多張png轉gif的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

AI安全之對抗樣本入門

為了解決多張png轉gif的問題，作者兜哥 這樣論述：

本書系統介紹對抗樣本的基本原理，從相關的背景知識開始，包含搭建學習對抗樣本的軟硬體環境、常用工具，帶領讀者快速上手實踐。本書作者在安全領域有多年實踐經驗，對業界常見的方法做了系統的歸納總結，包含大量案例，深入淺出，實踐性強。 主要內容包括：·對抗樣本相關的深度學習背景知識，如梯度、優化器、反向傳遞等。·如何搭建學習對抗樣本的軟硬體環境。·對抗樣本領域的一些常見圖像處理技巧。·常見的白盒攻擊演算法與黑盒攻擊演算法。·對抗樣本在目標檢測領域的應用。·對抗樣本的常見加固演算法。·常見的對抗樣本工具以及如何搭建NIPS對抗樣本競賽環境。·如何站在巨人的肩膀上，快速生成自己的對抗樣本，進行攻防對抗。

兜哥，百度安全實驗室AI模型安全負責人，具有10餘年安全從業經歷，曾任百度基礎架構安全負責人、Web安全產品線負責人。主要研究方向為對抗樣本、生成對抗網路。著有AI安全暢銷書籍《Web安全之機器學習入門》《Web安全之深度學習實戰》《Web安全之強化學習與GAN》。著名開源AI安全工具箱AdvBox的作者，Free Buf、雷鋒網、安全客特邀專欄作家，知名安全自媒體「兜哥帶你學安全」主編。 序一 序二 自序 前言 第1章　深度學習基礎知識 1 1.1　深度學習的基本過程及相關概念 1 1.1.1　數據預處理 1 1.1.2　定義網路結構 2 1

.1.3　定義損失函數 6 1.1.4　反向傳遞與優化器 7 1.1.5　範數 12 1.2　傳統的圖像分類演算法 13 1.3　基於CNN的圖像分類 14 1.3.1　局部連接 14 1.3.2　參數共用 15 1.3.3　池化 17 1.3.4　典型的CNN結構 18 1.3.5　AlexNet的結構 19 1.3.6　VGG的結構 19 1.3.7　ResNet50 20 1.3.8　InceptionV3 20 1.3.9　視覺化CNN 20 1.4　常見性能衡量指標 30 1.4.1　測試資料 30 1.4.2　混淆矩陣 31 1.4.3　準確率與召回率 31 1.4.4　準確度與F

1-Score 32 1.4.5　ROC與AUC 33 1.5　集成學習 34 1.5.1　Boosting演算法 35 1.5.2　Bagging演算法 37 1.6　本章小結 39 第2章　打造對抗樣本工具箱 40 2.1　Anaconda 41 2.2　APT更新源 45 2.3　Python更新源 45 2.4　Jupyter notebook 45 2.5　TensorFlow 49 2.6　Keras 50 2.7　PyTorch 51 2.8　PaddlePaddle 52 2.9　AdvBox 52 2.10　GPU伺服器 52 2.11　本章小結 55 第3章　常見深度學

習平臺簡介 56 3.1　張量與計算圖 56 3.2　TensorFlow 58 3.3　Keras 62 3.4　PyTorch 64 3.5　MXNet 67 3.6　使用預訓練模型 70 3.7　本章小結 76 第4章　影像處理基礎知識 77 4.1　圖像格式 77 4.1.1　通道數與圖元深度 77 4.1.2　BMP格式 80 4.1.3　JPEG格式 81 4.1.4　GIF格式 81 4.1.5　PNG格式 81 4.2　圖像轉換 81 4.2.1　仿射變換 81 4.2.2　圖像縮放 83 4.2.3　圖像旋轉 85 4.2.4　圖像平移 85 4.2.5　圖像剪切 86 4

.2.6　圖像翻轉 87 4.2.7　亮度與對比度 88 4.3　圖像去噪 89 4.3.1　高斯雜訊和椒鹽雜訊 90 4.3.2　中值濾波 91 4.3.3　均值濾波 93 4.3.4　高斯濾波 93 4.3.5　高斯雙邊濾波 94 4.4　本章小結 96 第5章　白盒攻擊演算法 97 5.1　對抗樣本的基本原理 97 5.2　基於優化的對抗樣本生成演算法 100 5.2.1　使用PyTorch生成對抗樣本 102 5.2.5　使用TensorFlow生成對抗樣本 106 5.3　基於梯度的對抗樣本生成演算法 109 5.4　FGM/FGSM演算法 110 5.4.1　FGM/FGSM基本

