網(wǎng)絡(luò)閱卷中的一種涂點(diǎn)識別算法

張一飛

摘 要：網(wǎng)絡(luò)閱卷模式隨著教育信息化的發(fā)展和相關(guān)技術(shù)水平的進(jìn)步，已經(jīng)成為一種非常流行的考試信息化解決方案。在網(wǎng)絡(luò)閱卷中，圖像識別的最終目的是識別試卷圖像上的涂點(diǎn)信息，正確判別考生的填涂結(jié)果。文中介紹了一種基于動態(tài)閾值的涂點(diǎn)識別算法，并對該方法進(jìn)行了理論分析和推導(dǎo)，證明其具有很高的實際應(yīng)用價值。

關(guān)鍵詞：動態(tài)閾值；涂點(diǎn)識別；網(wǎng)絡(luò)閱卷；信息化

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2016）11-00-02

0 引 言

隨著在線教育和教育信息化的發(fā)展和推廣，網(wǎng)絡(luò)閱卷模式被越來越多的學(xué)校和教育機(jī)構(gòu)所接受，已經(jīng)逐漸成為一種業(yè)界通行的考試閱卷方案。具體來說，網(wǎng)絡(luò)閱卷主要指學(xué)生參加紙質(zhì)考試后，通過獲取圖像、圖像識別、客觀題判分、主觀題閱卷、成績匯總幾個步驟，實現(xiàn)公平、公正判分，并生成成績統(tǒng)計分析結(jié)果的過程。

網(wǎng)絡(luò)閱卷流程的最終目的是實現(xiàn)涂點(diǎn)的識別，而涂點(diǎn)識別的目的是為了準(zhǔn)確判定考生的填涂情況。一般來說，網(wǎng)絡(luò)閱卷中使用識別模板對圖像進(jìn)行識別，在識別區(qū)域中，通過采集識別區(qū)域像素點(diǎn)的灰度值，利用閾值對圖像進(jìn)行二值化處理，從而判定涂點(diǎn)的填涂密度，確定填涂與否。這種判斷方式的最大問題在于閾值的選取，若選取閾值過低，或填涂較輕的涂點(diǎn)則無法識別，閾值過高又可能誤識別一些沒有填涂的圖像。因此可以考慮一種基于動態(tài)閾值的涂點(diǎn)識別算法，根據(jù)圖像像素灰度的分布確定實際閾值，根據(jù)計算后的閾值進(jìn)行二值化處理和涂點(diǎn)密度的計算。此外，由于試卷圖像在印刷、學(xué)生填涂以及掃描過程中，無可避免的會產(chǎn)生一定的噪聲信息，因此需要對圖像上的噪聲進(jìn)行去噪處理。

1 涂點(diǎn)區(qū)域的特征

1.1 涂點(diǎn)信息類型

網(wǎng)絡(luò)閱卷系統(tǒng)獲取的試卷圖像上可能存在多種涂點(diǎn)信息。具體來說可分為以下幾類：

（1）考生信息數(shù)據(jù)。考生信息包含了考生的考號、姓名、班級等個人信息，其中考號信息是最關(guān)鍵的信息，因為其唯一標(biāo)識了一張試卷的歸屬情況。

（2）客觀題填涂數(shù)據(jù)。無論任何形式的網(wǎng)絡(luò)閱卷，其客觀題填涂信息一定是被系統(tǒng)識別并供后續(xù)判分使用的，因為這是保證網(wǎng)絡(luò)閱卷高速、公平、準(zhǔn)確判分的基礎(chǔ)。

（3）其他試卷信息。在試卷上還會存在一些其他類型的試卷信息，例如缺考標(biāo)記、學(xué)科標(biāo)記、選做題選做標(biāo)記等，這些標(biāo)記均以涂點(diǎn)的形式存在。

對于客觀題填涂信息而言，涂點(diǎn)識別的結(jié)果直接反映了學(xué)生填涂的結(jié)果，即學(xué)生作答的答案。對于其他試卷涂點(diǎn)信息，涂點(diǎn)識別的結(jié)果主要是學(xué)生在答題時的一些關(guān)鍵判別信息，如對試卷科目、缺考情況的認(rèn)定以及學(xué)生答題的輔助信息，如選做題的選做標(biāo)記信息等。

