POR: MARIO COTRINA ESCANDON DANIEL PEÑA AVAREZ DICIEMBRE 2011 SUSTENTACION DE TESINA DE SEMINARIO MATERIA: “PROCESAMIENTO DIGITAL DE IMÁGENES” TEMA: “DISEÑO E IMPLEMENTACION DE UN SISTEMA DE CALIFICACION MULTIOPCION” POR: MARIO COTRINA ESCANDON DANIEL PEÑA AVAREZ DICIEMBRE 2011

RESUMEN El presente proyecto presenta un Sistema de Calificación de Exámenes de Opción Múltiple desarrollado con MatLAB, siendo las entradas los exámenes digitalizados y con un Examen Patrón previamente cargado al programa que servirá como comparación de cada uno de los mismos. En el Capítulo 1 se detalla el planteamiento y desarrollo del software En el Capítulo 2 se ven los conceptos involucrados en el desarrollo del proyecto principalmente con el Proceso Digital de Imágenes En el capítulo 3 detallamos la implementación del mismo detallando cada uno de los pasos que se siguieron para concretar la culminación del mismo. En el capítulo 4 mostramos los resultados obtenidos después de ejecutar el programa.

INTRODUCCION Procesamiento Digital de Imágenes Entradas y Salidas El software Breve descripción

Antecedentes del Proyecto En la actualidad se usa el Procesamiento Digital de Imágenes para realizar evaluaciones en todos lados: escuelas, colegios, entes públicos, privados. Mucha cantidad de información Automatizar procesos Costos

Objetivos Generales Automatización del proceso de Calificación Método comparativo de las respuestas Generar opciones de almacenamiento

Objetivos Específicos Crear Software en MatLAB que compare los exámenes ingresados con un Patrón previamente cargado Mostrar en Pantalla la calificación del Examen Guardar los datos: Información del Estudiante Nota del estudiante indicando: aciertos y errores

MARCO TEORICO A continuación detalle de conceptos necesarios para el Procesamiento Digital de Imágenes desarrolladas para este proyecto Concepto de Imágenes: Almacenamiento en Escala de Grises: Imagen definida como una función de dos dimensiones f(m,n) donde m y n son coordenadas espaciales. Almacenamiento en Color: Es representada por una matriz tridimensional m x n x p, donde m y n representan lo mismo que en la escala de grises y p representa el plano. Imagen RGB (Red, Green, Blue)

Representación de Imágenes en MatLAB Imagen en Escala de grises Imagen a colores

Imagen Binaria es la que cada pixel solo puede tener como valor 1 ó 0, aquí es más fácil encontrar y distinguir características estructurales. En procesamiento de Imágenes el trabajo con imágenes binarias es importante ya sea para: Realizar Segmentación por Intensidad de Imagen Para generar algoritmos de reconstrucción Reconocer Estructuras

Binarización Consiste en obtener representado solo por dos tonos de color, blanco y negro generalmente, se debe especificar que color se da a cada pixel esto se hace dando un umbral de binarización. Primero se pasa la imagen a escala de grises, se recorre cada pixel se procede a comparar con el umbral previamente definido para obtener: Si es mayor o igual al umbral de salida será blanco ó 1 Si es menor que el umbral será negro ó 0

Ejemplo de binarización de una imagen en escala de grises

Etiquetamiento Bwlabel realiza un etiquetado de la imagen binaria, averigua cuantos elementos están presentes en la imagen, la función tiene el formato: [L ne] = bwlabel(BW) donde: L es la imagen resultado que tiene los elementos etiquetados con el número. ne correspondiente al objeto . BW imagen que se desea encontrar el número de objeto. Esta función nos ayuda a determinar el número de elementos presentes en la imagen.

Propiedades de los Elementos de la Imagen El comando regionprops mide propiedades de objetos o regiones de una imagen y las retorna como un arreglo. Tiene el siguiente formato: im = regionprops(L, ‘basic’) donde: im será la estructura con el número de elementos etiquetados L es la matriz de elementos etiquetados basic para este caso significa el cálculo básico de propiedades que son el área, centro de masa y las dimensiones de caja del elemento Este comando nos ayuda a distinguir formas o áreas por lo que se podrían analizar elementos específicos.