原理 110 5.4.2　使用PyTorch實現FGM 111 5.4.3　使用TensorFlow實現FGM 112 5.5　DeepFool演算法 115 5.5.1　DeepFool基本原理 115 5.5.2　使用PyTorch實現DeepFool 117 5.5.3　使用TensorFlow實現DeepFool 122 5.6　JSMA演算法 124 5.6.1　JSMA基本原理 124 5.6.2　使用PyTorch實現JSMA 126   生活中的深度學習 深度學習自2006年產生之後就受到科研機構、工業界的高度關注。最初，深度學習主要用於圖像和語音領域。從2

011年開始，穀歌研究院和微軟研究 院的研究人員先後將深度學習應用到語音辨識，使識別錯誤率下降了20%～30%。2012年6月，穀歌首席架構師Jeff Dean和斯坦福大學教授Andrew Ng主導著名的Google Brain項目，採用16萬個CPU來構建一個深層神經網路，並將其應用於圖像和語音的識別，最終大獲成功。 2016年3月，AlphaGo與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝；2016年年末2017年年初，該程 序在中國棋類網站上以“大師”（Master）為註冊帳號與中日韓數十位圍棋高手進行快棋對決，連續60局無一敗績；2017年5月，在中國烏鎮

圍棋峰會上，它與排名世界第一的圍棋世界冠軍柯潔對戰，以3比0的總比分獲勝。AlphaGo的成功更是把深度學習的熱潮推向了全球，成為男女老少茶餘飯後關注的熱點話題。 現在，深度學習已經遍地開花，在方方面面影響和改變著人們的生活，比較典型的應用包括智慧家居、智慧駕駛、人臉支付和智慧安防。 深度學習的脆弱性 深度學習作為一個非常複雜的軟體系統，同樣會面對各種駭客攻擊。駭客通過攻擊深度學習系統，也可以威脅到財產安全、個人隱私、交通安全和公共安全（見圖0-1）。針對深度學習系統的攻擊，通常包括以下幾種。 1. 偷取模型 各大公司通過高薪聘請AI專家設計模型，花費大量資金、人力搜集訓練資料，又花費

大量資金購買GPU設備用於訓練模型，最後得到深度學習模型。深度學習模型的最終形式也就是從幾百KB到幾百MB不等的一個模型檔。深度學習模型對外提供服務的形式也主要分為雲模式的API，或者私有部署到使用者的移動 設備或資料中心的伺服器上。針對雲模式的API，駭客通過一定的遍歷演算法，在調用雲模式的API後，可以在本地還原出一個與原始模型功能相同或者類似的模型；針對私有部署到使用者的移動設備或資料中心的伺服器上，駭客通過逆向等傳統安全技術，可以把模型檔直接還原出來供其使用。偷取深度學習模型的過程如圖 0-2所示。 2. 數據投毒 針對深度學習的資料投毒主要是指向深度學習的訓練樣本中加入異常資料，導

致模型在遇到某些條件時會產生分類錯誤。如圖0-3所示。早期的資料投毒都 存在於實驗室環境，假設可以通過在離線訓練資料中添加精心構造的異常資料進行攻擊。這一攻擊方式需要接觸到模型的訓練資料，而在實際環境中，絕大多數情況都是公司內部在離線資料中訓練好模型再打包對外發佈服務，攻擊者難以接觸到訓練資料，攻擊難以發生。於是攻擊者把重點放到了線上學習的場景，即模型是利用線上的資料，幾乎是即時學習的，比較典型的場景就是推薦系統。推薦系統會結合使用者的歷史資料以及即時的訪問資料，共同進行學習和判斷，最終得到推薦結果。駭客正是利用這一可以接觸到訓練資料的機會，通過一定的演算法策略，發起訪問行為，最終導致推薦系統

