一、问题提出
由于GPY进行了纠偏，所以在采集的时候，就已经获得了质量较高的答题卡图片
下一步就是需要从这张图片中，识别出人眼识别出来的那些信息，并且将这个过程尽可能地鲁棒化，提高识别的准确率。
二、思路探索
在从图片到数字的转变过程中，既是一个“量化”的过程，也是一个“降维”的过程，需要特定的角度非常重要。这就像很多人站在一起拍集体照，选择不同的角度能够得到这群人不同的像，高明的摄像师能够很快地找到角度，将所有的人都拍摄其中；我们图像处理程序也是同样的道理，有经验的工程师能够善于模式思考，快速找到解决方法的途径。
对于我们这里的这张答题卡图片，和之前的较为简单的答题卡想比较，有很多不同，比较两者的二值图片，就可以发现：
最大的不同在于没有可以供标定的
基础点。因此我们必须采用其它的方法来进行定位。
此外，答题区域为矩形密集分布，因此我想到的是直接“网格化”进行处理。
三、算法过程和主要代码
step1:灰度-二值-形态学
step2:轮廓分析
对识别出来的二值图像通过轮廓进一步地进行处理，得到下图的
识别结果，就为下一步定量打下基础
step3:模板匹配
想得到识别的结果，首先就是需要对现有的图片进行分割出来。
在没有定位点的前提下，如何准确切割？
根据以前的经验，基本的思路是这样：
a、根据模板识别，准确的获得可定位地址（比如我选择使用“选择题答题卡”几个字作为模板，得到下图定位结果，注意图中白点）；
b、而后采用经典的“纵横”方法进行识别。（这里我对各个距离进行了测量和标注）
细节：
编写以下代码：
得到以下结果：
step4:分块面积识别
直接识别划分区域的面积，得到定量结果
全图：
细节：
step5:转化得到识别结果
编写相关识别的结果为：
四、需要注意的地方：
1、模板识别对于不同尺度采集的图片，是否具有通用性。故我需要在不同的图片、不同的采集模式下进行探索；
2、目前识别出来的结果缺乏对答题结果“重复”“遗漏”情况分析；
3、
我们看见的是彩色或者灰度图像，实际上，需要识别出来的是bin区域。在实验的过程中，我们会用到“
彩色或者灰度”作为背景。
至此，复杂答题卡的算法部分基本完成。感谢阅读至此，希望有所帮助。