Operaciones Morfológicas Las operaciones morfológicas son las mas usadas en visión sobre imágenes previamente digitalizadas. Aplican un elemento estructural a la imagen de entrada sin cambiar el tamaño de la imagen de salida. Las operaciones morfológicas mas comunes son: Dilatación Erosión En una operación morfológica el valor de cada pixel en la imagen de salida depende del valor de ese pixel en la imagen de entrada y su relación con la vecindad. Seleccionando el tamaño y forma de la vecindad (definido a través de un elemento estructural) se puede crear una operación morfológica que altera el valor del pixel en la imagen de salida.

Elemento Estructural Define forma y tamaño del pixel que será analizado, para posterior alterar su valor. Formado por ceros y unos de forma y tamaño arbitrario en la cual las posiciones donde esta el 1 definen la vecindad. La matriz que define el elemento estructural tiene un tamaño muy inferior al tamaño de la imagen a la que modificará. Define el tamaño y la forma de la vecindad en la que se aplicará la operación morfológica

Dentro de las formas tenemos: Cuadrado Diamante Disco Línea Circulo Rectángulo Octágono Ejemplo de elemento estructural

Dilatación Se basa en aumentar el valor de los pixeles en el entorno de la imagen. Para calcularla se superpone el pixel central del elemento estructural a cada pixel de la imagen de entrada, entonces el pixel de entrada se altera en función de los valores del pixel del entorno definidos por el elemento estructural. El valor del pixel de salida será el máximo entre todos los presentes en la vecindad.

La dilatación sirve para: Ampliar bordes Unir objetos próximos Eliminar detalles negros pequeños Ejemplo de Dilatación

Erosión Se basa en reducir el nivel de los pixeles en el entorno de un objeto presentes en una imagen. El pixel de salida será el mínimo de los niveles presentes en la vecindad definida por el elemento estructural. Sirve para: Reducir Bordes Separar objetos próximos Eliminar puntos blancos separados Amplia detalle negros pequeños Ejemplo de Erosión

Apertura Es la realización de una erosión seguida de una dilatación usando el mismo elemento estructural para ambas operaciones. Sirve para: Suavizar contorno de objetos Eliminar pequeñas protuberancias Romper conexiones débiles Ejemplo de Apertura

Cerradura o Cierre Es la realización de una dilatación seguida de una erosión usando el mismo elemento estructural en ambas operaciones Sirve para: Rellenar detalles conectando objetos próximos Suavizar contornos Rellenar vacios de contorno Eliminar huecos pequeños Ejemplo de Cerradura

Implementación Para la implementación de este proyecto fue necesario contar con todos los elementos de Hardware y Software necesarios para garantizar el correcto funcionamiento del programa. A continuación detallaremos los recursos mínimos de los elementos Luego se mencionaran los pasos que se siguieron para el desarrollo del programa.

Requerimientos de Hardware MatLAB se puede ejecutar de varios sistemas operativos lo que hace necesario explicar los requerimientos mínimos para que funcione en cada uno de ellos, a continuación el detalle. Para WINDOWS Procesador: Intel (Pentium IV o superior, Celeron, Xenón, Core) o AMD Sistema Operativo: XP SP2 o SP3, 2000 SP1 o SP2, VISTA SP1, Server 2008 ó W7 RAM: mínima 512 M, se recomienda no tener menos de 2 G. HD: 1 GB de espacio libre Tarjeta Gráfica: Compatible con OpenGL (OpenGraficLibrary) de 16, 24 o 32 bits Unidad Lectora de CD o DVDWR Tarjeta de Sonido Estereo compatible con Windows y altavoces