產生錯誤。 3. 對抗樣本 對抗樣本由Christian Szegedy等人提出，是指在資料集中通過故意添加細微的干擾所形成的輸入樣本，這種樣本導致模型以高置信度給出一個錯誤的輸出。在正則化背景下，通過對抗訓練減少原有獨立同分佈的測試集的錯誤率，在對抗擾動的訓練集樣本上訓練網路。 簡單地講，對抗樣本通過在原始資料上疊加精心構造的人類難以察覺的擾動，使深度學習模型產生分類錯誤。以圖像分類模型為例，如圖0-4所示，通過在原始圖像上疊加擾動，對於肉眼來說，擾動非常細微，圖像看起來還是熊貓，但是圖像分類模型卻會以很大的概率識別為長臂猿。 下面以一個圖像分類模型為例，更加直接地解釋對抗樣本的基本原

理。通過在訓練樣本上學習，學到一個分割平面，在分割平面一側的為綠球，在分割平面另 外一側的為紅球。生成攻擊樣本的過程，就是在資料上添加一定的擾動，讓其跨越分割平面，從而把分割平面一側的紅球識別為綠球，如圖0-5所示。 對抗樣本按照攻擊後的效果分為Targeted Attack（定性攻擊）和Non-Targeted Attack（無定向攻擊）。區別在於Targeted Attack在攻擊前會設置攻擊的目標，比如把紅球識別為綠球，或者把麵包識別為熊貓，也就是說在攻擊後的效果是確定的；Non-Targeted Attack在攻擊前不用設置攻擊目標，只要攻擊後，識別的結果發生改變即可，可能會把麵包識

別為熊貓，也可能識別為小豬佩琪或者小豬喬治，如圖0-6所 示。 對抗樣本按照攻擊成本分為White-Box Attack（白盒攻擊）、Black-Box Attack（黑盒攻擊）和Real-World Attack/Physical Attack（真實世界/物理攻擊）。 White-Box Attack（見圖0-7）是其中攻擊難度最低的一種，前提是能夠完整獲取模型的結構，包括模型的組成以及隔層的參數情況，並且可以完整控制模型的輸入， 對輸入的控制細微性甚至可以到比特級別。由於White-Box Attack前置條件過於苛刻，通常作為實驗室的學術研究或者作為發起Black-Box Attac

k和Real-World Attack/Physical Attack的基礎。 Black-Box Attack相對White-Box Attack攻擊難度具有很大提高，Black-Box Attack完全把被攻擊模型當成一個黑盒，對模型的結構沒有瞭解，只能控制輸入，通過比對輸入和輸出的回饋來進行下一步攻擊，見圖0-8。 Real-World Attack/Physical Attack（見圖0-9）是這三種攻擊中難度最大的，除了不瞭解模型的結構，甚至對於輸入的控制也很弱。以攻擊圖像分類模型為例（見圖0-10），生成 的攻擊樣本要通過相機或者攝像頭採集，然後經過一系列未知的預處理後再輸入模型進

行預測。攻擊中對抗樣本會發生縮放、扭轉、光照變化、旋轉等。 常見檢測和加固方法 1. 深度學習脆弱性檢測 檢測深度學習脆弱性的過程，其實就是發起攻擊的過程，常見的白盒攻擊演算法列舉如下。 ILCM(最相似反覆運算演算法) FGSM(快速梯度演算法) BIM(基礎反覆運算演算法) JSMA(顯著圖攻擊演算法) DeepFool(DeepFool演算法) C/W(C/W演算法) 常見的黑盒攻擊方法列舉如下。 Single Pixel Attack(單圖元攻擊) Local Search Attack(本地搜索攻擊) 2. 深度學習脆弱性加固 針對深度學習脆弱性進行加固的常見方法主要包括以下幾種，

我們將重點介紹Adversarial training。 Feature squeezing(特徵凝結) Spatial smoothing(空間平滑) Label smoothing(標籤平滑) Adversarial training(對抗訓練) Virtual adversarial training (虛擬對抗訓練) Gaussian data augmentation (高斯資料增強) Adversarial training如圖0-11所示，其基本思路是，常見的對抗樣本生成演算法是已知的，訓練資料集也是已知的，那麼可以通過常見的一些對抗樣本工具箱，比如 AdvBox 或者FoolB

ox，在訓練資料的基礎上生成對應的對抗樣本，然後讓深度學習模型重新學習，讓它認識這些常見的對抗樣本，這樣新生成的深度學習模型就具有 了一定的識別對抗樣本的能力。 與Adversarial training思路類似的是Gaussian data augmentation。Gaussian data augmentation的基本原理是，對抗樣本是在原始資料上疊加一定的擾動，這些擾動非常接近隨機的一些雜訊。Adversarial training雖然簡單易於實現，但是技術上難以窮盡所有的攻擊樣本。Gaussian data augmentation直接在原始資料上疊加高斯雜訊，如圖0-12所示，k

