CN115456888A - 电子化美术考试作品的校正方法、装置、电子设备及介质 - Google Patents
电子化美术考试作品的校正方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115456888A CN115456888A CN202211007377.0A CN202211007377A CN115456888A CN 115456888 A CN115456888 A CN 115456888A CN 202211007377 A CN202211007377 A CN 202211007377A CN 115456888 A CN115456888 A CN 115456888A
- Authority
- CN
- China
- Prior art keywords
- image
- examination
- art
- correction
- resolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000586 desensitisation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 10
- 230000009466 transformation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000010422 painting Methods 0.000 description 6
- 230000004075 alteration Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
Abstract
本公开涉及一种电子化美术考试作品的校正方法、装置、电子设备及介质,方法包括:获取用户对纸质美术考试作品进行拍摄获得的美术考试图像;判断美术考试图像是否满足预设的校正条件;响应于美术考试图像满足校正条件,从美术考试图像中确定出画纸区域及画纸区域对应的每个角点的坐标;在角点个数为四个时,根据四个角点的坐标,确定画纸区域的畸变值;在畸变值小于预设值时,采用预设的畸变校正算法对美术考试图像进行畸变校正,得到畸变校正图像;对畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像;将目标图像确定为用户的考试作品进行上传。本方案能够获得畸变校正后的清晰图像,有利于提高电子美术作品评价的准确性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种电子化美术考试作品的校正方法、装置、电子设备及介质。
背景技术
美术考试的阅卷工作比较繁琐,需要阅卷老师对所有美术作品进行精挑细选,这种人工阅卷的方式费时又费力。为了缓解人工阅卷的压力,电子化阅卷方式应运而生。
在美术考试电子化阅卷中,美术作品的电子化以及在线电子美术作品评价是两个关键环节。为了确定电子美术作品评价的准确性,需要尽量保证电子美术作品与原作品的高保真质量以及一致性。然而,实际应用中,由于美术考试在拍照上传电子美术作品时,所使用的拍摄设备、所处环境等因素,使得拍摄得到的电子美术作品的质量参差不齐,因此,在对电子美术作品进行评价之前,先对电子美术作品进行校正是十分必要的,如何对电子美术作品进行校正成为目前亟待解决的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种电子化美术考试作品的校正方法、装置、电子设备及介质。
根据本公开的第一方面,提供了一种电子化美术考试作品的校正方法,包括:
获取用户对纸质美术考试作品进行拍摄获得的美术考试图像;
对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件;
响应于所述美术考试图像满足所述校正条件,从所述美术考试图像中确定出画纸区域及所述画纸区域对应的每个角点的坐标;
响应于所述画纸区域对应的角点个数为四个,根据所述四个角点的坐标,确定所述画纸区域的畸变值;
在所述畸变值小于预设值的情况下,采用预设的畸变校正算法对所述美术考试图像进行畸变校正,得到畸变校正图像;
对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像;
将所述目标图像确定为所述用户的考试作品进行上传。
根据本公开的第二方面,提供了一种电子化美术考试作品的校正装置,包括:
获取模块,用于获取用户对纸质美术考试作品进行拍摄获得的美术考试图像;
判断模块,用于对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件;
第一确定模块,用于响应于所述美术考试图像满足所述校正条件,从所述美术考试图像中确定出画纸区域及所述画纸区域对应的每个角点的坐标;
第二确定模块,用于响应于所述画纸区域对应的角点个数为四个,根据所述四个角点的坐标,确定所述画纸区域的畸变值;
畸变校正模块,用于在所述畸变值小于预设值的情况下,采用预设的畸变校正算法对所述美术考试图像进行畸变校正,得到畸变校正图像;
分辨率校正模块,用于对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像;
上传模块,用于将所述目标图像确定为所述用户的考试作品进行上传。
根据本公开的第三方面,提供了一种电子设备,包括:处理器和存储器,所述处理器用于执行存储于所述存储器的计算机程序,所述计算机程序被处理器执行时实现第一方面所述的电子化美术考试作品的校正方法的步骤。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的电子化美术考试作品的校正方法的步骤。
根据本公开的第五方面,提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面所述的电子化美术考试作品的校正方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
