壓縮比 92 95 98的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

計算器視覺與深度學習實戰：以MATLAB、Python為工具

為了解決壓縮比 92 95 98的問題，作者劉衍琦詹福宇王德建 這樣論述：

本書詳細講解了36個電腦視覺與深度學習實戰案例（含可運行程式），涉及霧霾去噪、答題卡自動閱卷、肺部圖像分割、小波數位浮水印、圖像檢索、人臉二維碼識別、車牌定位及識別、霍夫曼圖像壓縮、手寫數位元識別、英文字元文本識別、眼前節組織提取、全景圖像拼接、小波圖像融合、基於語音辨識的音訊信號模擬燈控、路面裂縫檢測識別、視頻運動估計追蹤、Simulink影像處理、胸片及肝臟分割、基於深度學習的汽車目標檢測、基於電腦視覺的自動駕駛應用、基於深度學習的視覺場景識別、基於深度特徵的以圖搜畫、基於CNN的字元識別、基於CNN的物體識別、基於CNN的圖像矯正、基於LSTM的時間序列分析、基於深度學習的以圖搜圖技術、

基於YOLO的智慧交通目標檢測等多項重要技術及應用，涵蓋了數位元影像處理中幾乎所有的基本模組，並延伸到了深度學習理論及其應用方面。 工欲善其事，必先利其器，本書對每個數位元影像處理的知識點都提供了豐富、生動的案例素材，並以MATLAB、Python為工具詳細講解了實驗的核心程式。通過對這些程式的閱讀、理解和模擬運行，讀者可以更加深刻地理解影像處理的內容，並且更加熟練地掌握電腦視覺及深度學習在不同實際領域中的用法。 本書以案例為基礎，結構佈局緊湊，內容深入淺出，實驗簡捷高效，適合電腦、信號通信和自動化等相關專業的教師、本科生、研究生，以及廣大從事數位元影像處理的工程研發人員閱讀參考。  

劉衍琦，機器學習演算法專家及視覺AI課程講師，擅長視覺智慧分析、多源異構資料獲取和挖掘等工程化應用，並長期從事視覺大資料工程相關工作，涉及互 聯網海量圖像、聲紋、視頻檢索，以及OCR圖文檢索、手繪草圖智慧識別、特殊通道資料分析等應用的演算法架構與研發，對圖文識別、大規模以圖搜圖、資料感知 和採集等進行過深入研究，並結合行業背景推動了一系列工程化應用。曾主編和參與編寫多本書籍。 詹福宇，博士，資深飛行控制演算法專家，畢業于西北工業大學航空學院飛行器設計專業。擁有近10年模擬控制開發經驗，熟悉Simulink基於模型設計的流程，曾主編和參與編寫多本書籍。 王德建，檔案管理副研

究館員，畢業于西安建築科技大學系統工程專業，從事檔案數位化、智慧化分類、OCR圖文檢索、圖像智慧識別相關工作。 陳峰蔚，熟悉機器學習、深度學習及電腦視覺在智慧交通、智慧駕駛領域的應用，長期從事汽車品牌識別、車型細細微性分類、目標檢測與分割方面的相關工作，精通MATLAB、Python程式設計及TensorFlow深度學習框架，參與了多項專利的設計與開發。 蔣獻文，資深專業醫事放射師，畢業于中國醫藥大學醫學院臨床醫學研究所。擅長醫學影像處理技術、放射線射影技術及手術房電腦斷層與血管攝影技術，在臨床放射技術學與影像處理方面進行過深入研究並發表了相關醫學論文。 周華英，新能源汽車高級工程師，畢

業于北京交通大學交通運輸規劃與管理專業。長期進行純電動及混合動力汽車系統建模與控制、汽車動力系統與控制、電動汽車能量管理和控制優化等研究，曾主編和參與編寫多本書籍。   第1章基於長條圖優化的圖像去霧技術1 1.1案例背景1 1.2理論基礎1 1.2.1空域圖像增強1 1.2.2長條圖均衡化2 1.3程式實現3 1.3.1設計GUI介面4 1.3.2全域長條圖處理4 1.3.3局部長條圖處理6 1.3.4Retinex增強處理8 1.4延伸閱讀12   第2章基於形態學的權重自我調整圖像去噪13 2.1案例背景13 2.2理論基礎14 2.2.1圖像去噪的方法14 2.2.