為高斯雜訊的係數，係數越大，高斯雜訊越強，其他參數分別表示高斯雜訊的均 值和標準差。Gaussian data augmentation把訓練資料疊加了雜訊後，重新輸入給深度學習模型學習，通過增加訓練輪數、調整參數甚至增加模型層數，在不降低原有模型準確度的 情況下，讓新生成的深度學習模型具有了一定的識別對抗樣本的能力。 對抗樣本領域的最新進展 對抗樣本是AI安全研究的一個熱點，新的攻擊演算法和加固方法層出不窮，而且攻擊場景也從實驗室中的簡單圖像分類，迅速擴展到智慧音箱、無人駕駛等領 域。百度安全實驗室的最新研究報告《感知欺騙：基於深度神經網路（DNN）下物理性對抗攻擊與策略》成功入選Blac

kHat Europe 2018。報告展現了讓物體在深度學習系統的“眼”中憑空消失，在AI時代重現了大衛·科波菲爾的經典魔法。針對深度學習模型漏洞進行物理攻擊可行性研究 有著廣泛的應用前景，在自動駕駛領域、智慧安防領域、物品自動鑒定領域都有重要的實際意義。 如圖0-13所示，在時間t0的時候，當在車後顯示器中顯示正常logo時，YOLOv3可以正確識別目標車輛，而在t1時，切換到擾動後的圖片 時，它可以立刻讓目標車輛在YOLOv3面前變得無法辨識；在t2時，如圖0-14所示切換回正常的圖片，YOLOv3重新可以識別目標車輛。這是首次針 對車輛的物理攻擊的成功展示，與以往的學術論文相比，在攻擊

目標的大小、解析度的高低以及物理環境的複雜性等方面，在影響和難度上都是一個巨大提升。 Kan Yuan和Di Tang等人在論文《Stealthy Porn: Understanding Real-World Adversarial Images for Illicit Online Promotion》中介紹了黑產如何通過單色化、加雜訊、增加文字、仿射變化、濾波模糊化和遮蓋等方式讓違規圖片繞過目前主流的圖片內容檢測服務。這也標誌著對抗樣本技術已經從實驗室環境真正進入了網路對抗實戰。 國內安全人員在對抗樣本領域的研究成果得到了國際的普遍認可。朱軍等人指導的清華大學團隊曾在NIPS 2017

對抗樣本攻防競賽中奪冠，紀守領老師所在的 NESA Lab提出了一種新型的對抗性驗證碼，能防範來自打碼平臺等黑產的破解。  

多張png轉gif進入發燒排行的影片

運用數位浮水印技術建置題庫整合平台之研究

為了解決多張png轉gif的問題，作者宋佳麟 這樣論述：

為了使提供者能够更樂於分享專業知識而無遭侵權之虞，解決其知識侵犯及著作權保護不易的問題，本論文運用數位浮水印技術做到資料保護的機制，利用數位浮水印技術在題庫影像檔案中加入肉眼無法辨識的浮水印，用來保護提供者的著作權，透過對應的技術亦可找出其數位浮水印。本題庫平台提供三大系統，分別是題庫系統和測驗系統及解答系統。題庫系統：由提供者將設計出的題目，使用影像檔案 (譬如：JPEG檔、GIF檔、PNG檔...) 上傳到雲端系統平台，圖檔上傳過程系統就會將數位浮水印嵌入至圖檔中，提供者可自由選擇由系統提供的浮水印資訊或者自己提供資訊圖檔加註在自己創作的檔案中，若日後有人使用該圖檔的題目或答案時，便可得

知原始提供者是誰，藉以保護提供者的智慧財產著作權。測驗系統：使用者可透過各類網頁瀏覽器選好先前已選用的測驗題目進行評量，評量完成後系統會顯示其正確解答供參考。解答系統：由解答者將答案使用影像檔案上傳到雲端系統平台，圖檔上傳過程系統就會將數位浮水印嵌入至圖片中，解答者亦可自由選擇由系統提供的浮水印資訊或者自行提供資訊圖檔加註在檔案中，讓解答者的著作權獲得保護。透過本研究所開發的題庫、測驗及解答平台，能使更多專業知識及技術保留下來，以及解決題目擁有者保護著作權的問題，亦期望可以間接提升使用者對尊重保護著作權的守法觀念，並使智慧學習的易用性及便利性更加普及。

MATLAB R2016a數字圖像處理演算法分析與實現

為了解決多張png轉gif的問題，作者楊文茵徐麗新 這樣論述：

本書以MATLAB R2016a為平台進行編寫，全面、系統地介紹了MATLAB在數字圖像處理中的各種技術及應用。全書共32章，主要介紹了圖像的運算、圖像的變換、圖像的增強、圖像的複原、圖像的分割、圖像的編碼、圖像的形態學處理及圖像的小波變換等內容。同時講述如何利用MATLAB解決數字圖像的相關問題，起到學以致用的效果。 本書可作為數字圖像處理領域廣大科研人員、學者、工程設計人員的參考用書，也可供高等院校相關專業的教師、在讀學生參考使用。 第1章小波在影像處理中的綜合應用   1.1小波在圖像壓縮中的應用   1.1.1圖像壓縮的原理   1.1.2圖像壓縮的MA

TLAB實現   1.2小波在圖像增強中的應用   1.3小波在圖像融合中的應用   1.3.1圖像融合的原理   1.3.2圖像融合的MATLAB實現   1.4小波包在圖像邊緣檢測中的應用   第2章圖像分割演算法的MATLAB實現   2.1區域分割   2.1.1區域生長法   2.1.2分裂 合併法   2.2邊緣分割   2.2.1梯度運算元   2.2.2一階微分運算元   2.2.3二階微分運算元   2.3彩色空間分割   2.3.1基於像元的分割方法   2.3.2聚類演算法   第3章JPEG壓縮編碼演算法的MATLAB實現   3.1JPEG壓縮演算法的原理   3.2

JPEG壓縮編碼演算法的實現步驟   第4章頻域濾波的MATLAB實現   4.1有限衝激回應濾波   4.2低通濾波   4.3高通濾波   4.4高斯帶阻濾波   4.5同態濾波   第5章圖像傅裡葉變換的MATLAB實現   5.1傅裡葉變換的物理意義   5.2傅裡葉變換的定義   5.2.1一維連續傅裡葉變換   5.2.2一維離散傅裡葉變換   5.2.3二維連續傅裡葉變換   5.2.4二維離散傅裡葉變換   5.3二維離散傅裡葉變換的性質   5.4傅裡葉變換的實現   5.5傅裡葉變換的應用   5.5.1在圖像特徵定義中的應用   5.5.2在濾波器中的應用   第6章數位

圖像的小波變換   6.1小波變換的定義   6.2小波變換的快速演算法   6.3小波包變換   6.4小波變換的優點   6.5數位圖像的小波變換工具箱   6.5.1waveletfamilies函數   6.5.2waveinfo函數   6.5.3wavefun函數   6.5.4wfilters函數   6.5.5wavefun2函數   6.5.6wmaxlev函數   第7章圖像閾值分割的演算法分析與實現   7.1灰度閾值分割   7.1.1灰度圖像二值化   7.1.2灰度圖像多區域閾值分割   7.2長條圖閾值分割   7.2.1長條圖閾值雙峰法   7.2.2動態閾值法

  7.3最大熵閾值分割   7.4分水嶺法   第8章圖像變換與鄰域處理的MATALB實現   8.1圖像裁剪   8.2圖像錯切變換   8.3圖像鏡像變換   8.4圖像複合變換   8.5鄰域處理   第9章圖像復原方法的MATLAB實現   9.1最小約束二乘復原法   9.2Lucy Richardson復原法   9.3盲卷積復原法   9.4圖像復原的其他相關函數   第10章圖像編碼演算法的MATLAB實現   10.1變換編碼   10.2行程程式設計   10.2.1基本原理   10.2.2自身特點   10.2.3演算法局限性   10.3預測編碼   10.3.1

DPCM編碼   ……   10.3.3增量調製編碼   第11章基於形態學的影像處理技術   11.1數學形態學的概述   11.2形態學的基本概念   11.3數學形態學的分類   11.3.1二值形態學   11.3.2灰度數學形態學   11.3.3模糊數學形態學   11.4形態學的基本運算   11.4.1邊界圖元   11.4.2結構元素   11.4.3膨脹和腐蝕   11.4.4開運算與閉運算   11.4.5形態學重構   第12章遙感圖像與醫學圖像分析方法   12.1在遙感影像處理中的應用   12.1.1概述   12.1.2遙感圖像對長條圖進行匹配處理   12.1