通过获取用户对纸质美术考试作品进行拍摄获得的美术考试图像,并对美术考试图像进行分析,判断美术考试图像是否满足预设的校正条件,响应于美术考试图像满足校正条件,从美术考试图像中确定出画纸区域及画纸区域对应的每个角点的坐标,响应于画纸区域对应的角点个数为四个,根据四个角点的坐标,确定画纸区域的畸变值,并在畸变值小于预设值的情况下,采用预设的畸变校正算法对美术考试图像进行畸变校正,得到畸变校正图像,之后对畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像,进而将目标图像确定为用户的考试作品进行上传。采用本公开的技术方案,对于用户拍摄的美术考试图像,先判断美术考试图像是否满足校正条件,在满足校正条件时再对美术考试图像进行畸变校正和超分辨率校正,由此,能够获得畸变校正后的清晰图像,有利于提高电子美术作品评价的准确性,并且,对于满足校正条件的美术考试图像进行校正,能够将不同美术考试图像之间的差异校正至统一维度,尽量缩小不同图像之间的差异,从而便于评分老师阅卷。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开一实施例提供的电子化美术考试作品的校正方法的流程示意图;
图2示出了RGB颜色模型的示意图;
图3示出了不同锐度的图像的对比示意图;
图4示出了uNet模型的结构示意图;
图5示出了畸变图像的示意图;
图6示出了畸变校正前后的图像对比示意图;
图7示出了本公开一示例性实施例的考试用纸的示意图;
图8示出了超分辨率校正前后的图像对比示意图;
图9示出了方向校正前后的对比示意图;
图10示出了脱敏处理前后的对比示意图;
图11为本公开一实施例提供的电子化美术考试作品的校正装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
由于美术考生在拍照上传照的时候,他们所使用的设备及当时的拍照环境无法固定预估,所以会产生各式各样的差异。为了将这些差异校正至统一维度,便于评分老师阅卷,在此背景下,本公开提供了一种电子化美术考试作品的校正方法,以统一评分前的试卷呈现标准。
本公开的电子化美术考试作品的校正方法,可检测并修正的图像质量问题包括但不限于:画作图像分辨率低、图像过曝、过暗、色差不准,图像模糊、画作纸张不完整或占图像比例过低、画作方向拍摄错误、画作中考生敏感信息遮挡和主体作品倾斜等。本公开的方案,选择以人工智能模型与传统图像处理算法相结合的方式,以达到高效、实时校正的效果,不仅节省了校正时间,也降低了校正时所需要的硬件设备开销,降低了使用门槛,利于推广;在图像校正环节,对失真图像进行复原性处理,校正由于成像系统的像差、畸变等造成的图像失真,校正由于成像器件拍摄姿态引起的图像几何失真,校正由于运动模糊、引入噪声等造成的图像失真,并根据图像失真原因,建立相应的数学模型,从被污染或畸变的图像信号中提取所需要的信息,沿着使图像失真的逆过程恢复图像本来面貌。这种复原过程是以数学为基础,设计多个滤波器使其能从失真图像中计算得到真实图像的估值,使其根据预先规定的误差准则,最大程度地接近真实图像,尽量提高电子化考卷与原纸质画作之间的高保真质量以及一致性。
图1为本公开一实施例提供的电子化美术考试作品的校正方法的流程示意图,该方法可以由本公开实施例提供的电子化美术考试作品的校正装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在手机、电脑、服务器等电子设备中。
如图1所示,该电子化美术考试作品的校正方法可以包括以下步骤:
步骤101,获取用户对纸质美术考试作品进行拍摄获得的美术考试图像。
在美术考试中,用户(考生)在考生用纸上进行创作,在创作完成后,用户可以对创作完成的纸质美术考试作品进行拍摄,获得电子化的美术考试图像,电子设备获取用户拍摄的美术考试图像,以用于在线电子美术作品评价。
步骤102,对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件。
本公开实施例中,对于获取的美术考试图像,可以先对美术考试图像进行分析,以判断美术考试图像是否满足预设的校正条件,在满足校正条件时,对美术考试图像进行后续的校正流程,在不满足校正条件时,则提示用户进行重拍。
能够理解的是,当校正条件为多个时,如果美术考试图像满足多个校正条件中的每个校正条件,则确定美术考试图像满足预设的校正条件,并执行后续的校正流程;如果美术考试图像未满足多个校正条件中的至少一个校正条件,则确定美术考试图像不满足预设的校正条件,并提示用户重新拍摄。
在本公开的一种可选实施方式中,所述校正条件包括如下条件中的至少一个:
图像分辨率大于预设的分辨率阈值;
图像中像素值为(0,0,0)的像素点的第一数量占比低于第一比例阈值,且像素值为(255,255,255)的像素点的第二数量占比低于第二比例阈值;
图像的对比度大于等于预设的对比度阈值;
图像的色差值小于等于预设的色差阈值;
图像的锐度值大于等于预设的锐度阈值。
其中,分辨率阈值可以根据实际需求预先设定,比如设置分辨率阈值为720p。第一比例阈值和第二比例阈值可以根据实际需求预先设定,第一比例阈值和第二比例阈值可以相同也可以不同,本公开对第一比例阈值和第二比例阈值的取值不作限定。示例性地,第一比例阈值和第二比例阈值可以均设置为1%。对比度阈值可以根据实际需求预先设定,比如设置对比度阈值为20。色差阈值可以根据实际需求预先设定,比如设置色差阈值为5。锐度阈值也可以根据实际需求预先设定,比如设置锐度阈值为0.75。
本公开实施例中,根据预设的校正条件,可以预先设置对应的参数计算方式来计算美术考试图像的相关参数以用于判断美术考试图像是否满足预设的校正条件。
图像的分辨率过低时,通过会丢失画作的细节信息,因此本公开实施例中,可以将分辨率作为一个校正条件,以防止拍摄获得的美术考试图像分辨率过低的现象。