2數學形態學的原理15 2.2.3權重自我調整的多結構形態學去噪15 2.3程式實現16 2.4延伸閱讀22   第3章基於多尺度形態學提取眼前節組織24 3.1案例背景24 3.2理論基礎25 3.3程式實現28 3.3.1多尺度結構設計28 3.3.2多尺度邊緣提取29 3.3.3多尺度邊緣融合31 3.4延伸閱讀33   第4章基於Hough變化的答題卡識別34 4.1案例背景34 4.2理論基礎34 4.2.1圖像二值化35 4.2.2傾斜校正35 4.2.3圖像分割38 4.3程式實現40 4.3.1圖像灰度化40 4.3.2灰度圖像二值化41 4.3.3圖像平滑濾波41 4.3.4

圖像矯正41 4.3.5完整性核查42 4.4延伸閱讀51   第5章基於閾值分割的車牌定位識別53 5.1案例背景53 5.2理論基礎53 5.2.1車牌影像處理54 5.2.2車牌定位原理58 5.2.3車牌字元處理58 5.2.4車牌字元識別60 5.3程式實現62 5.4延伸閱讀69   第6章基於分水嶺分割進行肺癌診斷71 6.1案例背景71 6.2理論基礎71 6.2.1模擬浸水的過程72 6.2.2模擬降水的過程72 6.2.3過度分割問題72 6.2.4標記分水嶺分割演算法72 6.3程式實現73 6.4延伸閱讀77   第7章基於主成分分析的人臉二維碼識別79 7.1案例背景

79 7.2理論基礎79 7.2.1QR二維碼簡介80 7.2.2QR二維碼的編碼和解碼流程82 7.2.3主成分分析方法84 7.3程式實現85 7.3.1人臉建庫85 7.3.2人臉識別87 7.3.3人臉二維碼87 7.4延伸閱讀92   第8章基於知識庫的手寫體數位識別94 8.1案例背景94 8.2理論基礎94 8.2.1演算法流程94 8.2.2特徵提取95 8.2.3模式識別96 8.3程式實現97 8.3.1影像處理97 8.3.2特徵提取98 8.3.3模式識別101 8.4延伸閱讀102 8.4.1識別器選擇102 8.4.2特徵庫改善102   第9章基於特徵匹配的英文印

刷字元識別103 9.1案例背景103 9.2理論基礎104 9.2.1圖像預處理104 9.2.2圖像識別技術105 9.3程式實現106 9.3.1介面設計106 9.3.2回檔識別111 9.4延伸閱讀112   第10章基於不變矩的數位驗證碼識別113 10.1案例背景113 10.2理論基礎114 10.3程式實現114 10.3.1設計GUI介面114 10.3.2載入驗證碼圖像115 10.3.3驗證碼圖像去噪116 10.3.4驗證碼數字定位118 10.3.5驗證碼歸一化120 10.3.6驗證碼數位識別121 10.3.7手動確認並入庫124 10.3.8重新生成範本庫12

5 10.4延伸閱讀128   第11章基於小波技術進行圖像融合129 11.1案例背景129 11.2理論基礎130 11.3程式實現132 11.3.1設計GUI介面132 11.3.2圖像載入133 11.3.3小波融合135 11.4延伸閱讀137   第12章基於塊匹配的全景圖像拼接138 12.1案例背景138 12.2理論基礎138 12.2.1圖像匹配139 12.2.2圖像融合141 12.3程式實現142 12.3.1設計GUI介面142 12.3.2載入圖片143 12.3.3圖像匹配144 12.3.4圖像拼接148 12.4延伸閱讀153   第13章基於霍夫曼圖像編

