問題的答案無所不包論文書籍站
MATLAB GUI 影像處理的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包
MATLAB GUI 影像處理的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦張德豐寫的 一本書秒殺電腦視覺最新應用：80個Python大師級實例 和劉衍琦詹福宇王德建的 計算器視覺與深度學習實戰：以MATLAB、Python為工具都 可以從中找到所需的評價。
另外網站MATLAB 编写GUI进行图像处理原创 - Csdn博客也說明：GUI ，即图形用户接口，是MATLAB的可视化操作功能，本文编写一个简单GUI进行图像处理。1、新建GUI文件，点击file->new->GUI如下图所示点击GUI后出现 ...
這兩本書分別來自深智數位 和電子工業出版社所出版 。
朝陽科技大學 工業工程與管理系 林宏達所指導 鄭丞凱的 電腦視覺技術應用於手工具組裝之零件瑕疵檢驗 （2021），提出MATLAB GUI 影像處理關鍵因素是什麼，來自於自動化檢驗、手工具組裝、瑕疵檢驗、R-CNN網路模式。
而第二篇論文長庚大學 電機工程學系 蔡孟燦所指導 蘇柏旭的 即時化光同調斷層掃瞄系統儀控與處理程式開發與其應用 （2020），提出因為有 光學同調斷層掃描、LabVIEW、平行化運算的重點而找出了 MATLAB GUI 影像處理的解答。
最後網站網頁上呈現高動態範圍影像則補充：HDR 影像處理的目的是使用場景的一系列相片，創造出最接近人眼看到的影像。 ... MATLAB 算法的伺服器端介面的GUI 瀏覽器，以及整合兩者的Java Script。HDR ...
一本書秒殺電腦視覺最新應用：80個Python大師級實例
為了解決MATLAB GUI 影像處理 的問題，作者張德豐 這樣論述：
★★★★★【電腦視覺】、【80個Python大師級實例】★★★★★ 鷹眼王者的銳利捕捉，電腦視覺應用精準秒殺！ 本書技術重點 ✪Python電腦視覺基礎，包括常用的函數庫 ✪各種去霧演算法、空域增強，時域增強，色階調整、Hough變換檢測 ✪分割車牌處理、包括定位，字元處理及辨識 ✪分水嶺演算法，用在醫學診斷 ✪CNN及SVC手寫數字辨識、使用AlexNet ✪OCR原理及實作、小波技術處理 ✪SVD、PCA、K-Means圖型壓縮原理 ✪圖型搜尋、比對、角點特徵偵測、Harris演算法、FAST演算法 ✪運動目標偵測、幀差分法、背景差分法、光流
法 ✪浮水印技術、大腦影像分析、閾值分割、區域生長實作 ✪自動駕駛實作、包括環境感知、行為決策，路徑規劃及運動控制 ✪物件偵測，包括RCNN及YOLO ✪視覺分析應用實例，包括Arcade Game製作，停車場自動車牌辨識系統開發 本書特色 ◎案例涵蓋面廣、實用、擴充性、可讀性強 本書以「概述+ 案例」的形式進行編寫，充分強調案例的實用性及程式的可擴充性，所選案例大多數來自日常生活中，應用性強。另外，書中每個案例的程式都經過偵錯與測試，同時程式碼中增加了大量的解釋說明，可讀性強。 ◎點線面完美結合，兼顧性強 本書點線面兼顧，涵蓋了數位影像處理中幾乎所有的
基本模組，並涉及視訊處理、對位拼接、數位浮水印等進階影像處理方面的內容，全面講解了基於Python 進行電腦視覺應用的原理及方法，內容做到完美連結與統籌兼顧，讓讀者實現了由點到面進行發散性延伸。
電腦視覺技術應用於手工具組裝之零件瑕疵檢驗
為了解決MATLAB GUI 影像處理 的問題，作者鄭丞凱 這樣論述：
目錄摘要 IAbstract II目錄 IV圖目錄 VII表目錄 XII第一章 緒論 I1.1 棘輪扳手與零件介紹 21.2 棘輪扳手組裝流程 51.3 棘輪扳手組裝異常類型與瑕疵種類 71.4 棘輪扳手組裝之現行檢驗方式 181.5 研究動機與目的 191.6 論文架構 21第二章 文獻探討 222.1 自動化視覺檢測 222.2 組裝異常檢測 232.3 物件特徵比對 252.4 類神經網路模型 262.4.1 卷積神經網路(Convolutional Neural Network, CNN) 262.4.2 YOLOV4 (You O
nly Look Once)網路模型 272.4.3 基於區域的卷積神經網路(Region With CNN, R-CNN) 282.4.4 快速的基於區域的卷積神經網路(Fast R-CNN) 292.4.5 更快速的基於區域的卷積神經網路(Faster R-CNN) 302.4.6 基於遮罩的區域卷積神經網路(Mask R-CNN) 32第三章 研究方法相關原理 363.1 工件影像濾波 363.2 常見之物件偵測分類器 373.2.1 CNN網路模型 383.2.2 YOLO系列模型 393.2.3 R-CNN系列模型 40第四章 研究流程與技術應用 514.