示例性地,针对校正条件包括图像分辨率大于预设的分辨率阈值,则获取了美术考试图像之后,可以从美术考试图像的图像参数中查询美术考试图像的分辨率,并将查询到的分辨率与分辨率阈值比较,如果分辨率小于等于分辨率阈值,则确定美术考试图像不满足该校正条件,提示用户重新拍摄;如果分辨率大于分辨率阈值,则在预设的校正条件还包括其他条件时,继续判断美术考试图像是否满足其他校正条件。
在使用手机等电子设备进行拍照的过程中,由于拍摄环境的复杂和不可控性,拍摄获得的图像可能存在各种色彩质量问题,主要包括过曝、过暗、低对比度、色差等。因此,本公开实施例中,可以将过曝、过暗、低对比度、色差等图像色彩质量指标作为校正条件。
当用手机等电子设备获取一幅图像时,通常采用RGB(Red/Green/Blue)颜色模型进行存储,或者在显示器上展示,RGB颜色模型如图2所示。RGB三原色每个分量的取值范围是0-255共256个色阶,三个分量的混合用来表现各种颜色。
示例性地,针对校正条件包括图像中像素值为(0,0,0)的像素点的第一数量占比低于第一比例阈值,且像素值为(255,255,255)的像素点的第二数量占比低于第二比例阈值,则获取了美术考试图像之后,可以根据美术考试图像中每个像素点的像素值,统计像素值为(0,0,0)的像素点的第一个数以及相似值为(255,255,255)的像素点的第二个数,并根据第一个数及美术考试图像包含的总像素数,计算得到第一数量占比,以及根据第二个数及美术考试图像包含的总像素数,计算得到第二数量占比,在第一数量占比低于第一比例阈值且第二数量占比低于第二比例阈值时,确定美术考试图像满足该校正条件。如果第一数量占比大于等于第一比例阈值,和/或,第二数量占比大于等于第二比例阈值,则确定美术考试图像不满足预设的校正条件,提示用户重新拍摄。
在RGB颜色模型中,(255,255,255)为白色,(0,0,0)为黑色。由于实际物理世界中不存在绝对的白色和黑色,所以图像在数字化过程中,如果存在像素点颜色(255,255,255)且超过一定比例,则认为是图像过曝;同样,如果存在像素点颜色(0,0,0)且超过一定比例,则认为是图像过暗,图像过曝或者过暗都意味着图像信息丢失。本公开实施例中,判断美术考试图像是否存在过曝或过暗的现象,对于过曝或过暗的图像,提示进行重拍。
图像对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,即指一幅图像灰度反差的大小,差异范围越大代表对比越大,差异范围越小代表对比越小。图像对比度越高,越能准确还原被拍摄物体的真实色彩。相关图像处理技术中,通常采用均方根对比度来衡量一幅图像的对比度情况,这是Peli于1990年提出,与内容的空域频率和空域分布均无关的图像的对比度,被定义成一幅光栅图像内像素值的均方根(也就是标准差)。显然,如果是一幅均匀图像(纯色图像),测试的均方根对比度为0,代表图像不携带任何有效细节信息。因此本公开实施例中,可以设置校正条件为图像的对比度大于等于预设的对比度阈值,对于对比度较高的图像才继续其他处理流程,对于对比度较低的图像则提示用户进行重拍。
示例性地,在校正条件包括图像的对比度大于等于预设的对比度阈值时,获取了美术考试图像之后,可以采用常用的对比度计算算法来计算美术考试图像的对比度,进而将计算得到的对比度与对比度阈值进行比较,在对比度大于等于对比度阈值时,确定美术考试图像满足该校正条件。
对整幅图像进行锐度评估,锐度的大小可以反应一幅图像的对焦程度,反映图像的清晰度。图3示出了不同锐度的图像的对比示意图,图3中左图的锐度值为0.96,右图的锐度值为0.43,可见,锐度值越高的图像其清晰度越高。本公开实施例中,可以将锐度作为一个校正条件,对于锐度较高的图像进行后续处理,对于锐度归一化之后低于门限值的图像,提示用户进行重新拍摄。
示例性地,在校正条件包括图像的锐度值大于等于预设的锐度阈值时,获取了美术考试图像之后,可以使用目前常用的拉普拉斯算子来计算美术考试图像中各像素点与四周的像素点的锐度变化,并计算所有像素点的锐度的总和表示为锐度总数,进而对锐度总数进行归一化得到美术考试图像的锐度值,计算公式如公式(1)和公式(2)所示。
其中,Δ2f表示美术考试图像中像素点(x,y)的锐度,f表示拉普拉斯算子,s表示所有锐度总和归一化之后的评价参数,即美术考试图像的锐度值。
计算得到美术考试图像的锐度值之后,可以将该锐度值与锐度阈值进行比较,如果锐度值大于等于锐度阈值,则继续后续处理流程,如果锐度值小于锐度阈值,则认为美术考试图像不够清晰,比较模糊,则提示用户重新进行拍摄。
步骤103,响应于所述美术考试图像满足所述校正条件,从所述美术考试图像中确定出画纸区域及所述画纸区域对应的每个角点的坐标。
本公开实施例中,如果美术考试图像满足预设的校正条件,则可以从美术考试图像中确定出画纸区域及画纸区域对应的每个角点的坐标。
示例性地,可以基于预先训练好的图像分割模型来检测美术考试图像中的画纸区域。训练时使用的深度神经网络分割模型可以是uNet模型,uNet模型包括三个部分,如图4所示,其中,第一部分是主干特征提取网络部分,利用该部分获得一个又一个的特征层,uNet的主干特征提取网络部分为卷积和最大池化的堆叠,利用主干特征提取网络部分获得五个初步有效特征层,然后利用这五个有效特征层进行特征融合;第二部分是加强特征提取网络部分,利用主干特征提取网络部分获取到的五个初步有效特征层进行上采样,并且进行特征融合,获得一个最终的、融合了所有特征的有效特征层;第三部分是预测网络部分,利用最终获得的最后一个有效特征层对每一个特征点进行分类,相当于对每一个像素点进行分类。在进行模型训练时,可以使用开源pytorch深度学习框架,分批次输入预先准备好的8万“样本——标签”对进行训练,训练的过程就是不断迭代神经网络uNet权重值的过程,使得模型的预测结果与样本之间的差异最小,得到训练好的图像分割模型。预测结果与样本之间的差异可以通过如下公式(3)表示。
其中,size为样本图像中的像素总数,yi'为人为标注的画纸区域,yi为使用uNet模型计算出来的画纸区域。
本公开实施例中,利用训练好的图像分割模型,将满足校正条件的美术考试图像输入至图像分割模型中,可以确定出美术考试图像中的画纸区域。之后,对于确定的画纸区域,可以确定出画纸区域中每个角点的坐标。比如,可以利用预先训练的角点识别模型来确定画纸区域中各角点的坐标。