碼的圖像壓縮和重建155 13.1案例背景155 13.2理論基礎155 13.2.1霍夫曼編碼的步驟156 13.2.2霍夫曼編碼的特點157 13.3程式實現158 13.3.1設計GUI介面158 13.3.2壓縮和重建159 13.3.3效果對比164 13.4延伸閱讀167   第14章基於主成分分析的圖像壓縮和重建168 14.1案例背景168 14.2理論基礎168 14.2.1主成分降維分析原理168 14.2.2由得分矩陣重建樣本169 14.2.3主成分分析資料壓縮比170 14.2.4基於主成分分析的圖像壓縮170 14.3程式實現171 14.3.1主成分分析的原始程式

碼171 14.3.2圖像陣列和樣本矩陣之間的轉換172 14.3.3基於主成分分析的圖像壓縮173 14.4延伸閱讀176   第15章基於小波的圖像壓縮技術177 15.1案例背景177 15.2理論基礎178 15.3程式實現180 15.4延伸閱讀188   第16章基於融合特徵的以圖搜圖技術189 16.1案例背景189 16.2理論基礎189 16.3程式實現191 16.3.1圖像預處理191 16.3.2計算特徵191 16.3.3圖像檢索194 16.3.4結果分析194 16.4延伸閱讀196   第17章基於Harris的角點特徵檢測198 17.1案例背景198 17.

2理論基礎199 17.2.1Harris的基本原理199 17.2.2Harris演算法的流程201 17.2.3Harris角點的性質201 17.3程式實現202 17.3.1Harris演算法的代碼202 17.3.2角點檢測實例204 17.4延伸閱讀205   第18章基於GUI搭建通用視頻處理工具206 18.1案例背景206 18.2理論基礎206 18.3程式實現208 18.3.1設計GUI介面208 18.3.2實現GUI介面209 18.4延伸閱讀220   第19章基於語音辨識的信號燈圖像 模擬控制技術221 19.1案例背景221 19.2理論基礎221 19.3程

式實現223 19.4延伸閱讀232   第20章基於幀間差法進行視頻目標檢測234 20.1案例背景234 20.2理論基礎234 20.2.1幀間差分法235 20.2.2背景差分法236 20.2.3光流法236 20.3程式實現237 20.4延伸閱讀24   第21章路面裂縫檢測系統設計247 21.1案例背景247 21.2理論基礎247 21.2.1圖像灰度化248 21.2.2圖像濾波250 21.2.3圖像增強252 21.2.4圖像二值化253 21.3程式實現255 21.4延伸閱讀267   第22章基於K-means聚類演算法的圖像分割268 22.1案例背景268

22.2理論基礎268 22.2.1K-means聚類演算法的原理268 22.2.2K-means聚類演算法的要點269 22.2.3K-means聚類演算法的缺點270 22.2.4基於K-means聚類演算法進行圖像分割270 22.3程式實現271 22.3.1樣本間的距離271 22.3.2提取特徵向量272 22.3.3圖像聚類分割273 22.4延伸閱讀275   第23章基於光流場的車流量計數應用276 23.1案例背景276 23.2理論基礎276 23.2.1基於光流法檢測運動的原理276 23.2.2光流場的主要計算方法277 23.2.3梯度光流場約束方程278 23.

2.4Horn-Schunck光流演算法280 23.3程式實現281 23.3.1計算視覺系統工具箱簡介281 23.3.2基於光流法檢測汽車運動282 23.4延伸閱讀287   第24章基於Simulink進行圖像和視頻處理289 24.1案例背景289 24.2模組介紹289 24.2.1分析和增強模組庫（Analysis和Enhancement）290 24.2.2轉化模組庫（Conversions）291 24.2.3濾波模組庫（Filtering）292 24.2.4幾何變換模組庫（GeometricTransformations）292 24.2.5形態學操作模組庫（Morph

ologicalOperations）292 24.2.6輸入模組庫（Sources）293 24.2.7輸出模組庫（Sinks）293 24.2.8統計模組庫（Statistics）294 24.2.9文本和圖形模組庫（Text和Graphic）295 24.2.10變換模組庫（Transforms）295 24.2.11其他工具模組庫（Utilities）295 24.3模擬案例296 24.3.1搭建組織模型296 24.3.2模擬執行模型298 24.3.3自動生成報告299 24.4延伸閱讀302   第25章基於小波變換的數位浮水印技術304 25.1案例背景304 25.2理論基

