【深度学习】基于Hough变化的答题卡识别（Matlab代码实现）

欢迎来到本博客 ❤️ ❤️


博主优势： 博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。


⛳ 座右铭：行百里者，半于九十。

本文目录如下：
目录
1 概述
2 运行结果

3 参考文献
4 Matlab代码实现

1 概述

为了提高视频图像关键帧提取及修复效果，设计了一种基于计算机视觉的视频图像关键帧提取及修复方法。基于计算机视觉进行视频图像采集；采用阈值分割法建立灰度值模型，计算背景与目标的灰度差；利用视频图像中的主要特征窗口获取像素值，使用熵值法采集剩余的局部纹理图像，以完成视频图像关键帧提取。在此基础上，利用加权法还原原始矩阵，完成视频图像关键帧修复。实验结果表明，此方法提取的图像清晰度较高，能够提取到图像的颜色特征和纹理特征，提取多个视频图像关键帧的时间较少。此外，还要解决机器视觉系统对目标的识别和位置的检测计算量大、精度低的问题，本文基于提出了一种Hough变换的图像特征识别算法，利用Hough变换对边缘检测结果进行形状特征的识别，提高了目标识别的准确度，降低了计算量。客观题考试阅卷是一项烦琐重复的工作,现有的自动化阅卷设备成本较高，为降低教师的工作强度，节约成本，针对以上问题提出一种基于局部自适应阈值分割和Hough变换的答题卡识别方法。运用数字图像处理的手段，先对答题卡图像进行平滑滤波、图像灰度化、图像二值化等预处理，再依据Hough变换进行倾斜校正得到待检测识别图像，最后根据区域的分割定位进行识别判断。实验结果表明，该算法对于答题卡的识别准确率高、使用方便,具有一定的应用价值。

2 运行结果

部分代码：

主函数：

clc; clear all; close all;

warning off all;

I = imread('images\\1.jpg');

I1 = Image_Normalize(I, 1);

hsize = [3 3];

sigma = 0.5;

I2 = Image_Smooth(I1, hsize, sigma, 1);

I3 = Gray_Convert(I2, 1);

bw2 = Image_Binary(I3, 1);

figure; subplot(1, 2, 1); imshow(I, []); title('原图像');

subplot(1, 2, 2); imshow(bw2, []); title('二值化图像');

[~, ~, xy_long] = Hough_Process(bw2, I1, 1);

angle = Compute_Angle(xy_long);

[I4, bw3] = Image_Rotate(I1, bw2, angle*1.8, 1);

[bw4, Loc1] = Morph_Process(bw3, 1);

[Len, XYn, xy_long] = Hough_Process(bw4, I4, 1);

[bw5, bw6] = Region_Segmation(XYn, bw4, I4, 1);

[stats1, stats2, Line] = Location_Label(bw5, bw6, I4, XYn, Loc1, 1);

[Dom, Aom, Answer, Bn] = Analysis(stats1, stats2, Line, I4);

3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]刘峰,吴文杰,刘小磊,王欣然,方亚平,李国亮,杜小勇.计算机视觉与深度学习在猪只识别中的研究进展[J/OL].华中农业大学学报:1-10[2023-03-17]

[]李一君.基于计算机视觉和深度学习的安播辅助提示系统设计与应用[J].广播与电视技术,2022,49(12):121-126.DOI:10.16171/j.cnki.rtbe.20220012025.

4 Matlab代码实现