项目实训2

背景：

由于已有的骨刻文图片均为刻在兽骨等上面的大片文字，不符合此项目要求的描绘标准，且采用数字图像处理技术无法准确的识别分辨出单个字符，因此团队在向指导老师请教后，决定首先应该去分割图片使其符合描绘轨迹时要求的图片标准，我主要负责图片的分割工作。故本文主要讲图片分割的过程。

过程：

EM算法：

最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。最大期望经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。

最大期望算法经过两个步骤交替进行计算：

1）计算期望（E），利用概率模型参数的现有估计值，计算隐藏变量的期望；

2）最大化（M），利用E 步上求得的隐藏变量的期望，对参数模型进行最大似然估计。

3）M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。

在和团队成员商讨的过程中，了解到EM算法就是无监督分类的一个算法，正好可以用来分割图片，但是仔细观察图片后，发现众多骨刻文痕迹由于各种原因并不适合用EM算法进行分割，因此采用手工分割图片的方式；

首先，经过小组会议讨论决定，骨刻文的字符图片的大小应该为固定的，便于统一处理，其次由于描绘骨刻文的过程中只需要看出大致轨迹即可，故不需要太高的分辨率，固定为280px*280px

然后确定分割图片的工具，需要满足能够按照指定大小进行图片分割的功能，我用的是FastStone Capture；

初始图片如下：

草根腐蚀痕：

由于草根腐蚀痕以及虫蛀痕的骨刻文图片干扰过多，且图片数量较少，因此没有分割的价值，舍弃；

然后将其他文件夹内的图片进行分割：

命名方式为原文件名+后缀123：

注意图片分割时要注意剔除轨迹过于模糊的图片，因为这种图片用户描绘难度过高，其次大范围混杂在一起的骨刻文也难以分清边界而进行分割，故需要舍弃；
如：；

分割完成后共计1147张图片，然后根据后端同学的要求，图片名字直接使用数字即可，因此需要重命名，用python写了个批量重命名的小程序：

import os
path=input('../pictures/')       

#获取该目录下所有文件，存入列表中
f=os.listdir(path)

n=0
for i in f:
    
    #设置旧文件名（就是路径+文件名）
    oldname=path+f[n]
    
    #设置新文件名
    newname=path+str(n+1)+'.PNG'
    
    #用os模块中的rename方法对文件改名
    os.rename(oldname,newname)
    # print(oldname,'======>',newname)
    n+=1

命名完成后效果如下：

然后交给后端同学，上传服务器。