7°

Java平台图像光学标记处理API-Aspose.OMR首次公开发行!来看看有哪些功能

Aspose一直致力于研究用于执行文件间格式转换,对文件进行操作(例如创建、版本、操作等)的文件格式API。好消息来啦!专门用于Java平台识别光学标识并管理转换的API控件Aspose.OMR for Java首次公开发行啦!

Aspose.OMR for Java是一种可从多种图像格式识别光学标记,包括PNG,GIF,JPEG,TIFF,BMP的API。API将输出保存为CSV和JSON格式,并且可以在执行OMR操作时以文本格式显示结果。可点击这里下载体验。

Aspose.OMR for Java数据处理API功能

  • 识别扫描的图像和照片

  • 准确率高

  • 处理旋转和透视图像

  • 从TXT文件生成OMR模板

  • 识别来自测试,考试,问卷,调查的数据

  • 将结果保存为CSV和JSON格式

接下来,让我们快速浏览一下上述Java API的功能,以了解如何识别各种图像格式的光学标记,以及如何从包含MCQ的调查,问卷或测试中捕获人类标记的数据

用Java动态创建OMR模板

Aspose.OMR for Java提供了从创建OMR模板到识别光学标记以捕获数据的完整功能集。该API支持通过简单的文本标记生成OMR模板文件或图像。您只需将模板的文本标记传递给API,它将为您生成模板。以下是OMR模板的示例文本标记。

我们可以简单地将文本标记保存在扩展名为.txt的文本文件中。完成后,可以使用以下步骤生成模板:

  • 创建一个OmrEngine对象。
  • 调用OmrEngine.generateTemplate()方法,该方法接受标记文本文件的路径。
  • 使用GenerationResult.save方法保存模板。

下面的代码示例演示如何使用Java从文本标记生成OMR模板。

String outputDirectory = "GenerationResult";

String[] GenerationMarkups = new String[] { "Sheet.txt", "Grid.txt", "AsposeTest.txt" }; String[] GenerationMarkupsNoExt = new String[] { "Sheet", "Grid", "AsposeTest" };

OmrEngine engine = new OmrEngine();

for (int i = 0; i < GenerationMarkups.length; i++) { // call template generation providing path to the txt file with markup GenerationResult res = engine.generateTemplate(GenerationMarkups[i]); // check in case of errors if (res.getErrorCode() != 0) { System.out.println("ERROR CODE: " + res.getErrorCode()); } // save generation result: image and .omr template res.save(outputDirectory, GenerationMarkupsNoExt[i]); }

输出结果:

使用Java的图像中的光学标记识别(OMR)

为了在图像中执行OMR,只需要两件事–准备的OMR模板(.omr)和图像(用户填写的表单/工作表)就可以执行OMR。API支持以下图像格式的OMR:

  • JPEG
  • PNG
  • GIF
  • TIFF
  • BMP

以下是在图像中执行OMR的步骤:

  • 创建OmrEngine对象。
  • 创建TemplateProcessor对象,并使用OMR模板的路径对其进行初始化。
  • 使用TemplateProcessor.recognizeImage()方法识别图像,并以CSV或JSON格式获取结果。

下面的代码示例演示如何使用Java识别图像中的光学标记:

String[] UserImages = new String[] { "Sheet1.jpg", "Sheet2.jpg" };
String[] UserImagesNoExt = new String[] { "Sheet1", "Sheet2" };

String outputDirectory = "Result"; String templatePath = "Sheet.omr";

// initialize engine and get template processor providing path to the .omr file OmrEngine engine = new OmrEngine(); TemplateProcessor templateProcessor = engine.getTemplateProcessor(templatePath); System.out.println("Template loaded.");

// images loop for (int i = 0; i < UserImages.length; i++) { // path to the image to be recognized String imagePath = UserImages[i]; System.out.println("Processing image: " + imagePath); // recognize image and receive result RecognitionResult result = templateProcessor.recognizeImage(imagePath); // export results as csv string String csvResult = result.getCsv(); String json = result.getJson(); // save csv to the output folder PrintWriter wr = new PrintWriter(new FileOutputStream(UserImagesNoExt[i] + ".csv"), true); wr.println(csvResult); }

对OMR使用自定义识别阈值

可以通过在0到100之间定义一个自定义阈值来微调OMR结果。增大阈值会使API在识别答案时更加严格。可以在TemplateProcessor.recognizeImage()方法中将阈值设置 为第二个参数,如以下Java代码示例所示。

String[] UserImages = new String[] { "Sheet1.jpg", "Sheet2.jpg" };
String[] UserImagesNoExt = new String[] { "Sheet1", "Sheet2" };

String outputDirectory = "Result"; String templatePath = "Sheet.omr"; int customThreshold = 40;

// initialize engine and get template processor providing path to the .omr file OmrEngine engine = new OmrEngine(); TemplateProcessor templateProcessor = engine.getTemplateProcessor(templatePath); System.out.println("Template loaded.");

// images loop for (int i = 0; i < UserImages.length; i++) { // path to the image to be recognized String imagePath = UserImages[i]; System.out.println("Processing image: " + imagePath); // recognize image and receive result RecognitionResult result = templateProcessor.recognizeImage(imagePath, customThreshold); // export results as csv string String csvResult = result.getCsv(); String json = result.getJson(); // save csv to the output folder PrintWriter wr = new PrintWriter(new FileOutputStream(UserImagesNoExt[i] + ".csv"), true); wr.println(csvResult); }

重新计算OMR结果

在某些情况下,您可能需要使用不同的阈值重新计算OMR结果。在这种情况下,不必一次又一次地调用TemplateProcessor.recognizeImage(),而是可以使用TemplateProcessor.recalculate()方法配置用于自动重新计算的API,以提高图像处理效率。下面的代码示例演示如何实现OMR结果的重新计算。

String[] UserImages = new String[] { "Sheet1.jpg", "Sheet2.jpg" };
String[] UserImagesNoExt = new String[] { "Sheet1", "Sheet2" };

String outputDirectory = "Result"; String templatePath = "Sheet.omr";

// init engine and get template processor OmrEngine engine = new OmrEngine(); TemplateProcessor templateProcessor = engine.getTemplateProcessor(templatePath); System.out.println("Template loaded.");

// Set custom threshold to use in recalculation // this value is in range (0 to 100) // represents the percentage of required black pixels on bubble image to be recognized // i.e. the lower the value - the less black pixels required for bubble to be counted as filled and vice versa int CustomThreshold = 40;

// images loop for (int i = 0; i < UserImages.length; i++)  { String image = UserImages[i]; String imagePath = image; System.out.println("Processing image: " + imagePath);

// recognize image RecognitionResult result = templateProcessor.recognizeImage(imagePath);

// get export csv string String stringRes = result.getCsv();

// save csv to output folder String outputName = UserImagesNoExt[i] + ".csv";

PrintWriter wr = new PrintWriter(new FileOutputStream(outputName), true); wr.println(stringRes);

System.out.println("Export done. Path: " + outputName);

// recalculate recognition results with custom threshold templateProcessor.recalculate(result, CustomThreshold);

// get export csv string stringRes = result.getCsv();

// save recalculated results outputName = UserImagesNoExt[i] + "_recalculated.csv";

wr = new PrintWriter(new FileOutputStream(outputName), true); wr.println(stringRes);

System.out.println("Recalculated result export done. Path: " + outputName); System.out.println(); }

本文由【m】发布于开源中国,原文链接:https://my.oschina.net/u/4087915/blog/3158142

全部评论: 0

    我有话说: