Python OpenCV+imutils阅卷程序：无法识别整张试卷仅检测单个矩形

你的问题核心是试卷边框较弱时，当前预处理流程没能有效提取整张试卷的轮廓，导致程序优先识别了内部面积较大的题目区域。可以通过优化预处理步骤、调整轮廓筛选逻辑来实现整张试卷的四顶点检测，具体方案如下：

关键改进点 #

• 替换Canny边缘检测为自适应阈值二值化：更适合处理光照不均、边框较弱的场景，能突出试卷的整体轮廓。
• 添加形态学闭操作：填充边缘间隙，强化试卷边框的连通性。
• 增加轮廓面积过滤：排除面积远小于试卷的小轮廓，避免干扰。
• 微调多边形近似的精度参数：适配弱边框的轮廓特征。

修改后的完整代码 #

# Import libraries
import cv2
import numpy as np
import imutils
from imutils import contours
from imutils.perspective import four_point_transform

# 读取并预处理图像
image = cv2.imread("test4.jpg")
# 缩放图像（可选，根据实际分辨率调整，便于处理）
image = imutils.resize(image, height=800)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 用自适应阈值替代Canny，更适合弱边框场景
thresh = cv2.adaptiveThreshold(
    gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2
)

# 形态学闭操作：填充边框间隙，强化连通性
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

# 查找轮廓
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
docCnt = None

# 筛选轮廓：优先找面积足够大的四边形
if len(cnts) > 0:
    # 按面积降序排序
    cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
    # 获取图像面积，设置最小面积阈值（比如图像的30%，可根据实际调整）
    image_area = image.shape[0] * image.shape[1]
    min_area = image_area * 0.3
    
    for c in cnts:
        # 计算轮廓周长
        peri = cv2.arcLength(c, True)
        # 调整近似精度（0.03*peri比0.02更宽松，适配弱边框）
        approx = cv2.approxPolyDP(c, 0.03 * peri, True)
        # 筛选条件：四边形+面积足够大
        if len(approx) == 4 and cv2.contourArea(c) > min_area:
            docCnt = approx
            break

# 执行透视变换（先判断是否找到有效轮廓）
if docCnt is not None:
    paper = four_point_transform(image, docCnt.reshape(4, 2))
    warped = four_point_transform(gray, docCnt.reshape(4, 2))
    
    # 绘制试卷轮廓
    cv2.drawContours(image, [docCnt], -1, (0, 255, 0), 3)
    cv2.imwrite("Contours.jpg", image)
    
    # 显示结果
    cv2.imshow("Original with Contour", image)
    cv2.imshow("Top-Down View", paper)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
else:
    print("未检测到试卷轮廓，请调整预处理参数或检查图像")

代码解释 #

1. 自适应阈值：通过cv2.adaptiveThreshold根据局部区域的光照情况生成二值图像，能有效保留弱边框，避免Canny阈值固定导致的边缘丢失。
2. 形态学闭操作：用矩形核填充边框的细小间隙，让试卷的轮廓更连贯，便于轮廓检测。
3. 面积过滤：设置最小面积阈值为图像面积的30%，直接排除内部题目区域这类小轮廓，确保优先处理试卷本身。
4. 多边形近似精度调整：将0.02 * peri改为0.03 * peri，降低近似精度要求，更容易把弱边框的轮廓拟合为四边形。

如果试卷边框极不明显，还可以尝试以下额外优化：

• 调整自适应阈值的blockSize（比如改为15）和C值（比如改为3），适配不同光照。
• 在形态学操作后添加一次膨胀操作，进一步强化边框。
• 尝试先对图像做灰度直方图均衡化（cv2.equalizeHist(gray)），提升对比度后再做预处理。

内容的提问来源于stack exchange，提问作者mranonymous7122