.3對遙感圖像進行增強處理   12.1.4對遙感圖像進行融合處理   12.2在醫學影像處理中的應用   12.2.1概述   12.2.2醫學圖像的灰度變換   12.2.3基於高頻強調濾波和長條圖均衡化的醫學圖像增強   第13章圖像銳化的演算法分析與實現   13.1空域高通濾波   13.1.1梯度運算元   13.1.2其他銳化運算元   13.2頻域高通濾波   13.3同態濾波器圖像增強的方法   13.4圖像銳化的MATLAB實現   13.4.1空間域圖像的銳化   13.4.2頻域圖像的銳化   13.4.3同態濾波器的銳化   第14章基於小波圖像壓縮技術的演算法研究

  14.1圖像的小波分解演算法   14.2小波變換係數分析   14.3實驗結果與分析   第15章數位圖像的小波分解與重構   15.1二維小波變換分解函數   15.1.1dwt2函數   15.1.2wavedec2函數   15.2二維小波變換重構函數   15.2.1idwt2函數   15.2.2wavedec2函數   15.2.3wrcoef2函數   15.2.4upcoef2函數   15.2.5upwlev2函數   15.3提取二維小波變換係數的函數   15.3.1detcoef2函數   15.3.2appcoef2函數   第16章圖像統計特性與空間域濾波的M

ATLAB實現   16.1圖像的統計特性   16.1.1圖像的均值   16.1.2圖像的標準差   16.1.3圖像的相關係數   16.1.4圖像的等高線   16.2空間域濾波   16.2.1圖像中加入雜訊   16.2.2中值濾波器   16.2.3自我調整濾波器   16.2.4排序濾波   16.2.5銳化濾波   第17章數位圖像運算的演算法分析與應用   17.1圖像點運算   17.1.1線性點運算   17.1.2分段線性點運算   17.1.3非線性變換   17.2長條圖修正   17.2.1長條圖概述   17.2.2長條圖均衡化   17.2.3長條圖規定化

  17.3圖像的代數運算   17.3.1圖像加法運算   17.3.2圖像減法運算   17.3.3圖像乘法運算   17.3.4圖像除法運算   第18章Fan Beam與Hough變換的MATLAB實現   18.1Fan Beam變換   18.2Hough變換的基本原理   18.3Hough變換的MATLAB實現   第19章形態學演算法分析的MATLAB實現   19.1形態學的應用   19.1.1形態學濾波   19.1.2骨架提取   19.1.3邊界提取   19.1.4擊中或擊不中   19.1.5圖像填充操作   19.1.6最大值和最小值   19.2距離變換  

第20章小波變換圖像測試分析   20.1概述   20.2實例說明   20.3輸出結果與分析   20.4來源程式   第21章圖像類型轉換的MATLAB實現   21.1圖像類型的轉換   21.2彩色模型的轉換   21.3MATLAB中色彩模型轉換   21.3.1RGB模型與HSV模型轉換   21.3.2RGB模型與YCbCr模型轉換   21.3.3RGB模型與NTSC模型轉換   第22章圖像幾何運算的MATLAB實現   22.1齊次座標   22.2灰度插值   22.3圖像平移   22.4圖像旋轉   22.5圖像的比例變換   第23章圖像變換演算法的MATLAB

實現   23.1離散余弦變換   23.1.1一維離散余弦變換   23.1.2二維離散余弦變換   23.1.3快速離散余弦變換   23.1.4離散余弦變換的MATLAB實現   23.2離散哈達瑪變換   23.3Radon變換   第24章圖像增強演算法分析的MATLAB實現   24.1線性濾波器增強   24.1.1卷積   24.1.2相關   24.2濾波的MATLAB實現   24.2.1資料類型   24.2.2相關和卷積   24.2.3邊界填充選項   24.2.4多維濾波   24.3預定義濾波器   第25章數位圖像復原的MATLAB實現   25.1圖像復原概述