步骤104,响应于所述画纸区域对应的角点个数为四个,根据所述四个角点的坐标,确定所述画纸区域的畸变值。
通常考试用纸是矩形的,包含四个角点,可以根据画纸区域包含的角点个数,判断画纸区域是否完整。因此本公开实施例中,对于确定的各个角点,可以统计确定出的角点个数,并在角点个数为四个时,根据确定的四个角点的坐标,确定画纸区域的畸变值。在确定出的角度个数不是四个时,可以认为拍摄的画纸区域不完整,此时可以提示用户进行重新拍摄。
一般画作的纸张是一个长方形,但是由于在拍摄的过程,拍摄方向与纸张平面不能保证绝对垂直,所表现在拍像图像上就会形成一定的畸变。本公开实施例中,对于拍摄完整的美术考试图像,可以先计算美术考试图像的畸变程度,其中,畸变程度的大小(畸变值)可以由画纸区域四条边之间的四个夹角来评估。
示例性地,图5示出了畸变图像的示意图,图5中,白色区域表示画纸区域,A、B、C、D为画作纸张在摄拍得到的美术考试图像中的四个角点,如果拍摄方向与纸张平面垂直,那么长方形四个内角之和为360度。本公开实施例中,可以通过如下公式(4)确定画纸区域的畸变值。
畸变值=|∠ABC-90|+|∠BCD-90|+|∠CDA-90|+|∠DAB-90|(4)
在本公开的一种可选实施方式中,在确定出画纸区域后,还可以进一步确定画纸区域的外接矩形,并计算外接矩形的面积,如果外接矩形的面积占美术考试图像总面积的比例小于预设比例(比如1/4),则表示画纸区域太小,提示用户重新拍摄,若该比例大于等于预设比例,则执行确定画纸区域的畸变值的操作。
另外,在本公开的一种可选实施方式中,对于确定的画纸区域的外接矩形,可以用Rect(x0,y0,x1,y1)表示,其中x0,y0分别为外接矩形左上角的横、纵坐标,x1,y1分别为外接矩形右下角的横、纵坐标。当x0<5、y0<5、x1>width-5或y1>height-5中任意一个成立时,表示画纸区域的边缘距离美术考试图像的边缘太近,或画纸区域不靠美术考试图像的中间,则提示用户重拍。其中,width为整幅美术考试图像的宽度,height为整幅美术考试图像的高度。
步骤105,在所述畸变值小于预设值的情况下,采用预设的畸变校正算法对所述美术考试图像进行畸变校正,得到畸变校正图像。
其中,预设值可以根据实际需求预先设定,比如设置预设值为50。
本公开实施例中,确定了画纸区域的畸变值之后,可以将确定的畸变值与预设值进行比较,如果畸变值大于等于预设值,则表示畸变过大,提示用户进行重拍,如果畸变值小于预设值,则采用预设的畸变校正算法对美术考试图像进行畸变校正,得到畸变校正图像。
其中,预设的畸变校正算法可以是但不限于是透视变换算法。
透视变换算法的本质是将图像投影到一个新的视平面,基于透视变换矩阵实现,透视变换矩阵的求取可以由画纸区域的四个角点的原坐标与变换之后的坐标代入透视变换公式求的,其中,由于画纸长宽比例是已知的,所以可以进一步预设好变换之后的纸张四个角点的期望坐标,从而求得透换变换矩阵,应用于全幅图像的透视变换。
图6示出了畸变校正前后的图像对比示意图,图6中,左图为考生拍摄的原始图像,即美术考试图像,中图为经过透视变换之后的畸变校正图像,右图为固定相机并调整好角度之后拍摄的正视图,比较中间图像和右边图像,可以看出畸变校正图像中的画纸在几何形状上已经非常接近正视图,可见本公开所使用的畸变校正算法的精度非常可靠。
步骤106,对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像。
本公开实施例中,对于畸变校正后获得的畸变校正图像,可以对其进行超分辨率校正处理,得到分辨率校正后的目标图像,以提高图像的分辨率。
示例性地,可以采用目前常用的图像超分辨率算法对畸变校正图像进行超分辨率校正处理,包括但不限于图像超分辨率卷积神经SRCNN、傅立叶变换与逆变换的基于频域的算法、图像局部扩展的基于空域的算法等。
步骤107,将所述目标图像确定为所述用户的考试作品进行上传。
本公开实施例中,得到高分辨率的目标图像之后,可以将目标图像作为用户的考试作品进行上传,以使阅卷老师对目标图像进行评分。
示例性地,可以将目标图像上传至软件对应的云端服务器,阅卷老师从云端服务器下载目标图像对其进行评分。
本公开实施例的电子化美术考试作品的校正方法,通过获取用户对纸质美术考试作品进行拍摄获得的美术考试图像,并对美术考试图像进行分析,判断美术考试图像是否满足预设的校正条件,响应于美术考试图像满足校正条件,从美术考试图像中确定出画纸区域及画纸区域对应的每个角点的坐标,响应于画纸区域对应的角点个数为四个,根据四个角点的坐标,确定画纸区域的畸变值,并在畸变值小于预设值的情况下,采用预设的畸变校正算法对美术考试图像进行畸变校正,得到畸变校正图像,之后对畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像,进而将目标图像确定为用户的考试作品进行上传。采用本公开的技术方案,对于用户拍摄的美术考试图像,先判断美术考试图像是否满足校正条件,在满足校正条件时再对美术考试图像进行畸变校正和超分辨率校正,由此,能够获得畸变校正后的清晰图像,有利于提高电子美术作品评价的准确性,并且,对于满足校正条件的美术考试图像进行校正,能够将不同美术考试图像之间的差异校正至统一维度,尽量缩小不同图像之间的差异,从而便于评分老师阅卷。
对于美术考试作品的数字化过程,颜色的还原情况是影响电子化美术作品的质量的重要因素。为了准确衡量(量化)拍摄的美术考试图像的颜色还原情况,本公开实施例中引入色差这一指标,通过计算美术考试图像的色差情况,对于色差较大的美术考试图像则提示用户重新拍摄,对于色差较小的美术考试图像则继续后续处理流程。从而,在本公开的一种可选实施方式中,所述校正条件包括图像的色差值小于等于预设的色差阈值;所述对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件,包括:
获取所述美术考试图像中画纸边缘印刷的标准色块内每个像素点的像素值,其中,所述标准色块印刷在考试用纸上;
根据所述标准色块区域内每个像素点的像素值,计算得到平均像素值;
将所述平均像素值转换至Lab色彩空间,得到第一组Lab值;
根据所述标准色块对应的标准像素值,计算得到平均标准像素值;
将所述平均标准像素值转换至所述Lab色彩空间,得到第二组Lab值;
根据所述第一组Lab值和所述第二组Lab值,计算得到所述标准色块的色差值;
若所述色差值小于等于所述色差阈值,则确定所述美术考试图像满足所述校正条件。
其中,考试用纸的边缘预先印刷有标准色块,标准色块可以是爱色丽(X-Rite)的标准24色色卡(The ColorChecker Chart)中的至少一个色块,每个色块都有严格的印刷规范(CIE L*a*b for D50 illumination)和数字化后的标准RGB值(即标准像素值)。
本公开实施例中,在计算色差时,可以先从美术考试图像中识别出标准色块所在的区域,并获取该区域内每个像素点的像素值,进而根据获取的各像素值计算得到平均像素值。之后,根据目前常用的RGB空间转换至Lab色彩空间的转换规则,将平均像素值转换至Lab色彩空间,得到第一组Lab值。另外,根据预设的每个标准色块对应的标准像素值,计算得到平均标准像素值,并将平均标准像素值转换至Lab色彩空间,得到第二组Lab值,进而根据第一组Lab值和第二组Lab值,利用常用的色差计算公式,计算得到标准色块的色差值。之后,将色差值与色差阈值进行比较,如果色差值小于等于色差阈值,则继续后续流程,否则,提示用户重新拍摄。
在本公开的一种可选实施方式中,所述用户创作所述纸质美术考试作品使用的考试用纸包括识别标识,所述识别标识设置在所述考试用纸的至少一角或至少一边;
相应的,在所述根据所述四个角点的坐标,确定所述画纸区域的畸变值之前,所述方法还包括:
对所述画纸区域进行目标检测,以判断所述画纸区域中是否存在预设的识别标识;
若所述画纸区域上存在预设个数的所述识别标识,则确定所述画纸区域完整。
其中,识别标识包括但不限于虚焦识别标识和颜色识别标识中的至少一种,虚焦识别标识可以但不限为黑白线对或文字,颜色识别标识可以但不限为灰色、纯色,或灰色色阶,或色块。识别标识可以印刷在考试用纸上,也可粘贴在考试用纸上。
示例性地,图7示出了本公开一示例性实施例的考试用纸的示意图,图7中的考试用纸包括虚焦识别标识和颜色识别标识,虚焦标识设置在四个角,用多个大小不同的圆表示,颜色识别标识为爱色丽(X-Rite)的标准24色色块,24个标准色块排成一排设置在考试用纸的左右两边。
本公开实施例中,对于配套使用的考试用纸,已知考试用纸上设置的识别标识及识别标识的个数,则可以根据考试用纸上识别标识的个数预先设置上述预设个数。在确定画纸区域的畸变值之前,先对画纸区域进行目标检测,比如,可以利用预先训练的目标检测模型来对画纸区域进行检测,以检测画纸区域中是否存在识别标识,并在检测出识别标识时,统计检测出的识别标识的个数,如果检测出的识别标识的个数与预设个数一致,则确定画纸区域是完整的,进而继续确定画纸区域的畸变值的步骤;而如果检测出的识别标识的个数与预设个数不一致,则确定画纸区域是不完整的,则提示用户进行重拍。
在本公开实施例中,通过在考试用纸上设置识别标识,对画纸区域进行目标检测,以判断画纸区域中是否存在预设的识别标识,并在若画纸区域上存在预设个数的识别标识时确定画纸区域完整,由此,能够确保用户拍摄的画纸区域是完整的,避免了拍摄不全的较大畸变。
由于考生所使用的拍摄设备各种各样无法统一,拍摄设备的分辨率有大有小,较小的分辨率图像可能会对图像的细节有一定的损伤。因此本公开实施例中,可以对分辨率不是很高的美术考试图像进行超分辨率校正处理,以提高美术考试图像的分辨率。在本公开的一种可选实施方式中,所述对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像,包括:
获取所述畸变校正图像的初始分辨率;
若所述初始分辨率低于预设分辨率,则从缓存的多张历史美术考试图像中获取至少一张历史美术考试图像;
基于预先训练的超分辨率校正模型和所述至少一张历史美术考试图像,重构得到一张高分辨率图像;
将所述高分辨率图像确定为所述目标图像。
其中,预设分辨率可以根据实际需求预先设定,比如设置预设分辨率为1024p。
本公开实施例中,可以获取美术考试图像的分辨率作为畸变校正图像的初始分辨率,并比较初始分辨率与预设分辨率的大小,如果初始分辨率低于预设分辨率,则需要进行超分辨率校正处理。在进行超分辨率校正时,可以先从本地缓存的多张历史美术考试图像中获取至少一张历史美术考试图像,基于预先训练的超分辨率校正模型和至少一张历史美术考试图像,重构得到一张高分辨率图像作为目标图像。
其中,本地缓存中的多张历史美术考试图像,是用户之前拍摄的不满足校正条件的美术考试图像,或者是存在画纸区域面积占比较小、画纸区域不完整等缺陷的美术考试图像,每次进行重拍时,上一次拍摄的美术考试图像被缓存在本地缓存空间中。如果缓存的历史美术考试图像较少(比如少于预设张数),则选择所有的历史美术考试图像用于图像的超分辨率校正,如果缓存的历史美术考试图像较多(比如大于等于预设张数),则从中选择最近的预设张数的历史美术考试图像用于图像的超分辨率校正。
示例性地,用于超分辨率校准的历史美术考试图像的张数可以是3张,预先训练的超分辨率校准模型可以是改进的SRCNNEX模型,改进点在于使用了拍摄过程中前后3幅低分辨率的图像来重建1幅高分辨率图像,与传统的一对一相比,三对一能重构更多的图像细节,极大的降低美术试卷拍照上传时对设备的要求。SRCNNEX模型基于卷积神经网络,以3幅连续的原始图像为输入,先使用上采样算法将分辨率提升到期望的大小,然后经过3层分别为9x9x128、3x3x64、5x5的卷积运算,得到超分输出。
图8示出了超分辨率校正前后的图像对比示意图,图8中,左图为原始的美术考试图像,中图为使用本公开的方案进行超分辨率校正后获得的高分辨率图像,右图为使用高清相机拍摄的美术作品图像,从图中明显可以看出中间图像比左图有更多细节的呈现,虽然中间图像对比右边图像还是相对失真,但给人感观上已经比较接近,从对比中可以看出使用本公开的方法进行电子化后,更利于后期的试卷评估与评分,帮助阅卷老师更加客观准确的针对美术作品进行评判。