礎304 25.2.1數位浮水印技術的原理305 25.2.2典型的數位浮水印演算法307 25.2.3數字浮水印攻擊和評價309 25.2.4基於小波的浮水印技術310 25.3程式實現312 25.3.1準備載體和浮水印圖像312 25.3.2小波數字浮水印的嵌入313 25.3.3小波數字浮水印的提取317 25.3.4小波浮水印的攻擊試驗319 25.4延伸閱讀323   第26章基於最小誤差法的胸片分割技術325 26.1案例背景325 26.2理論基礎325 26.2.1圖像增強326 26.2.2區域選擇326 26.2.3形態學濾波327 26.2.4基於最小誤差法進行胸片分割

328 26.3程式實現329 26.3.1設計GUI介面329 26.3.2圖像預處理330 26.3.3基於最小誤差法進行圖像分割333 26.3.4形態學後處理335 26.4延伸閱讀338   第27章基於區域生長的肝臟影像分割系統339 27.1案例背景339 27.2理論基礎340 27.2.1閾值分割340 27.2.2區域生長340 27.2.3基於閾值預分割的區域生長341 27.3程式實現342 27.4延伸閱讀346   第28章基於電腦視覺的自動駕駛應用347 28.1案例背景347 28.2理論基礎348 28.2.1環境感知348 28.2.2行為決策348 28.

2.3路徑規劃349 28.2.4運動控制349 28.3程式實現349 28.3.1感測器資料載入349 28.3.2追蹤器創建351 28.3.3碰撞預警353 28.4延伸閱讀358   第29章基於深度學習的汽車目標檢測359 29.1案例背景359 29.2理論基礎360 29.2.1基本架構360 29.2.2卷積層360 29.2.3池化層362 29.3程式實現362 29.3.1載入數據362 29.3.2構建CNN364 29.3.3訓練CNN365 29.3.4評估訓練效果367 29.4延伸閱讀368   第30章基於深度學習的視覺場景 識別370 30.1案例背景37

0 30.2理論基礎371 30.3程式實現371 30.3.1環境配置372 30.3.2資料集製作373 30.3.3網路訓練375 30.3.4網路測試381 30.4延伸閱讀383   第31章深度學習綜合應用385 31.1應用背景385 31.2理論基礎387 31.2.1分類識別387 31.2.2目標檢測391 31.3案例實現1：基於CNN的數位識別395 31.3.1自訂CNN397 31.3.2AlexNet399 31.3.3基於MATLAB進行實驗設計405 31.3.4基於TensorFlow進行實驗設計413 31.3.5實驗小結418 31.4案例實現2：基於C

NN的物體識別418 31.4.1CIFAR-10資料集418 31.4.2VggNet421 31.4.3ResNet422 31.4.4實驗設計424 31.4.5實驗小結432 31.5案例實現3：基於CNN的圖像矯正432 31.5.1傾斜資料集432 31.5.2自訂CNN回歸網路434 31.5.3AlexNet回歸網路436 31.5.4實驗設計437 31.5.5實驗小結445 31.6案例實現4：基於LSTM的時間序列分析445 31.6.1厄爾尼諾南方濤動指數資料446 31.6.2樣條擬合分析446 31.6.3基於MATLAB進行LSTM分析448 31.6.4基於Ke

ras進行LSTM分析451 31.6.5實驗小結455 31.7案例實現5：基於深度學習的以圖搜圖技術455 31.7.1人臉的深度特徵455 31.7.2AlexNet的特徵460 31.7.3GoogleNet的特徵461 31.7.4深度特徵融合計算462 31.7.5實驗設計462 31.7.6實驗小結467 31.8案例實現6：基於YOLO的交通目標檢測應用467 31.8.1車輛目標的YOLO檢測468 31.8.2交通標誌的YOLO檢測475 31.9延伸閱讀481  

