基于投影的OMR卡片图像纠偏设计与实现毕业设计

# 基于投影的OMR卡片图像纠偏设计与实现 -软件工程毕业设计课题 ## 课题描述 光学标记识别OMR（Optical Mark Recognition）是解决信号自动录入的有效方法。利用光学方法将信息录入到计算机并进行识别处理，能极大地提高数据信息的采集速度，便于计算机存储、管理与检索。OMR技术快速简单，识别率高且成本低，广泛应用于各类标准化考试、各类调查问卷的统计、选举结果的统计等，是自动识别领域中应用较多的一种方法。 1. 通过横向和纵向投影实现OMR定位和信息提取。通过搜索投影最大标准差所对应的方向实现角度校正,克服扫描误差引起图像偏斜的问题。图像无偏斜时，各选项纵横方向对齐，投影曲线起伏变化较大；当图像倾斜时选项的交错使投影起伏变化变小。由此，可用投影曲线的标准差为判断依据，确定图像偏转角度。 2. 使图像在角度范围内以微小角度旋转，计算纵向投影的标准差，标准差最大的旋转角度作为最佳纠偏角度。 3. 实验测试：对各种输入试卷图像进行大量测试，分析实验结果，总结失败的原因，并提出改进解决方案。 ## 系统设计 本仓库采用 monorepo 策略，核心代码存放于项目根目录下的 `packages` 文件夹当中。 - **core**: 验证程序，基于 `lib` 完成开发。主要用于对核心算法进行试用和验证。 - **lib**: 核心算法 crate ，基于 `opencv` 提供多种 OMR 纠偏方法。 - **app**: 基于 tauri 和核心算法库开发的桌面级程序。 ## 应用架构 此处主要讨论应用级别的 `app` 的系统架构。 该应用基于 `tauri` 开发，系统交互层面使用 `Rust` 完成，用户界面采用 `React` 技术栈编写。UI 组件使用 Material UI 。 采用多页面架构以适应多窗口应用。各个窗口之间通过 [useLocalStorage](/packages/app/src/hooks/useLocalStorage.ts) 利用 `localStorage` 共享全局状态，降低了各个窗口之间同步基本数据的难度。 rust 部分引入 `lib` 库，使用线程池实现**针对单个图片的加速处理**或是**针对多个图片的同时批量处理**。 核心 `lib` 已实现的纠偏方案有： - 基于投影标准差的方案 - 基于霍夫变换检测图中直线的方案 - 基于快速傅里叶变换找寻图中主导线的方案 ## 如何开发 ### 安装 pnpm 我们使用 `pnpm` 作为我们的包管理器。 #### 使用 `npm` 全局安装 `pnpm` ```bash npm install -g pnpm ``` 或者 ```bash npm install -g @pnpm/exe ``` 如果您的电脑上没有安装 `Node.js` 也可以使用以下脚本安装 `pnpm` 。 使用 PowerShell： ```bash iwr https://get.pnpm.io/install.ps1 -useb | iex ``` 然后您可以使用 [`pnpm env`](https://pnpm.io/cli/env) 命令来安装 Node.js 。 ### 安装 rust 该应用使用 Rust 进行开发，请参照 [Rust官网](https://www.rust-lang.org/learn/get-started) 进行安装。 ### 安装 opencv