由于考生拍摄时电子设备的方向不可控,作品画纸有会被旋转的可能,为了保证上传的考试作品的视觉效果,可以对美术考试图像中的图像进行方向检测并进行自适应旋转,以保证作品的方向是正的。从而,在本公开的一种可选实施方式中,在所述根据所述四个角点的坐标,确定所述画纸区域的畸变值之前,所述方法还包括:
基于预先训练的方向识别模型,确定所述美术考试图像中作品的方向;
基于所述方向,对所述美术考试图像进行方向校正。
其中,方向识别模型的输出结果为0度、90度、180度、270度中的其中一个,各度数可以是顺时针方向的度数。
示例性地,在训练得到方向识别模型时,可以利用预先准备好的训练样本(包括样本图像和标注的图像方向),对开源pytorch深度学习模型进行迭代训练,得到方向识别模型,其中,模型使用的损失函数如公式(5)所示。
其中,yi,k表示第i个样本的真实标签为k,共有K个标签值,N个样本,pi,k表示第i个样本预测为第k个标签值的概率。当Loss最小时即训练完成,得到训练好的方向识别模型。本公开实施例中,只考虑90度的整数倍,即0度、90度、180度和270度,所以式中K=4。
本公开实施例中,利用训练好的方向识别模型,可以检测出美术考试图像中作品的方向,进而基于该方向,对美术考试图像进行方向校正。比如,以顺时针方向为例,检测出的方向为90度,则可以确定作品右偏90度,则将美术考试图像向左旋转90度,使得美术考试图像的方向被校正。
示例性的,图9示出了方向校正前后的对比示意图,图9中,左图为考生所拍摄的原始图像,即美术考试图像,右图为方向自适应校正后得到的图像。
在本公开的一种可选实施方式中,所述将所述目标图像确定为所述用户的考试作品进行上传,包括:
基于预先训练的物体检测模型,从所述目标图像中识别出考生信息;
对所述目标图像中的所述考生信息进行遮挡处理,生成脱敏图像;
将所述脱敏图像确定为所述用户的考试作品进行上传。
其中,考生信息包括但不限于二维码、姓名、证件号、考生号等。
示例性地,物体检测模型可以利用预先收集的训练样本,对开源的YOLO目标检测算法进行训练得到,在训练时,修改了YOLO算法中的物体分类类别,从开源的80类修改为二维码区域和文字信息区域2类。
本公开实施例中,利用预先训练好的物体检测模型,可以从目标图像中识别出二维码、姓名等考生信息,进而对目标图像中的考生信息进行遮挡处理,得到脱敏图像,将脱敏图像确定为用户的考试作品进行上传。由此,遮挡了目标图像中的敏感信息,有利于降低阅卷过程中作弊的可能性。
能够理解的是,本公开实施例中,检测考生信息并进行遮挡处理的操作可以在上传前进行,也可以在确定出画纸区域后进行,本公开仅以在上传时进行作为示例,而不能作为对本公开的限制。
示例性地,图10示出了脱敏处理前后的对比示意图,图10中,左图为确定出的画纸区域,中间图像为利用物体检测模型识别出考生信息的图像,右图为对考生信息进行遮挡处理后的脱敏图像。
相应于上述方法实施例,本公开实施例还提供了一种基数估计装置。
图11为本公开一实施例提供的电子化美术考试作品的校正装置的结构示意图,如图11所示,该电子化美术考试作品的校正装置20可以包括:获取模块210、判断模块220、第一确定模块230、第二确定模块240、畸变校正模块250、分辨率校正模块260和上传模块270。
其中,获取模块210,用于获取用户对纸质美术考试作品进行拍摄获得的美术考试图像;
判断模块220,用于对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件;
第一确定模块230,用于响应于所述美术考试图像满足所述校正条件,从所述美术考试图像中确定出画纸区域及所述画纸区域对应的每个角点的坐标;
第二确定模块240,用于响应于所述画纸区域对应的角点个数为四个,根据所述四个角点的坐标,确定所述画纸区域的畸变值;
畸变校正模块250,用于在所述畸变值小于预设值的情况下,采用预设的畸变校正算法对所述美术考试图像进行畸变校正,得到畸变校正图像;
分辨率校正模块260,用于对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像;
上传模块270,用于将所述目标图像确定为所述用户的考试作品进行上传。
可选地,所述校正条件包括如下条件中的至少一个:
图像分辨率大于预设的分辨率阈值;
图像中像素值为(0,0,0)的像素点的第一数量占比低于第一比例阈值,且像素值为(255,255,255)的像素点的第二数量占比低于第二比例阈值;
图像的对比度大于等于预设的对比度阈值;
图像的色差值小于等于预设的色差阈值;
图像的锐度值大于等于预设的锐度阈值。
可选地,所述校正条件包括图像的色差值小于等于预设的色差阈值;所述判断模块220,具体用于:
获取所述美术考试图像中画纸边缘印刷的标准色块内每个像素点的像素值,其中,所述标准色块印刷在考试用纸上;
根据所述标准色块区域内每个像素点的像素值,计算得到平均像素值;
将所述平均像素值转换至Lab色彩空间,得到第一组Lab值;
根据所述标准色块对应的标准像素值,计算得到平均标准像素值;
将所述平均标准像素值转换至所述Lab色彩空间,得到第二组Lab值;
根据所述第一组Lab值和所述第二组Lab值,计算得到所述标准色块的色差值;
若所述色差值小于等于所述色差阈值,则确定所述美术考试图像满足所述校正条件。
可选地,所述用户创作所述纸质美术考试作品使用的考试用纸包括识别标识,所述识别标识设置在所述考试用纸的至少一角或至少一边;所述电子化美术考试作品的校正装置20,还包括:
目标检测模块,用于对所述画纸区域进行目标检测,以判断所述画纸区域中是否存在预设的识别标识;
完整性确定模块,用于在所述画纸区域上存在预设个数的所述识别标识时,确定所述画纸区域完整。
可选地,所述畸变校正模块250,具体用于:
获取所述畸变校正图像的初始分辨率;
若所述初始分辨率低于预设分辨率,则从缓存的多张历史美术考试图像中获取至少一张历史美术考试图像;