壓縮比 92 95 98進入發燒排行的影片

基於形狀描述子與壓縮感知的操作模態分析全域資料之壓縮

為了解決壓縮比 92 95 98的問題，作者張晏暠 這樣論述：

近年來，如何提取有效的資料以及移除冗餘的雜訊逐漸成為研究焦點。對於各種的工程分析而言，資料壓縮是不可或缺的，有效率的壓縮方式將對各種工程研究有助益。數位影像相依性(Digital Image Correlation)演算法系統是一種基於雙數位相機的立體視覺量測系統，該系統已經被廣泛的應用在力學的應變分析上，因為其可以直接量測選取區域之位移場的簡便性。目前，這項量測系統已經逐漸被應用於動態的工程量測上，但正是由於測量儀器是數位像相機而又產生了新的問題。其中最主要的問題就是資料量變成非常龐大，通常會有幾千個資料點的時序資料肇因於高取樣頻率、高空間解析度以及長取樣時間的要求。在本研究中，主要探討如

何有效的壓縮立體視覺數位影像相依性系統所量取的位移場圖序列。作為一種非接觸的光學全域量測技術，立體視覺數位影像相依性系統的應用越來越廣泛。本論文中提出應用稀疏表示來處理由立體視覺數位影像相依性系統量測所產生的龐大資料。目標是發展能夠保留位移場圖中的細部資訊以及維持形狀描述子(Shape Descriptor)表示的簡潔性。此研究中提出了兩個有效的資料壓縮方法基於知名的K-SVD演算法以及壓縮感知(Compressed Sensing)技術來算出具有代表性又簡潔的資料表示。首先，本研究提出一種新的演算法來有效的處理全域的資料，藉由資料本身的特性以及結合形狀描述子與格拉姆-施密特單範正交化(Gra

m-Schmidt Orthonormalisation)，使表示資料的基底函數數量減少，但仍可建立更簡潔的分解。在模擬與實際量測的案例中，資料大小與訊號數量的壓縮比都有明顯提升，顯示了本演算法的有效性。新基底函數的資料表示所重建的位移場圖，符合了指定的相依性係數的閥值條件。另外，通常在工作結構的監測中，會量測很多組的資料，可能會造成資料傳輸以及儲存的問題，這個問題尤其明顯當量測儀器是數位相機時，也就是立體視覺數位影像相依性系統。一張位移圖有數千個量測點，一組有意義的量測通常包含數千張位移場圖，而通常為了降低雜訊的影響，振動量測又會測量數組的數據，如此大量的資料必須要以有效率的方式處理，以方便

之後的遠端重建與分析，尤其是操作模態分析(Operational Modal Analysis)。本研究正是因為此需求而提出結合形狀描述子與壓縮感知的資料壓縮方法，因為只使用壓縮感知技術並不能更有效的壓縮資料。本整合的方法被示範應用於部分可觀測的工業電路板之分析上，用操作模態分析藉由l_1最佳化壓縮與重建位移場圖。壓縮與重建的流程可於該例子中瞭解，而其壓縮效果更勝單獨使用形狀描述子方法，且從操作模態分析結果中，可以驗證壓縮感知重建的資料保留了原始資料的核心資訊。總結，基底函數更新演算法是一個有效降低用於表示之基底函數數量的工具，並且其產生的基底函數更適合應用於壓縮立體視覺數位影像相依性系統量測

的資料上，該演算法能夠由初始基底函數更新，進而找到一組有代表性的形狀基底函數去代表位移場圖。另一方面，整合壓縮感知與形狀描述子的方法提供了一種新的方式去提取量測資料中的核心資訊，這種後處理的技術不只提升了壓縮比，也提供了結構健康監測(Structural Health Monitoring)新的可行性。

