一种试卷图像文件处理方法及存储介质技术

本发明专利技术公开了一种试卷图像文件处理方法及存储介质，方法包括：接收来自发起端的试卷图像，通过图像分割模型提取图像中的特定区域和非特定区域；检测传输网络的网络通畅率，获得传输网络的传输数据量阈值；当图像的文件数据量大于阈值时，通过神经网络模型对特定区域进行压缩，得到特定压缩区域，并通过混沌迭代算法对特定压缩区域进行加密，得到第一图像压缩信号；通过压缩感知技术对非特定区域进行压缩，得到第二图像压缩信号；将第一图像压缩信号和第二图像压缩信号一并传输至目标端。本申请能够提高考试时图像文件传输的效率和速率，确保了图像文件在传输过程中的安全性，并且在网络阻塞的情况下仍旧能够保证图像文件的传输。输。输。

【技术实现步骤摘要】
一种试卷图像文件处理方法及存储介质


[0001]本专利技术涉及图像压缩
，特别涉及一种试卷图像文件处理方法及存储介质。

技术介绍

[0002]当前学校的期中考试和期末考试的形式可以分为线上考试形式和线下考试形式两种。线下考试形式为学生集中在考场并进行考试答题和提交答卷。线上考试形式通常为学生通过互联网或者考试指定的客户端验证身份信息，之后获取学校方上传的考试试题，并在事先打印好的答题卡上进行作答；当考试时间结束时，将答题卡进行扫描为图片并上传至客户端，进而完成考试的提交。答题卡通常为统一的答题卡。另外，如答题卡、试卷等考试信息为隐私信息，其在传输的过程中需要保证一定的安全性，即要防止其在传输过程中遭受到信道攻击和明文窃取。
[0003]目前，学校方通常通过传输网络将扫描好的试题图像传输给学生方，学生方完成答题后通过传输网络将扫描好的答题卡图像传输至学校方，进而完成整个考试流程。然而，由于试卷图像并未进行加密操作，在其传输的过程中容易遭到外部攻击，导致试卷图像泄露。再者，在图像传输时，可能会出现在同一时间点大量图像上传的情况。面对大量的图像数据，传输网络无法处理庞大的数据量，进而导致传输网络崩溃，试卷图像文件无法正常传输给学生方或学校方。