基于预先训练的超分辨率校正模型和所述至少一张历史美术考试图像,重构得到一张高分辨率图像;
将所述高分辨率图像确定为所述目标图像。
可选地,电子化美术考试作品的校正装置20,还包括:
方向识别模块,用于基于预先训练的方向识别模型,确定所述美术考试图像中作品的方向;
方向校正模块,用于在所述基于所述方向,对所述美术考试图像进行方向校正。
可选地,所述上传模块270,还用于:
基于预先训练的物体检测模型,从所述目标图像中识别出考生信息;
对所述目标图像中的所述考生信息进行遮挡处理,生成脱敏图像;
将所述脱敏图像确定为所述用户的考试作品进行上传。
本公开实施例所提供的电子化美术考试作品的校正装置,可执行本公开实施例所提供的任意可应用于电子设备的电子化美术考试作品的校正方法,具备执行方法相应的功能模块和有益效果。本公开装置实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供一种电子设备,包括:处理器和存储器,所述处理器用于执行存储于所述存储器的计算机程序,所述计算机程序被处理器执行时实现如上述实施例所述的电子化美术考试作品的校正方法的步骤。
本公开实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例所述的电子化美术考试作品的校正方法的步骤。
需要说明的是,本公开所示的计算机可读存储介质例如可以是—但不限于—电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、射频等等,或者上述的任意合适的组合。
本公开实施例中,还提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行上述实施例所述的电子化美术考试作品的校正方法的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电子化美术考试作品的校正方法,其特征在于,所述方法包括:
获取用户对纸质美术考试作品进行拍摄获得的美术考试图像;
对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件;
响应于所述美术考试图像满足所述校正条件,从所述美术考试图像中确定出画纸区域及所述画纸区域对应的每个角点的坐标;
响应于所述画纸区域对应的角点个数为四个,根据所述四个角点的坐标,确定所述画纸区域的畸变值;
在所述畸变值小于预设值的情况下,采用预设的畸变校正算法对所述美术考试图像进行畸变校正,得到畸变校正图像;
对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像;
将所述目标图像确定为所述用户的考试作品进行上传。
2.根据权利要求1所述的电子化美术考试作品的校正方法,其特征在于,所述校正条件包括如下条件中的至少一个:
图像分辨率大于预设的分辨率阈值;
图像中像素值为(0,0,0)的像素点的第一数量占比低于第一比例阈值,且像素值为(255,255,255)的像素点的第二数量占比低于第二比例阈值;
图像的对比度大于等于预设的对比度阈值;
图像的色差值小于等于预设的色差阈值;
图像的锐度值大于等于预设的锐度阈值。
3.根据权利要求2所述的电子化美术考试作品的校正方法,其特征在于,所述校正条件包括图像的色差值小于等于预设的色差阈值;
相应的,所述对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件,包括:
获取所述美术考试图像中画纸边缘印刷的标准色块内每个像素点的像素值,其中,所述标准色块印刷在考试用纸上;
根据所述标准色块区域内每个像素点的像素值,计算得到平均像素值;
将所述平均像素值转换至Lab色彩空间,得到第一组Lab值;
根据所述标准色块对应的标准像素值,计算得到平均标准像素值;
将所述平均标准像素值转换至所述Lab色彩空间,得到第二组Lab值;
根据所述第一组Lab值和所述第二组Lab值,计算得到所述标准色块的色差值;
若所述色差值小于等于所述色差阈值,则确定所述美术考试图像满足所述校正条件。
4.根据权利要求1所述的电子化美术考试作品的校正方法,其特征在于,所述用户创作所述纸质美术考试作品使用的考试用纸包括识别标识,所述识别标识设置在所述考试用纸的至少一角或至少一边;
相应的,在所述根据所述四个角点的坐标,确定所述画纸区域的畸变值之前,所述方法还包括:
对所述画纸区域进行目标检测,以判断所述画纸区域中是否存在预设的识别标识;
若所述画纸区域上存在预设个数的所述识别标识,则确定所述画纸区域完整。
5.根据权利要求1所述的电子化美术考试作品的校正方法,其特征在于,所述对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像,包括:
获取所述畸变校正图像的初始分辨率;
若所述初始分辨率低于预设分辨率,则从缓存的多张历史美术考试图像中获取至少一张历史美术考试图像;
基于预先训练的超分辨率校正模型和所述至少一张历史美术考试图像,重构得到一张高分辨率图像;
将所述高分辨率图像确定为所述目标图像。
6.根据权利要求1-5任一项所述的电子化美术考试作品的校正方法,其特征在于,在所述根据所述四个角点的坐标,确定所述画纸区域的畸变值之前,所述方法还包括:
基于预先训练的方向识别模型,确定所述美术考试图像中作品的方向;
在所述基于所述方向,对所述美术考试图像进行方向校正。
7.根据权利要求1-5任一项所述的电子化美术考试作品的校正方法,其特征在于,所述将所述目标图像确定为所述用户的考试作品进行上传,包括:
基于预先训练的物体检测模型,从所述目标图像中识别出考生信息;
对所述目标图像中的所述考生信息进行遮挡处理,生成脱敏图像;
将所述脱敏图像确定为所述用户的考试作品进行上传。
8.一种电子化美术考试作品的校正装置,其特征在于,所述装置包括:
获取模块,用于获取用户对纸质美术考试作品进行拍摄获得的美术考试图像;
判断模块,用于对所述美术考试图像进行分析,判断所述美术考试图像是否满足预设的校正条件;