空氣動力學概論與解析

為了解決壓縮比 92 95 98的問題，作者陳大達 這樣論述：

　　二專、二技、大學、高考＆民航特考用書　　特別收錄101年民航特考航務管理試題詳解 　　本書結合航空界高考與民航特考的考題，利用簡明的文字說明空氣動力學的各種原理與其對航空工程方面的運用，並對飛行現象做詳細解釋。除此之外，另針對文科學生相關數理觀念缺乏的部份做重點加強。 　　並利用簡明以及條列式的文字描述空氣動力學的各種原理、航空工程方面的運用以及飛行現象的解釋，避免冗長與不必要的文字敘述，讓讀者能輕鬆且快速的學習。 　　不僅適用於二專、二技、大學以及機械與航空相關科系「空氣動力學」與「飛行原理」的課程使用，以此準備民航特考「空氣動力學」科目亦有相當好的效果。 本書特色 　　一、條列式說

明，內容簡明易懂。　　二、結合航空界高考與民航特考的考題。　　三、針對文科學生或初學者數理觀念不足的地方做重點加強。　　四、適用於航空相關科系，如「空氣動力學」與「飛行原理」課程使用。 作者簡介 陳大達 　　筆名：小瑞老師 　　籍貫：江蘇省泰縣。 　　學歷：　　國立交通大學機械研究所博士。　　中正理工學院兵器工程系航空組碩士。　　中正理工學院航空系學士。 　　經歷：　　空軍航空技術學院航空系助理教授。　　大學地面修護人員（CAA）學科講師。　　經國號戰機修護人員訓練教官。　　經國號戰機修護管制官。　　空軍司令部武器系統分析官。　　大學及公職考試多年授課資歷。  　　民航特考相關著作：　　飛行

原理重點整理及歷年考題詳解──民航特考：飛航管制、航空通信考試用書　　空氣動力學重點整理及歷年考題詳解─民航特考：航務管理考試用書

科盛公司實習技術報告與玻璃纖維氈增強熱塑性塑膠於壓縮成型製程中纖維基質分離對流變特性影響之研究

為了解決壓縮比 92 95 98的問題，作者陳令玨 這樣論述：

本技術報告主要內容將會分為兩大部份，第一部份是針對本人於科盛科技股份有限公司實習一年內所進行常規工作彙整與執行之黏彈專案進行報告。此黏彈專案於規劃中選擇了19種常見的熱塑性材料(實際量測29隻材料)，每一隻材料會量測固態黏彈(structure viscoelastic)與液態黏彈(flow viscoelastic)兩性質。固態黏彈是利用DMA(Dynamic Mechanical Analyzer)進行量測，得到材料軟化前的儲存模數(storage modulus)與損失模數(loss modulus)；液態黏彈則是利用旋轉流變儀MCR502得到軟化後的儲存模數與損失模數。第二部份則是針

對從碩士一年級開始，進入研究室從事玻璃纖維氈增強熱塑性塑膠於壓縮成型製程中纖維基質分離對流變特性影響之研究。此部分研究我們主要透過含玻璃纖維氈增強熱塑性塑膠、含非連續纖維之熱塑性塑膠與一般之熱塑型純料三種不同纖維含量與形式之材料，在經歷壓縮過程中，其材料流變性是如何變化。期間，我們整合 Instron 機台設計一個壓縮成型系統，採用純料PA、GMT_PA1(玻璃纖維氈增強熱塑性塑膠)與GMT_PA2(非連續性玻纖熱塑性塑膠)三種不同材料，透過不同壓縮速度及不同溫度環境下，探討壓縮力量與壓縮距離之變化結果，進而推演出其材料流變參數，m（power law index）與k（flow consis

tency index）；之後再將該材料之流變特性整合至Moldex3D 進行壓縮成型模擬分析，獲取壓縮力量與壓縮距離之關係，並與實驗結果比對。