技术实现思路

[0004]本专利技术的目的是提供一种试卷图像文件方法及存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]本专利技术解决其技术问题的解决方案是：第一方面，本申请提供一种试卷图像文件处理方法，包括如下步骤：
[0006]接收来自发起端的试卷图像，通过图像分割模型提取所述试卷图像中的特定区域和非特定区域；
[0007]检测传输网络的网络通畅率，根据网络通畅率计算所述传输网络的传输数据量阈值；
[0008]当所述试卷图像的文件数据量大于所述传输数据量阈值时，通过神经网络模型对所述特定区域进行压缩，得到特定压缩区域，并通过混沌迭代算法对所述特定压缩区域进行加密，得到第一图像压缩信号；
[0009]通过压缩感知技术对所述非特定区域进行压缩，得到第二图像压缩信号；
[0010]将所述第一图像压缩信号和所述第二图像压缩信号一并传输至目标端。
[0011]进一步地，所述通过图像分割模型提取所述目标图像中的特定区域和非特定区域，包括：
[0012]通过云端获取若干个历史试卷图像并构成图像分割数据集，所述云端存储有若干
个历史试卷图像；
[0013]其中，所述历史试卷图像中均包含有特定区域和非特定区域；
[0014]从所述图像分割数据集中循环抽取每个历史试卷图像作为测试集，样本中其余历史试卷图像作为训练集；
[0015]以非特定区域为模型参数，对所述训练集采用深度学习的方法进行模型训练，得到各个图像分割模型；
[0016]采用测试集对各个图像分割模型进行测试，得到各个图像分割模型的测试结果；
[0017]根据各个图像分割模型的测试结果，得到最终图像分割模型的性能指标；
[0018]采用最终图像分割模型对所述目标图像进行特定区域和非特定区域的分割。
[0019]进一步地，所述神经网络模型由深度卷积编码器、特征提取层和码率分配层构成，所述深度卷积编码器由一层输入层、归一化层、两个输出通道不同的卷积层、残差网络和输出层，所述输出层与所述特征提取层的输入连接；
[0020]所述深度卷积编码器用于对所述特定区域进行压缩编码，得到潜在表示特征，所述特征提取层用于提取重要性图，所述重要性图与所述潜在标识特征一并构成掩码，所述码率分配层用于通过掩码进行码率分配，得到特定压缩区域。
[0021]进一步地，所述通过神经网络模型对所述特定区域进行压缩，得到特定压缩区域，包括：
[0022]通过云端获取若干个历史试卷图像，预处理所述历史试卷图像，获得样本特定区域图像；
[0023]确定所述样本特定区域图像的感兴趣区域和非感兴趣区域，循环抽取若干个预处理后的所述样本特定区域图像分别作为高码率模型训练集、低码率模型训练集和压缩测试集；
[0024]以所述感兴趣区域作为模型参数，分别通过高码率模型训练集、低码率模型训练集对所述神经网络模型进行模型训练，得到高码率压缩模型和低码率压缩模型；
[0025]采用所述压缩测试集分别对所述高码率压缩模型和所述低码率压缩模型进行测试，得到高码率压缩模型和低码率压缩模型的测试结果；
[0026]根据高码率压缩模型和低码率压缩模型的测试结果，确定最终高码率压缩模型和最终低码率压缩模型的性能指标；
[0027]采用最终高码率压缩模型对所述特定区域的感兴趣区域进行压缩，采用低码率压缩模型对所述特定区域的非感兴趣区域进行压缩，得到所述特定压缩区域。
[0028]进一步地，所述通过混沌迭代算法对所述特定压缩区域进行加密，得到第一图像压缩信号，包括：
[0029]获取发起端的身份特征信息，将所述身份特征信息与所述特定压缩区域融合形成第一密钥，通过所述第一密钥生成混沌序列；
[0030]通过所述混沌序列构建偏移矩阵和置换矩阵；
[0031]对所述特定压缩区域进行小波变换，得到平滑版本的所述特定压缩区域的系数矩阵；
[0032]通过所述偏移矩阵改变所述系数矩阵中的小波系数值，得到第一矩阵；
[0033]通过所述置换矩阵对所述第一矩阵进行排列变换，得到第二矩阵；
[0034]将所述第二矩阵替换所述系数矩阵，对替换后的系数矩阵进行逆小波变换，得到第一图像压缩信号；
[0035]其中，所述逆小波变换为：Y1为第一图像压缩信号，A为替换后的系数矩阵，T
w
为逆小波变换系数。
[0036]进一步地，所述通过所述第一密钥生成混沌序列，包括：
[0037]构建混沌系统和Chebyshev映射；
[0038]所述混沌系统为：
[0039][0040]所述Chebyshev映射满足：
[0041]τ(x