1 工件影像拍攝 534.2 影像之ROI區域擷取 544.3 ROI影像之濾波處理 554.4 工件組裝異常之瑕疵種類特徵擷取 574.5 工件組裝異常類型之瑕疵種類的分類 604.5.1 物件候選區域選擇 614.5.2 CNN網路模式之特徵提取 624.5.3支援向量機的瑕疵分類 634.5.4 可疑瑕疵區域的邊界框回歸 644.5.5 瑕疵種類分類結果輸出 664.6 工件組裝異常類型之瑕疵種類的分類績效混淆矩陣 67第五章 實驗結果與分析 695.1 樣本影像說明 695.2 組裝異常之瑕疵檢測系統之發展 705.3 組裝異常類型之瑕疵種類分類績效指標
715.4 組裝異常之瑕疵檢測系統之R-CNN網路模型之參數設定 725.4.1 網路模型之學習率參數設定 745.4.2 網路模型之訓練批量參數設定 765.4.3 網路模型之優化器類型選擇 785.4.4 網路模型之訓練次數參數設定 805.4.5 網路模型避免過度擬合之判斷設定 825.5 組裝異常檢測之分類績效評估與比較 845.5.1 R-CNN系列模型比較 845.5.2 R-CNN系列模式與YOLOV4之檢測績效比較 895.6 敏感度分析 955.6.1 ROI區域大小對檢測效益之影響 965.6.2 影像亮度的變化對檢測績效之影響 975.6.3
工件擺放方式對檢測績效之影響 995.6.4 工件表面油漬量對檢驗績效之影響 1035.6.5 工件輸送帶速度對檢測績效之影響 1085.6.6 棘輪扳手單一分類器檢驗模型選擇 1135.6.7 同態濾波對檢測效益之影響 115第六章 結論與後續研究方向 1186.1 結論 1186.2 未來研究方向 119參考文獻 122表目錄表1 市售主要棘輪扳手之英制與公制規格 3表 2 1/2”36T棘輪扳手各組裝站之零件表 4表3 棘輪扳手組裝之各工作站的工作內容說明表 5表4 棘輪扳手組裝時可能產生的組裝異常類型說明彙整表 8表5 棘輪扳手組裝過程
可能的組裝異常類型與瑕疵種類彙整表 9表6 缺件組裝異常之瑕疵種類影像彙整表 14表7 錯置組裝異常之瑕疵種類影像彙整表 15表8 異物組裝異常之瑕疵種類影像彙整表 16表9 餘件組裝異常之瑕疵種類影像彙整表 17表10 取像限制說明表 21表11 本研究與物件偵測相關文獻比較表 35表12 本研究使用之網路模型比較表 48表13 本研究目前使用之遮罩與影像面積之比較表(單位:pixel) 55表14 灰階影像與濾波後影像之平均值及標準差比較表 57表15 以影像張數為基礎之棘輪扳手分類混淆矩陣示意表 68表16 棘輪扳手檢驗結果之混淆矩陣示意表
68表17 本研究組裝第一站之檢測樣本影像數量 73表18 本研究組裝第二站之檢測樣本影像數量 74表19 本研究組裝第三站之檢測樣本影像數量 74表20 採用不同學習率之檢測效益結果比較 75表21 採用不同訓練批量之檢測效益結果比較 77表22 本研究探討之三種優化演算法優缺點比較 79表23 採用不同網路模型優化器之檢測效益結果比較 79表24 採用不同網路模型訓練次數之檢測效益結果比較 81表25 R-CNN網路模型之預設值與較佳參數設定之比較表 84表26 第一站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 86表27 第二站大樣本異常類型之瑕
疵種類檢驗模型效益彙整表 87表28 第三站大樣本異常類型之瑕疵種類檢驗模型效益彙整表 88表29 本研究組裝工作站之較佳網路模型效益彙整表 89表30 第一站較佳模型與YOLOV4之檢測效益比較表 90表31 第二站較佳模型與YOLOV4之檢測效益比較表 91表32 第三站較佳模型與YOLOV4之檢測效益比較表 92表33 第一站各網路模型之檢測時間彙整表(單位:秒) 93表34 第二站各網路模型之檢測時間彙整表(單位:秒) 93表35 第三站各網路模型之檢測時間彙整表(單位:秒) 93表36 採用不同遮罩大小之檢測效益結果比較 96表37 採用拍攝光
線強度之檢測效益結果比較 98表38 工件偏移角度之影像數量彙整表 101表39 棘輪扳手不同擺放角度之檢測效益比較表 101表40 ROI區域與油漬量之影像面積比較表(單位:pixel) 104表41 塗抹不同程度潤滑油之檢測效益比較表 106表42 靜態與動態拍攝之差異比較表 109表43 不同輸送帶速度之影像檢測效率 111表44 棘輪扳手動態視覺檢測系統之檢測效益比較表 112表45 棘輪扳手各站模型之正確分類率比較表 114表46 灰階影像與濾波後影像之影像像素比較表 116表47 第一站各模型有無經同態濾波處理之檢測效益彙整表 117圖目錄