第一确定模块,用于响应于所述美术考试图像满足所述校正条件,从所述美术考试图像中确定出画纸区域及所述画纸区域对应的每个角点的坐标;
第二确定模块,用于响应于所述画纸区域对应的角点个数为四个,根据所述四个角点的坐标,确定所述画纸区域的畸变值;
畸变校正模块,用于在所述畸变值小于预设值的情况下,采用预设的畸变校正算法对所述美术考试图像进行畸变校正,得到畸变校正图像;
分辨率校正模块,用于对所述畸变校正图像进行超分辨率校正处理,得到分辨率校正后的目标图像;
上传模块,用于将所述目标图像确定为所述用户的考试作品进行上传。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器用于执行存储于所述存储器的计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的电子化美术考试作品的校正方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的电子化美术考试作品的校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007377.0A CN115456888A (zh) | 2022-08-22 | 2022-08-22 | 电子化美术考试作品的校正方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211007377.0A CN115456888A (zh) | 2022-08-22 | 2022-08-22 | 电子化美术考试作品的校正方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456888A true CN115456888A (zh) | 2022-12-09 |
Family
ID=84298563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211007377.0A Pending CN115456888A (zh) | 2022-08-22 | 2022-08-22 | 电子化美术考试作品的校正方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309538A (zh) * | 2023-04-24 | 2023-06-23 | 湖北易康思科技有限公司 | 绘图考试评定方法、装置、计算机设备及存储介质 |
-
2022
- 2022-08-22 CN CN202211007377.0A patent/CN115456888A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309538A (zh) * | 2023-04-24 | 2023-06-23 | 湖北易康思科技有限公司 | 绘图考试评定方法、装置、计算机设备及存储介质 |
CN116309538B (zh) * | 2023-04-24 | 2023-07-28 | 湖北易康思科技有限公司 | 绘图考试评定方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046673B (zh) | 基于多特征融合的无参考色调映射图像质量评价方法 | |
CN108009531B (zh) | 一种多策略防欺诈的人脸识别方法 | |
CN111932532B (zh) | 胶囊内窥镜无参考图像评价方法、电子设备及介质 | |
RU2659745C1 (ru) | Реконструкция документа из серии изображений документа | |
US20100172579A1 (en) | Distinguishing Between Faces and Non-Faces | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN107862659A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
CN109242787A (zh) | 一种中小学艺术测评中绘画录入方法 | |
CN108447058B (zh) | 一种图像质量评价方法及系统 | |
CN110728201B (zh) | 用于指纹识别的图像处理方法及装置 | |
CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
CN111626941A (zh) | 一种基于深度学习语义分割的文档矫正方法 | |
Iwasokun et al. | Image enhancement methods: a review | |
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
US10395090B2 (en) | Symbol detection for desired image reconstruction | |
CN115456888A (zh) | 电子化美术考试作品的校正方法、装置、电子设备及介质 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN108681684A (zh) | 一种二维条码图像无参考质量评价方法及其装置、系统 | |
CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 | |
CN117095417A (zh) | 一种屏摄表单图像文本识别方法、装置、设备及存储介质 | |
CN111696090A (zh) | 一种无约束环境下人脸图像质量评估方法 | |
CN113436735A (zh) | 基于人脸结构度量的体重指数预测方法、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |