先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新大数据全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip204888 (备注大数据)
正文
- [⭐️三、阈值处理](#_137) - [⭐️四、过滤干扰项](#_156) - [⭐️五、展示操作](#_225) - [⭐️后续问题](#_240)
在这里插入图片描述 |
🌟写在前面
光学标记识别(简称OMR)是自动分析人工标记文档并解释其结果的过程。
我们之前在20年差不多都是人工去识别判卷,那个时候一个班级的试卷需要老师花费差不多1个小时才可以判完。效率就比较低,随着这个计算机硬件和信息大爆炸时代的到来,人工智能也开始飞跃的发展。对于这个试卷的问题,我们再用人工智能去做的时候,1个小时可以判几十万或者更多的试卷。所以人工智能对人类的发展是有一个质的飞跃的。那么我们就来了解一下他是一个怎么样的过程。
🌟项目目标
我们对于一个答题卡拿来差不多是这个样子。
如果我们做一个和四六级差不多的卷子,那么我们同这个项目的原理是一致的。我们就以上图为例子来看。
项目目标:首先我们要在图片中,把试卷的区域利用透视变换给拿出来。也就是提取自己的ROI区域。然后答题卡填充的答案类似于实心的,没有填充的答案类似于是一个空心的。识别出来之后,我们要和输入的答案进行一个比较,如果对就记录下来,如果不对,那么就不记录,最后利用这个来判分。完成一个批分的功能。
1:检测图像中的检查。
2:应用透视转换以提取考试的自上而下的鸟瞰图。
3:从转换的考试的角度中提取气泡集(即可能的答案选择)。
4:将问题/气泡排序为行。
5:确定每行的标记(即“气泡”)答案。
6:在我们的答案键中查找正确答案,以确定用户的选择是否正确。
7:对考试中的所有问题重复上述步骤。
🌟项目讲解
⭐️一、数据预处理
导入参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to the input image")
args = vars(ap.parse_args())
def cv\_show(name,img):
cv2.imshow(name, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
image = cv2.imread(args["image"])
contours_img = image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
cv_show('blurred',blurred)
edged = cv2.Canny(blurred, 75, 200)
cv_show('edged',edged)
这里是一些基础的形态学操作,首先我们将图像由RGB转为gray图像,灰度图像。然后我们对灰度图像进行一个高斯滤波操作,目的就是消除掉图片中的一些噪音点,方便后期处理。
高斯滤波之后,我们又做了一次边缘检测,以75和200像素值作为阈值。对滤波后的操作进行一个边缘检测。
然后我们对边缘检测后的图像进行轮廓检测,并且画出轮廓。文档的边缘是如何清晰定义的,检查的所有四个顶点都存在于图像中。获取文档的这个轮廓非常重要,因为我们将使用它作为标记,将透视转换应用于考试,从而获得文档的自上而下的鸟瞰图。
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)[0]
cv2.drawContours(contours_img,cnts,-1,(0,0,255),3)
cv_show('contours\_img',contours_img)
这里要注意就是老版本的CV轮廓检测返回的是三个结果,而新的版本返回的是两个结果。所以我们只需要第一个结果,所以索引就是定位0,老版本就定为1.然后我们定义参数,只检测外轮廓,并且使用四个点检测轮廓的方法。完成之后我们生成的图像就是:
我们检测出来外面轮廓之后,接下来想把整个试卷拿出来,做一个透视变换操作。拿到轮廓的坐标。
docCnt = None
if len(cnts) > 0:
# 根据轮廓大小进行排序
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
# 遍历每一个轮廓
for c in cnts:
peri = cv2.arcLength(c, True)
approx = cv2.approxPolyDP(c, 0.02 \* peri, True)
# 准备做透视变换
if len(approx) == 4:
docCnt = approx
break
⭐️二、透视变换
这里我们把轮廓按照面积做了一个排序,然后遍历排序后的轮廓。cv2.approxPolyDP
主要功能是把一个连续光滑曲线折线化。如果轮廓检测出来是四个点组成的,那么我们就把他给拿出来。
warped = four_point_transform(gray, docCnt.reshape(4, 2))
cv_show('warped',warped)
其中four_point_transform函数对应的转换操作是:
def four\_point\_transform(image, pts):
rect = order_points(pts)
(tl, tr, br, bl) = rect
# 计算输入的w和h值
widthA = np.sqrt(((br[0] - bl[0]) \*\* 2) + ((br[1] - bl[1]) \*\* 2))
widthB = np.sqrt(((tr[0] - tl[0]) \*\* 2) + ((tr[1] - tl[1]) \*\* 2))
maxWidth = max(int(widthA), int(widthB))
heightA = np.sqrt(((tr[0] - br[0]) \*\* 2) + ((tr[1] - br[1]) \*\* 2))
heightB = np.sqrt(((tl[0] - bl[0]) \*\* 2) + ((tl[1] - bl[1]) \*\* 2))
maxHeight = max(int(heightA), int(heightB))
# 变换后对应坐标位置
dst = np.array([
[0, 0],
[maxWidth - 1, 0],
[maxWidth - 1, maxHeight - 1],
[0, maxHeight - 1]], dtype = "float32")
# 计算变换矩阵
M = cv2.getPerspectiveTransform(rect, dst)
warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
# 返回变换后结果
return warped
首先我们用order_points
把四个点的坐标提取出来了。然后我们计算一下透视变换的w和h。选择出来透视变换之后的坐标结果。然后我们基于这两个结果求出一个中间矩阵M,然后使用一个当前矩阵*中间矩阵M就得到了透视变换之后的结果。
其中order_points
函数是:
def order\_points(pts):
rect = np.zeros((4, 2), dtype = "float32")
# 按顺序找到对应坐标0123分别是 左上,右上,右下,左下
# 计算左上,右下
s = pts.sum(axis = 1)
rect[0] = pts[np.argmin(s)]
rect[2] = pts[np.argmax(s)]
# 计算右上和左下
diff = np.diff(pts, axis = 1)
rect[1] = pts[np.argmin(diff)]
rect[3] = pts[np.argmax(diff)]
return rect
对着四个点进行操作,如果相加那么肯定是左上的点是最小的,右下的点是最大的。那么我们把他提取出来。然后在做差,那么很明显就是右上是最大的,左下是最小的,这样我们就把四个点给提取出来了。然后返回回去。
⭐️三、阈值处理
我们拿到了透视变换的结果之后,对透视结果进行操作,首先我们进行一次阈值处理。这里的阈值处理如下:
thresh = cv2.threshold(warped, 0, 255,
cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
cv_show('thresh',thresh)
**这里不是选择阈值为0,再次强调!!!!**而是让计算机随机的给我们提供一个阈值合适的数值。然后进行阈值处理。得到的结果是:
然后对结果做一次轮廓检测。
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)[0]
cv2.drawContours(thresh_Contours,cnts,-1,(0,0,255),3)
cv_show('thresh\_Contours',thresh_Contours)
还是同上面做轮廓检测的结果一致。得到的结果是这样:
⭐️四、过滤干扰项
然后我们过滤掉一些干扰项。
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注大数据)**
![img](https://img-blog.csdnimg.cn/img_convert/b061ff2d46542b83c73e2aa3a4552499.png)
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注大数据)**
[外链图片转存中...(img-7PWmmppw-1713372857347)]
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**