进行过滤。使用此方法，检测到所有52个复选框

输出

（'checkbox_contours'，52）

为了防止潜在的误报，我们可以添加第三个过滤器，以确保每个轮廓有四个点（更有可能是正方形）。如果输入图像是从某个角度拍摄的，我们可以使用a作为预处理步骤来获得图像的鸟瞰图

另一个输入图像集

输出

（“复选框”2）

代码

将numpy导入为np
导入imutils，cv2
原始图像=cv2.imread（“1.jpg”）
image=original\u image.copy（）
灰色=cv2.CVT颜色（图像，cv2.COLOR\u BGR2GRAY）
模糊=cv2.高斯模糊（灰色，（5,5,0）
边缘=cv2.Canny（模糊，120255，1）
cv2.imshow（“边缘”，边缘）
cnts=cv2.findContours（edge.copy（）、cv2.RETR\u EXTERNAL、cv2.CHAIN\u APPROX\u SIMPLE）
cnts=imutils.GRAP_轮廓（cnts）
复选框_等高线=[]
阈值\最大\面积=250
阈值最小面积=200
轮廓\图像=边缘。复制（）
对于碳纳米管中的碳：
peri=cv2.弧长（c，真）
近似值=cv2.近似聚合度（c，0.035*peri，真）
（x，y，w，h）=cv2.边界矩形（近似值）
纵横比=宽/浮点数（h）
面积=cv2。轮廓面积（c）
如果面积<阈值\最大值\面积和面积>阈值\最小值\面积和（纵横比>=0.9和纵横比每个文档在不同区域都有复选框，其中一些复选框水平、垂直或与文本组合对齐。此外，我尝试构建的解决方案需要无模板。这是一个形状检测器示例，您可以使用该示例仅检测正方形（您的复选框）：希望有帮助…已经参考了该示例和stackoverflow中的大量线程。但是我仍然无法找到如何避免文本区域。谢谢。但是当我在真实数据上尝试代码时，它仍然不起作用。尝试调整阈值和近似输入图像的长度。图像：对我有效，请尝试更改
阈值\u max_面积
到3000。我用这个新输入添加了输出image@nathancy，这看起来很棒。但是，有没有办法识别复选框是否被选中？@Kalaschnik是的，同样的问题，你有没有找到办法？
import numpy as np
import imutils, cv2

original_image = cv2.imread("1.jpg")
image = original_image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(blurred, 120, 255, 1)

cv2.imshow("edged", edged)

cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)

checkbox_contours = []

threshold_max_area = 250
threshold_min_area = 200
contour_image = edged.copy()

for c in cnts:
    peri = cv2.arcLength(c, True)
    approx = cv2.approxPolyDP(c, 0.035 * peri, True)
    (x, y, w, h) = cv2.boundingRect(approx)
    aspect_ratio = w / float(h)
    area = cv2.contourArea(c) 
    if area < threshold_max_area and area > threshold_min_area and (aspect_ratio >= 0.9 and aspect_ratio <= 1.1):
        cv2.drawContours(original_image,[c], 0, (0,255,0), 3)
        checkbox_contours.append(c)

print('checkbox_contours', len(checkbox_contours))
cv2.imshow("checkboxes", original_image)
cv2.waitKey(0)

import cv2

# Load image, convert to grayscale, Otsu's threshold
image = cv2.imread("1.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# Find contours, filter using contour approximation, aspect ratio, and contour area
threshold_max_area = 550
threshold_min_area = 100
cnts = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    peri = cv2.arcLength(c, True)
    approx = cv2.approxPolyDP(c, 0.035 * peri, True)
    x,y,w,h = cv2.boundingRect(approx)
    aspect_ratio = w / float(h)
    area = cv2.contourArea(c) 
    if len(approx) == 4 and area < threshold_max_area and area > threshold_min_area and (aspect_ratio >= 0.9 and aspect_ratio <= 1.1):
        cv2.rectangle(image, (x, y), (x + w, y + h), (36,255,12), 2)

cv2.imshow("image", image)
cv2.imshow("thresh", thresh)
cv2.waitKey()