1.2 涂點(diǎn)的噪聲

一個典型客觀題區(qū)域經(jīng)掃描后圖像放大如圖1所示。由圖1可見，涂點(diǎn)區(qū)域的噪聲主要有隨機(jī)噪聲和邊緣噪聲兩種。

（1）隨機(jī)噪聲。隨機(jī)噪聲是指圖像上的一些干擾像素點(diǎn)的灰度深度隨機(jī)分布。隨機(jī)噪聲對于圖像信息的提取有很大的干擾作用，由圖1可見，填涂區(qū)域的周圍及內(nèi)部均存在一定程度的高斯噪聲。而在無噪聲條件下，這些噪聲點(diǎn)的位置像素應(yīng)該和背景色相同。

（2）邊緣噪聲。邊緣噪聲是指圖像中存在的尖銳邊緣，其定義主要取決于這些邊緣對有效信息的提取是正作用還是負(fù)作用。在客觀題填涂區(qū)域的識別當(dāng)中，填涂區(qū)域的邊框和填涂區(qū)域內(nèi)部的字母A＼B＼C＼D等標(biāo)記均為邊緣噪聲，其對客觀題填涂密度的識別有抑制作用，降低了像素灰度的分布空間。

（2）前景和背景的類間方差是0，1，0，1 的函數(shù)，而它們又是t的函數(shù)，因此可對每一個t級別做遍歷，統(tǒng)計對應(yīng)的前景像素比例0，背景像素比例1以及對應(yīng)的灰度均值0，1，從而計算出對應(yīng)每一個t值的類間方差g （t）。

（3）選擇類間方差最大的點(diǎn) g=max {g （t）}，即得到該區(qū)

域的閾值t。

（4）由于該算法計算出的閾值可以隨圖像的顏色深淺和黑白對比程度動態(tài)變化，但涂點(diǎn)識別需要將盡可能多的點(diǎn)判定為黑點(diǎn)，因此需要對閾值t做加權(quán)處理，取權(quán)重為1.3，即最終閾值t0=t×1.3。若加權(quán)后的閾值大于255，則取t0=255。

2.4 涂點(diǎn)密度計算

確定動態(tài)閾值后，即可計算涂點(diǎn)的填涂密度。設(shè)計算得到的閾值為t0，則灰度值小于t0的像素點(diǎn)個數(shù)統(tǒng)計為n0，總像素點(diǎn)數(shù)為涂點(diǎn)寬度與高度的乘積m×n，即可得涂點(diǎn)密度=n0/（m×n）。若>0.75，則認(rèn)為該點(diǎn)已被填涂。

3 結(jié) 語

本文介紹了網(wǎng)絡(luò)閱卷中涂點(diǎn)識別的意義和主要內(nèi)容，分析了涂點(diǎn)信息的類型和涂點(diǎn)噪聲的形式，提出了一種基于動態(tài)閾值的涂點(diǎn)識別算法，并對算法流程、去噪處理、動態(tài)閾值的計算進(jìn)行了理論分析和推導(dǎo)。該方法可以有效避免填涂深淺帶來的閾值選取問題，根據(jù)實際圖像灰度分布計算閾值，具有較高的實用價值。

參考文獻(xiàn)

[1]宋錦秀.基于圖像識別的答題卡自動閱卷研究[J].中小學(xué)電教月刊，2015（8）：69.

[2]吳翔，夏英杰，李金屏.一種答題卡的自動閱讀方法[J].濟(jì)南大學(xué)學(xué)報（自然科學(xué)版），2014，28（4）：246-250.

[3]楊青燕，彭延軍.基于灰度圖像的答題卡識別技術(shù)[J].山東科技大學(xué)學(xué)報（自然科學(xué)版），2009，28（3）：99-102.

[4]李清.基于圖像識別的網(wǎng)上閱卷系統(tǒng)的設(shè)計實現(xiàn)與優(yōu)化[D].長春：東北師范大學(xué)，2013.