圖1 市售棘輪扳手常見之產品銷售方式 I圖2 棘輪扳手的使用說明 2圖3 完成組裝之1/2” 36T棘輪扳手 3圖4 1/2”扭力頭寬度規格標示 3圖5 1/2”36T棘輪扳手之內部結構 3圖6 36T扭力頭實體圖(圓圈標示處為該零件之齒輪) 4圖7 葫蘆柄各組裝站之零件彙整 6圖8 棘輪扳手之組裝異常類型與瑕疵種類關係彙整圖 10圖9 第一站經組裝後各種可能的缺件組裝異常結果 11圖10 第二站經組裝後各種可能的缺件組裝異常結果 12圖11 第三站經組裝後各種可能的缺件組裝異常結果 13圖12 棘輪扳手檢驗實體圖 19圖13 同態濾波器的運算
流程 37圖14 CNN網路架構示意圖 38圖15 卷積方法示意圖 39圖16 池化運算示意圖 39圖17 YOLOV4網路架構示意圖 40圖18 R-CNN網路架構示意圖 41圖19 Fast R-CNN網路架構示意圖 43圖20 ROI pooling運算示意圖 44圖21 Faster R-CNN網路架構示意圖 45圖22 RPN運算示意圖 46圖23 Mask R-CNN網路架構示意 47圖24 研究方法流程圖 52圖25 本研究現階段使用之數量與零件 53圖26 本研究之硬體設備架設示意圖 53圖27 本研究前處理之影像平均值與
標準差 54圖28 本研究使用之五種遮罩大小 55圖29 使用同態濾波濾除拍攝時造成反光之像素變化 56圖30 灰階影像與濾波後影像之平均值及標準差曲線圖 57圖31 光源控制器數值下灰階影像與濾波後影像標準差比較表 57圖32 使用Matlab軟體內建之Image Labeler工具箱進行人工標...58圖33 完成標註之邊界框資訊 58圖34 棘輪扳手組裝製程中第一組裝站使用R-CNN網路模式之圖像標註流程圖 59圖35 第一站缺件檢驗之R-CNN網路架構的訓練程序 60圖36 R-CNN模型檢驗流程圖 61圖37 候選區域選擇示意圖 62圖38
特徵提取流程圖 63圖39 邊界框回歸原理示意圖 65圖40 邊界框回歸運算可能發生之失效結果 66圖41 瑕疵種類分類結果示意圖 67圖42 運用R-CNN網路模型之棘輪扳手檢驗辨識系統測試程序 67圖43 本研究之實驗架構圖 69圖44 本研究影像拍攝之設備圖 70圖45 本研究所開發之使用者介面 71圖46 不同學習率之檢出績效評估ROC曲線圖 75圖47 不同學習率之正確分類率折線圖 76圖48 不同訓練批量之檢出績效評估ROC曲線圖 77圖49 不同訓練批量之正確分類率折線圖 77圖50 不同網路模型優化器之檢出績效評估ROC曲線圖
80圖51 不同網路模型優化器之正確分類率折線圖 80圖52 不同訓練次數之檢出績效評估ROC曲線圖 82圖53 不同訓練次數之正確分類率折線圖 82圖54 本研究使用R-CNN網路模型之訓練資料損失曲線圖 83圖55 過擬合現象示意圖 83圖56 第一站R-CNN系列模型之ROC曲線圖 86圖57 第一站R-CNN系列模型之績效指標曲線圖 86圖58 第二站R-CNN系列模型之ROC曲線圖 87圖59 第二站R-CNN系列模型之績效指標曲線圖 87圖60 第三站R-CNN系列模型之ROC曲線圖 88圖61 第三站R-CNN系列模型之績效指標曲線圖
88圖62 第一站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 90圖63 第一站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 90圖64 第二站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 91圖65 第二站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 91圖66 第三站R-CNN系列較佳模型與YOLOV4之ROC曲線圖 92圖67 第三站R-CNN系列較佳模型與YOLOV4之績效指標曲線圖 92圖68 R-CNN系列模型與YOLOV4之總訓練時間曲線圖 94圖69 R-CNN系列模型與YOLOV4之總測試時間曲線圖 94圖70
R-CNN系列模型與YOLOV4之單位影像測試時間曲線圖 94圖71 各站R-CNN系列較佳模型與YOLOV4之正確分辨率直方圖 95圖72 使用不同遮罩大小之棘輪扳手檢出績效評估ROC曲線 97圖73 使用不同遮罩大小之棘輪扳手正確分類率折線圖 97圖74 採用不同亮度拍攝棘輪扳手之檢出率與誤判率ROC曲線 98圖75 採用不同亮度拍攝棘輪扳手之正確分類率折線圖 98圖76 工件擺放方向示意圖 99圖77 原始影像之各角度擺放情況 100圖78 原始影像加入遮罩後各角度擺放情況 100圖79 棘輪扳手正向擺設角度之檢出績效評估ROC曲線 102圖80
