Aspose一直致力于研究用于執(zhí)行文件間格式轉換，對文件進行操作（例如創(chuàng)建、版本、操作等）的文件格式API。好消息來啦！專門用于Java平臺識別光學標識并管理轉換的API控件Aspose.OMR for Java首次公開發(fā)行啦！

Aspose.OMR for Java是一種可從多種圖像格式識別光學標記，包括PNG，GIF，JPEG，TIFF，BMP的API。API將輸出保存為CSV和JSON格式，并且可以在執(zhí)行OMR操作時以文本格式顯示結果。可點擊下方按鈕下載最新版體驗。

Aspose.OMR for Java數(shù)據處理API功能

接下來，讓我們快速瀏覽一下上述Java API的功能，以了解如何識別各種圖像格式的光學標記，以及如何從包含MCQ的調查，問卷或測試中捕獲人類標記的數(shù)據。

用Java動態(tài)創(chuàng)建OMR模板

Aspose.OMR for Java提供了從創(chuàng)建OMR模板到識別光學標記以捕獲數(shù)據的完整功能集。該API支持通過簡單的文本標記生成OMR模板文件或圖像。您只需將模板的文本標記傳遞給API，它將為您生成模板。以下是OMR模板的示例文本標記。

我們可以簡單地將文本標記保存在擴展名為.txt的文本文件中。完成后，可以使用以下步驟生成模板：

• 創(chuàng)建一個OmrEngine對象。
• 調用OmrEngine.generateTemplate（）方法，該方法接受標記文本文件的路徑。
• 使用GenerationResult.save方法保存模板。

下面的代碼示例演示如何使用Java從文本標記生成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]); }

輸出結果：

使用Java的圖像中的光學標記識別（OMR）

為了在圖像中執(zhí)行OMR，只需要兩件事–準備的OMR模板（.omr）和圖像（用戶填寫的表單/工作表）就可以執(zhí)行OMR。API支持以下圖像格式的OMR：

• JPEG
• PNG
• GIF
• TIFF
• BMP

以下是在圖像中執(zhí)行OMR的步驟：

• 創(chuàng)建OmrEngine對象。
• 創(chuàng)建TemplateProcessor對象，并使用OMR模板的路徑對其進行初始化。
• 使用TemplateProcessor.recognizeImage（）方法識別圖像，并以CSV或JSON格式獲取結果。

下面的代碼示例演示如何使用Java識別圖像中的光學標記：

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); }

對OMR使用自定義識別閾值

可以通過在0到100之間定義一個自定義閾值來微調OMR結果。增大閾值會使API在識別答案時更加嚴格。可以在TemplateProcessor.recognizeImage（）方法中將閾值設置 為第二個參數(shù)，如以下Java代碼示例所示。

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); }

重新計算OMR結果

在某些情況下，您可能需要使用不同的閾值重新計算OMR結果。在這種情況下，不必一次又一次地調用TemplateProcessor.recognizeImage（），而是可以使用TemplateProcessor.recalculate（）方法配置用于自動重新計算的API，以提高圖像處理效率。下面的代碼示例演示如何實現(xiàn)OMR結果的重新計算。

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(); }