  25.2圖像的雜訊   25.3圖像復原的模型   25.3.1復原的模型   25.3.2無約束復原法   25.3.3有約束復原法   25.3.4復原法的評估   25.4MATLAB圖像的復原方法   25.4.1逆濾波復原法   25.4.2維納濾波復原法   第26章MATLAB視覺化功能   26.1二維圖形繪製   26.1.1基本二維繪圖   26.1.2二維修飾處理   26.2二維特殊圖形繪製   26.2.1橫條圖   26.2.2長條圖   26.2.3面積圖   26.2.4杆形圖   26.2.5階梯圖   26.2.6扇形圖   26.2.7羅盤圖   2

6.2.8極座標圖   26.2.9羽毛圖   26.2.10等高線   26.2.11向量場圖   26.2.12帶形圖   第27章數位圖像的編碼方法與實現   27.1圖像壓縮編碼基礎   27.1.1圖像壓縮編碼的必要性   27.1.2圖像壓縮編碼的可能性   27.1.3圖像壓縮編碼的性能指標   27.1.4保真度準則的評價   27.1.5壓縮編碼的分類   27.2熵編碼   27.2.1赫夫曼編碼   27.2.2香農編碼   27.2.3算術編碼   第28章圖像標記及測量的演算法分析與實現   28.1連通區域標記   28.2邊界測定   28.3查表操作   28.

4物件選擇   28.5圖像的面積   28.6圖像的歐拉數   第29章基於小波圖像去噪的MATLAB實現   29.1去噪原理   29.2MATLAB提供兩種閾值函數   29.3去噪MATLAB函數實現   29.3.1wdencmp函數   29.3.2ddencmp函數   29.3.3wthcoef2函數   第30章圖像配准及識別技術的分析與實現   30.1圖像配准基礎   30.2圖像配准的MATLAB實現   30.3圖像識別的基本原理   30.4圖像識別的MATLAB實現   30.5數位圖像在神經網路識別中的應用   第31章圖像多尺度邊緣檢測的演算法分析與實現  

31.1多尺度邊緣檢測   31.2快速多尺度邊緣檢測演算法   31.3實驗結果與分析   第32章邊界跟蹤的演算法分析與實現   32.1邊界跟蹤的方法   32.2霍夫變換   32.2.1利用直角坐標中的Hough變換檢測直線   32.2.2利用極座標的Hough變換檢測直線   32.2.3利用Hough變換檢測圓   32.2.4廣義Hough變換   附錄AMATLAB R2016a安裝說明   參考文獻 前言 圖像是客觀物件的一種相似性的、生動性的描述或寫真，是人類社會活動中最常用的資訊載體；或者說圖像是客觀物件的一種表示，它包含了被描述物件的有關資訊

，是人們最主要的資訊源。據統計，一個人獲取的資訊約有75%來自視覺。圖像作為一種有效的資訊載體，是人類獲取和交換資訊的主要來源，其直觀性和易解性是顯而易見的，也是其他資訊所無法比擬的。 數位圖像，又稱數碼圖像或數位圖像，是二維圖像用有限數位數值圖元的表示。數位圖像由陣列或矩陣表示，其光照位置和強度都是離散的。數位圖像是由類比圖像數位化得到的、以圖元為基本元素的、可以用數位電腦或數位電路存儲和處理的圖像。目前比較流行的圖像格式包括點陣影像格式BMP、GIF、JPEG、PNG等，以及向量圖像格式WMF、SVG等。目前，大多數流覽器都支持GIF、JPG和PNG圖像的直接顯示，而SVG格式作為W3C的

標準格式在網路上的應用越來越廣。 隨著電腦科學技術的不斷發展與人們在日常生活中對圖像資訊需求的不斷增長，數位影像處理技術在近年來得到了迅速的發展，成為當代科學研究和應用開發中一道亮麗的風景線。數位影像處理技術以其信息量大、處理和傳輸方便、應用範圍廣等優點，成為人類獲取資訊的重要來源和利用資訊的重要手段，並在宇宙探測、遙感、生物醫學、工農生產、軍事、公共、辦公自動化等領域得到廣泛應用，顯示出其廣泛的應用前景。數位影像處理技術已成為電腦科學、資訊科學、生物科學、空間科學、氣象學、統計學、工程科學、醫學等學科的研究熱點，並已成為工科院校電子資訊、電氣工程、醫學生物工程等專業的必修課。 MATLABR