棘輪扳手負向擺設角度之檢出績效評估ROC曲線 102圖81 棘輪扳手擺設角度之正確分類率折線圖 103圖82 第一站塗抹不同程度潤滑油之比較圖 104圖83 第二站塗抹不同程度潤滑油之比較圖 104圖84 第一站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖85 第二站塗抹不同程度之潤滑油後加上遮罩之比較圖 105圖86 第一站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 106圖87 第一站塗抹不同程度潤滑油之正確分類率折線圖 107圖88 第二站塗抹不同程度潤滑油之檢出績效評估ROC曲線圖 107圖89 第二站塗抹不同程度潤滑油之正確分類率折線圖 1
07圖90 棘輪扳手動態視覺檢測系統運作示意圖 108圖91 棘輪扳手動態視覺檢測系統硬體架設實體圖 110圖92 動態視覺檢測系統中不同輸送帶速度所拍攝之原始影像 110圖93 動態視覺檢測系統中不同輸送帶速度所拍攝之前處理影像 111圖94 棘輪扳手動態視覺檢測系統之ROC曲線圖 112圖95 棘輪扳手動態視覺檢測系統之正確分類率曲線圖 113圖96 棘輪扳手各站模型之正確分類率直方圖 114圖97 棘輪扳手各站模型之檢測時間直方圖 115圖98 有無經同態濾波處理對各模型之正確分類率直方圖 117圖99 有無經同態濾波處理對各模型之績效指標折線圖 11
7
計算器視覺與深度學習實戰：以MATLAB、Python為工具
為了解決MATLAB GUI 影像處理 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
即時化光同調斷層掃瞄系統儀控與處理程式開發與其應用
為了解決MATLAB GUI 影像處理 的問題，作者蘇柏旭 這樣論述：
目錄指導教授推薦書口試委員審定書致謝................................................... iii摘要..................................................... vAbstract ................................................. vi第一章 儀控簡介與比較 .................................... 11.1 研究動機.......................................... 11.2 程式
語言介紹與比較................................ 31.2.1 C++程式設計語言介紹......................... 31.2.2 MATLAB 程式語言介紹........................ 41.2.3 C#程式語言介紹 .............................. 51.2.4 LABVIEW 程式語言介紹....................... 51.3 即時化影像處理方法與介紹.......................... 61.3.1 CPU 平行化處理 ..................
............ 61.3.2 GPU 運算加速................................ 7第二章 光學同調斷層掃描介紹 .............................. 92.1 光學同調斷層掃描簡介.............................. 92.2 掃頻式光學同調斷層掃描(SS-OCT) ................... 9viii2.3 訊號處理流程..................................... 102.4 1D、2D 與 3D 掃描成像方法與資料量分析 ............ 11第三章
程式設計概念與方法 ............................... 133.1 LabVIEW 程式設計基本概念說明 .................... 133.1.1 程式模塊化設計 ............................. 133.2 LabVIEW 設計模式說明............................ 153.2.1 State Machine 設計模式簡介 ................... 163.2.2 Queue State Machine-Producer Consumer 設計模式簡介...............
