ChatGPT的截图识别功能测评:开启图像中的文字与信息的新纪元

2023-12-13 04:46:04

制作人:川川
辛苦测评,如果对你有帮助支持一下书籍:https://item.jd.com/14049708.html

通过截图识别菜品

想象一下这种场景:你拿出手机,对着一道美味的麻婆豆腐拍照,但你不知道它的名字。通过图像识别和人工智能,你可以轻松解决这个问题。只需上传图片,AI就能为你识别并告诉你这是麻婆豆腐。这种技术的单一性和人工智能的结合,使我们的生活更加便捷。

问一个麻婆豆腐看看?回复如下:
在这里插入图片描述
问一个红烧猪蹄看看?回复如下:
在这里插入图片描述
再来问一个红烧茄子,回复如下:
在这里插入图片描述

利用截图检测数学公式

现在,让我们考虑一个考研高数选择题的场景。你有一张数学题的照片,但你想要答案。通过截图和人工智能,你可以得到准确的答案。这种技术的单一性和人工智能的结合,使学习变得更加高效。

这里我选一个考研高数的选择题测试:
在这里插入图片描述
再选一个选择题:
在这里插入图片描述
既然都识别完全正确,给出答案更是我想要的,可以看到答案完全正确!
在这里插入图片描述

根据截图生成前端UI代码

你可以让AI通过截图生成前端UI代码,省去了繁琐的编码工作。这使得单一性和人工智能的结合成为了开发者的利器。你只需提供截图,AI就能为你生成相应的前端UI代码,让你的应用界面设计变得更加简单。

提问:
在这里插入图片描述

给我生成代码:
在这里插入图片描述
运行效果如下,基本已经实现:
在这里插入图片描述

继续让他帮我复现一个UI:
在这里插入图片描述

根据代码,我得到结果如下UI结果:
在这里插入图片描述

可视化图像复现

人工智能不仅可以识别图像,还能生成代码,帮助你可视化图像复现。你可以上传一张图像,然后AI会生成代码,让你可以轻松地可视化相似的图像。这一技术的单一性和人工智能的结合,为图像处理提供了新的可能性。

案例一

例如这个图:
在这里插入图片描述
返回代码如下:

import numpy as np
import matplotlib.pyplot as plt

# 生成模拟数据
np.random.seed(0)

num_samples_per_group = 150

# 为G1生成数据
g1_dc1 = np.concatenate([np.random.normal(-0.05, 0.01, 90), np.random.normal(0.015, 0.01, 60)])
g1_dc2 = np.concatenate([np.random.normal(0.03, 0.02, 90), np.random.normal(0.08, 0.02, 60)])

# 为G2生成数据
g2_dc1 = np.random.normal(-0.04, 0.01, num_samples_per_group)
g2_dc2 = np.random.normal(0.005, 0.01, num_samples_per_group)

# 为G3生成数据
g3_dc1 = np.concatenate([np.random.normal(0.015, 0.01, 60), np.random.normal(0.045, 0.005, 90)])
g3_dc2 = np.concatenate([np.random.normal(-0.07, 0.01, 60), np.random.normal(-0.02, 0.005, 90)])

# 绘制图像
plt.scatter(g1_dc1, g1_dc2, color='blue', label='G1')
plt.scatter(g2_dc1, g2_dc2, color='green', label='G2')
plt.scatter(g3_dc1, g3_dc2, color='red', label='G3')

# 设置标题和轴标签
plt.title('Diffusion Map')
plt.xlabel('DC1')
plt.ylabel('DC2')
plt.legend()

# 显示图像
plt.show()

结果如下,可以看到基本实现,具体只不过就是数据的调整:
在这里插入图片描述

案例二

复现这个图:
在这里插入图片描述

返回代码如下:

import matplotlib.pyplot as plt
import pandas as pd

# 创建数据
data = {
    'sample': ['M1', 'M2', 'M3', 'M8', 'M9', 'M10'],
    'group': ['G1', 'G1', 'G1', 'G2', 'G2', 'G2'],
    'PC1': [0.5, -0.4, 0.2, -0.5, 0, 0.5],
    'PC2': [0.5, -0.4, 0.2, 0.3, 0, -0.2]
}
df = pd.DataFrame(data)

color_map = {'G1': 'blue', 'G2': 'red'}

# 绘制散点图
for group, color in color_map.items():
    mask = df['group'] == group
    plt.scatter(df[mask]['PC1'], df[mask]['PC2'], color=color, s=100, label=group)

plt.title('PCA Plot1')
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.grid(True)
plt.axhline(0, color='black',linewidth=0.5)
plt.axvline(0, color='black',linewidth=0.5)
plt.legend()
plt.show()

运行如下,可以看到基本复现,完全OK:
在这里插入图片描述

更多可以使用的方向

除了上述应用,单一性和人工智能的结合还可以应用于文本识别、对象识别、数据提取、翻译、辅助视觉障碍人士、图像搜索、图像编辑和增强、教育与学习、问题解决以及比较与分析等领域。这个结合为各种领域带来了更多可能性。

文章来源:https://blog.csdn.net/weixin_46211269/article/details/133394706
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。