2016a作為美國MathWorks公司開發的用於概念設計、演算法開發、建模仿真，即時實現的理想的集成環境……。2016年3月MATLABR2016a最新版正式發行。MATLAB主要面對科學計算、資料視覺化、系統模擬及互動式程式設計的高新技術計算環境。由於其功能強大，並且簡單易學，MATLAB軟體成為高校教師、科研人員和工程技術人員的必學軟體之一，從而極大地提高了工作效率和品質。MATLAB軟體有一個專門的影像處理工具箱，由一系列支援影像處理操作的函數組成。MATLAB支援五種圖像類型，即索引圖像、灰度圖像、二值圖像、RGB圖像和多幀圖像陣列；支持BMP、GIF、HDF、JPEG、PCX、PN

G、TIFF、XWD、CUR、ICO等影像檔格式的讀寫和顯示。在MATLAB中，可對圖像進行諸如幾何操作、線性濾波與濾波器設計、圖像變換、圖像分析與圖像增強、二值圖像操作以及形態學處理等影像處理操作。 在數位影像處理領域對問題的求解通常需要大量的實驗工作，包括軟體類比和大量樣本圖像的測試。雖然典型演算法的開發是基於理論支援的，但這些演算法的實現幾乎總是要求對參數進行估計，並常常進行演算法修正與候選求解方案的比較。這樣，由許多資料證明的靈活的、綜合的軟體發展環境就成為一個關鍵因素。這些因素在開銷、開發時間和影像處理求解方法上都具有重要意義。MATLAB在數位圖像中也起到了重要的作用。 本書具有以

下特點： （1）內容由淺入深，循序漸進。 本書結構合理，內容由淺入深，講解漸進，不僅適合初學者閱讀，也非常適合有一定影像處理基礎的讀者進一步學習。 （2）重點突出，目的明確。 本書立足於基本理論，面向應用技術，以必須、夠用為尺度，以掌握概念、強化應用為重點，旨在加強理論知識和實際應用的統一。 （3）敘述翔實，實例豐富。 本書有詳細的實例，每個例子都經過精挑細選，有很強的針對性。書中的程式都有完整的代碼，而且非常簡潔和高效，便於讀者學習和調試。 （4）易於學習，強化實踐。 本書以MATLAB為程式設計工具，通過大量典型實例的分析實踐，使讀者較快地掌握數位影像處理系統的基本理論、方法、實用技術及一

些典型應用。 （5）語言通俗，圖文並茂。 本書以MATLABR2016a為平臺進行編寫，全面、系統地介紹了MATLAB在數位影像處理中的各種技術及應用。全書共32章，主要介紹了圖像的運算、圖像的變換、圖像的增強、圖像的復原、圖像的分割、圖像的編碼、圖像的形態學處理及圖像的小波變換等內容。同時講述如何利用MATLAB解決數位圖像的相關問題，起到學以致用的效果。 本書主要由楊文茵與徐麗新編寫，此外參加編寫的還有欒穎、周品、曾虹雁、鄧俊輝、鄧秀乾、鄧耀隆、高永崇、李嘉樂、張棣華、張金林、鐘東山、李偉平、宋曉光。 由於時間倉促，加之作者水準有限，書中疏漏之處在所難免。在此，真誠地期望得到專家和廣大讀者

的批評指正。 作者 2017年12月  

梧桐花月夜－彩繪藝術應用於民間傳說角色設計創作

為了解決多張png轉gif的問題，作者黃燕圻 這樣論述：

客家文化藝術代表傳統中流露新意，樸實中蘊含奔放與活力。客家藝術豐富了台灣的文化內涵、社會多元、尊重與包容的生命力。客家的文化與藝術，已成日常生活的一部分。本創作在創作設計過程中，運用構思、造型、素材選用之外，其最重要之蘊含為客家的意義與精神。 本創作彩繪創作設計流程採取基本資料收集、故事述說、創意發想、構想歸納、設計作品。透過客家民間信仰「麟洛王爺奶奶」；「人神聯姻」的愛情故事為基礎架構，並結合客家藝術、建築、生活文化與文獻回顧探討，作以驗證之合理性。藉由論述作為基礎的實驗創作，並擷取各種素材、造型視覺元素，以進行創作研究衍生其作品。最後藉由實驗的轉換，呈現出創作品之概念設計與

精髓，融入創作主題之風格特色，藉由客家文化藝術的傳承創作產生客家文化的無形資產。