j+1
)＝cos(n(cos
‑1x(n+1))
[0042]其中，定义区间为(
‑
1，1)；
[0043]计算所述特定压缩区域的信息熵，通过所述信息熵和所述第一密钥计算所述混沌系统的参数和初始值；所述参数和所述初始值为：
[0044][0045]其中，δ为混沌系统的参数，x(1)为初始值，mod表示取模运算，a1、a2、a3、a4为所述第一密钥，h为信息熵；a1、a2、a3、a4∈(0，+
∝
)；
[0046]将所述初始值和所述参数代入至所述混沌系统中，结合所述Chebyshev映射迭代若干次后生成所述混沌序列。
[0047]进一步地，所述通过所述混沌序列构建偏移矩阵和置换矩阵，包括：
[0048]构建空值矩阵R，所述空值矩阵R中可包含的元素数量的阈值为n1；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种试卷图像文件处理方法，其特征在于，包括如下步骤：接收来自发起端的试卷图像，通过图像分割模型提取所述试卷图像中的特定区域和非特定区域；检测传输网络的网络通畅率，根据网络通畅率计算所述传输网络的传输数据量阈值；当所述试卷图像的文件数据量大于所述传输数据量阈值时，通过神经网络模型对所述特定区域进行压缩，得到特定压缩区域，并通过混沌迭代算法对所述特定压缩区域进行加密，得到第一图像压缩信号；通过压缩感知技术对所述非特定区域进行压缩，得到第二图像压缩信号；将所述第一图像压缩信号和所述第二图像压缩信号一并传输至目标端。2.根据权利要求1所述的一种试卷图像文件处理方法，其特征在于，所述通过图像分割模型提取所述目标图像中的特定区域和非特定区域，包括：通过云端获取若干个历史试卷图像并构成图像分割数据集，所述云端存储有若干个历史试卷图像；其中，所述历史试卷图像中均包含有特定区域和非特定区域；从所述图像分割数据集中循环抽取每个历史试卷图像作为测试集，样本中其余历史试卷图像作为训练集；以非特定区域为模型参数，对所述训练集采用深度学习的方法进行模型训练，得到各个图像分割模型；采用测试集对各个图像分割模型进行测试，得到各个图像分割模型的测试结果；根据各个图像分割模型的测试结果，得到最终图像分割模型的性能指标；采用最终图像分割模型对所述目标图像进行特定区域和非特定区域的分割。3.根据权利要求1所述的一种试卷图像文件处理方法，其特征在于，所述神经网络模型由深度卷积编码器、特征提取层和码率分配层构成，所述深度卷积编码器由一层输入层、归一化层、两个输出通道不同的卷积层、残差网络和输出层，所述输出层与所述特征提取层的输入连接；所述深度卷积编码器用于对所述特定区域进行压缩编码，得到潜在表示特征，所述特征提取层用于提取重要性图，所述重要性图与所述潜在标识特征一并构成掩码，所述码率分配层用于通过掩码进行码率分配，得到特定压缩区域。4.根据权利要求1所述的一种试卷图像文件处理方法，其特征在于，所述通过神经网络模型对所述特定区域进行压缩，得到特定压缩区域，包括：通过云端获取若干个历史试卷图像，预处理所述历史试卷图像，获得样本特定区域图像；确定所述样本特定区域图像的感兴趣区域和非感兴趣区域，循环抽取若干个预处理后的所述样本特定区域图像分别作为高码率模型训练集、低码率模型训练集和压缩测试集；以所述感兴趣区域作为模型参数，分别通过高码率模型训练集、低码率模型训练集对所述神经网络模型进行模型训练，得到高码率压缩模型和低码率压缩模型；采用所述压缩测试集分别对所述高码率压缩模型和所述低码率压缩模型进行测试，得到高码率压缩模型和低码率压缩模型的测试结果；根据高码率压缩模型和低码率压缩模型的测试结果，确定最终高码率压缩模型和最终
低码率压缩模型的性能指标；采用最终高码率压缩模型对所述特定区域的感兴趣区域进行压缩，采用低码率压缩模型对所述特定区域的非感兴趣区域进行压缩，得到所述特定压缩区域。5.根据权利要求1所述的一种试卷图像文件处理方法，其特征在于，所述通过混沌迭代算法对所述特定压缩区域进行加密，得到第一图像压缩信号，包括：获取发起端的身份特征信息，将所述身份特征信息与所述特定压缩区域融合形成第一密钥，通过所述第一密钥生成混沌序列；通过所述混沌序列构建偏移矩阵和置换矩阵；对所述特定压缩区域进行小波变换，得到平滑版本的所述特定压缩区域的系数矩阵；通过所述...

【专利技术属性】
技术研发人员：左宁丽，古发辉，李集城，姜宇，陈孟超，陈庆青，陈松梅，班丽莉，
申请(专利权)人：广东职业技术学院，
类型：发明
国别省市：