.................................. 173.2.3 SS-COT 整合控制程式架構介紹 ................ 183.2.4 SD-OCT 資料處理程式架構介紹................ 203.3 運算加速方法 ..................................... 213.3.1 LabVIEW 多執行續計算啟用方式與介紹......... 223.4 程式加密方法..................................... 233.4.1 LabVIEW 鎖定網卡序號程式簡介 .............
.. 233.5 SS-OCT 整合控制程式介面設計 ..................... 253.5.1 DAQ 控制介面 .............................. 253.5.2 AlazarTech 擷取卡控制介面.................... 263.5.3 三視圖顯示介面.............................. 28ix3.5.4 相機控制介面 ............................... 293.5.5 設定介面 ................................... 303.6 SD-OCT
資料處理程式介面設計 ..................... 313.6.1 Preview 介面 ................................ 313.6.2 Setting 介面 ................................. 32第四章 程式處理結果與應用 ............................... 334.1 SS-OCT 訊號處理流程簡介 ......................... 334-2 資料大小與處理速度............................... 344.3 工業檢測簡介......
............................... 344.3 OCT 三層封裝晶片量測結果 ........................ 35第五章 雷射手術成像結果 ................................. 385.1 飛梭雷射概述..................................... 385.2 飛梭雷射實驗設計與 OCT 成像結果.................. 385.3 皮秒雷射概述..................................... 425.4 皮秒雷射實驗設計與 OCT 成像結果......
............ 43第六章 討論與未來展望 ................................... 46參考文獻 ................................................ 47圖目錄圖 1- 1 GPU 與 CPU 運算單元比較示意圖 ................... 8圖 2- 1 掃頻式光學同調斷層掃描系統架構圖................ 10圖 2- 2 1D、2D 與 3D 的掃描成像方法示意圖............... 12圖 3- 1 SS-OCT 整合控制程式模塊化指標 ..............
.... 15圖 3- 2 SD-OCT 資料處理程式模塊化指標.................. 15圖 3- 3 LabVIEW 狀態機基本架構 ........................ 17圖 3- 4 狀態機元件名稱與功能介紹........................ 17圖 3- 5 簡單 QSM-PC 架構示意圖 ......................... 18圖 3- 6 簡單 QSM-PC 架構示意圖介紹 ..................... 18圖 3- 7 程式架構圖......................................
19圖 3- 8 迴圈功能介紹.................................... 20圖 3- 9 SD-OCT 資料處理程式架構圖...................... 21圖 3- 10 迴圈功能介紹................................... 21圖 3- 11 Interation Parallelism 設定頁面 .................... 22圖 3- 12 500X500Mandelbort 運算程式碼 ................... 23圖 3- 13 開啟執行續與否的速度比較.............
.......... 23圖 3- 14 Subvi 圖塊 ..................................... 24圖 3- 15 鎖定網卡程式運作流程圖......................... 24圖 3- 16 DAQ 控制介面 ................................. 26圖 3- 17 專業版 AlazarTech 擷取卡控制介面................. 27圖 3- 18 簡易版 AlazarTech 擷取卡控制介面................. 28圖 3- 19 三視圖軸向定義...............
.................. 28圖 3- 20 三視圖顯示介面................................. 29圖 3- 21 相機控制介面................................... 30圖 3- 22 設定介面....................................... 30圖 3- 23 SD-OCT 資料處理程式 Preview 介面 ............... 31圖 3- 24 SD-OCT 資料處理程式 Setting 介面 ................ 32圖 4- 1 訊號處理流程圖 ....
............................. 33圖 4- 2 資料大小與速度結果 .............................. 34圖 4- 3 量測範圍 3mm*3mm 的晶片 OCT 2D 影像............... 36圖 4- 4 500 張影像通過疊加取得的 3D 立體圖(未經砂紙磨過) . 36圖 4- 5 量測範圍 1.5mm*1.5mm 的晶片 OCT 影像 .............. 37圖 4- 6 500 張影像通過疊加取得的 3D 立體圖(經砂紙磨過) ... 37圖 5- 1 飛梭雷射實驗流程圖................
.............. 39圖 5- 2 飛梭雷射術前、術後 OCT 影像比對圖 .............. 40圖 5- 3 雷射手術前後俯視表面影像 ....................... 41圖 5- 4 飛梭雷射手術後二維 OCT 結果..................... 42圖 5- 5 皮秒雷射實驗流程圖.............................. 43圖 5-6 皮秒雷射術前、術後皮膚二維 OCT 影像.............. 44圖 5-7 飛梭雷射手術後二維 OCT 結果...................... 45