Para Linux Procesador: Intel (Pentium IV o superior, Celeron*, Xenón, Core) o AMD (Athlon 64, Opteron o Sempron*) *El procesador debe ser compatible con el paquete de instrucciones SSE2 Sistema Operativo: Debian 4.0 o superior, Red Hat Enterprise Linux v4 o superior, OpenSuSE 9.3 o superior, Ubunto 8 o superior. RAM: mínima 512 M, se recomienda no tener menos de 1 G. HD: 1 GB de espacio libre Tarjeta Gráfica: Compatible con OpenGL (OpenGraficLibrary) de 16, 24 o 32 bits Unidad Lectora de CD o DVDWR

Para Macintosh Procesador: Todos los MAC basados en Intel Sistema Operativo: MAC OS ® X 10.5.5 o superior RAM: mínima 512 M, se recomienda no tener menos de 1 G. HD: 1 GB de espacio libre Tarjeta Gráfica: Compatible con OpenGL (OpenGraficLibrary) de 16, 24 o 32 bits Unidad Lectora de CD o acceso a LAN

Desarrollo del proyecto Previamente se tiene una base de datos con las hojas de respuestas de los exámenes en formato *.jpg así como el examen patrón en el mismo formato, se escogió este formato porque es el mas usado y el de mejor compresión lo que nos ahorra espacio en los dispositivos de almacenamiento. El primer paso es cargar el examen patrón, si no se realiza el programa no avanza, se procede a binarizar la imagen y se dilata con un elemento estructural lineal, internamente se separa el bloque de casillas de respuestas de la numeración y se analiza que casillero ha sido marcado fila por fila con su respectiva opción. La imagen seleccionada de trabajo tiene un área aproximada de la mitad de los pixeles, cuando no se marca la casilla completamente el programa tiene una verificación adicional del área la misma que es tomada como valida mediante promedio de áreas si es mayor al promedio la da como válida, luego se procede a almacenar en una matriz que servira para la comparación

Para los exámenes a calificar se hace un proceso similar al del examen patrón se recorta el bloque de respuestas y se almacena en una matriz para luego ser llamada por la opción calificar. Se ingresa el rango de exámenes a calificar y se procede a realizar la calificación y se mantiene en un bucle hasta que termine el proceso con cada uno de los mismos. Al igual que con el examen patrón para los exámenes a calificar se realiza la binarización, dilatación de un elemento estructural lineal y limpieza de posibles impurezas Luego corre un algoritmo en el cual se procede a realizar la resta del las respuestas del examen patrón con las de cada examen calificado, teniendo lo siguiente: Resta igual a cero respuesta correcta ya que hay coincidencias Diferente de cero respuesta errónea

Bloque de respuestas recortado binarizado y dilatado Modelo de examen

Diagrama de Bloques

Conclusiones Para identificar las respuestas correctas, incorrectas, nulas y blancas se depende de que las mismas estén alineadas correctamente ya que luego al comparar las mascaras si las mismas no coinciden dará error. Si se desea realizar pruebas con imágenes de diferentes tamaños se deberá modificar parámetros en el programa ya que el mismo fe diseñado para las especificaciones dadas en este proyecto. Los aplicaciones de elementos estructurales así como los conceptos de dilatación, erosión apertura y cierre fueron de gran ayuda para identificar formas en este caso rectangular, que es la forma de la casilla de respuesta. El archivo *.txt creado no presenta alteraciones o reemplazos con otros archivos existentes lo que da fiabilidad para la revisión posterior.

Recomendaciones Para futuras aplicaciones se recomienda que la imagen sea leída directamente desde el escáner. Es recomendable que el alineamiento de la imagen sea automático, ahorrando trabajo al usuario y aumentando la efectividad del programa. Se recomienda que los datos puedan ser guardados por medio de reconocimiento óptico de esa forma se ahorrará tiempo al ingreso de los mismos. Se debe tener en cuenta que el programa funciona con formas rectangulares, si se desea otro tipo de forma (ejemplo circular) debe variarse ciertos parámetros al algoritmo.

GRACIAS!!