或譯：不由我起；非我族類；「別人的孩子」

延伸閱讀：

* 網路上一篇文章談到not invented here syndrome，說NIH症候群是指某些人或是企業，對自我創新的能力頗為自負，並拒絕採用或購買他人或別的公司所發明的技術。

影像強化(Log、Power Law、Histogram Equalization)
4. 影像強化之應用

影像強化有很多種意思，包括將圖形暗部的地方變明亮(使用Log)，
或是將圖形太亮的地方變柔和(使用Inverse Log)，
也可代表將模糊的地方變銳利，或是將銳利的地方變模糊等等，
在此，我們僅介紹三種方法，
包括Log、Power Law、Histogram Equalization，
其中Log與Power Law主要是將暗部變明
而Histogram Equalization的主要功能則是增強對比。

varable = histeq(input,灰層) //parameter

原圖:

gray(i)
00 01 02 03 04 05 06 07 08 09   10 11 12 13 14 15

pixel(ni)
15 00 00 00 00 00 00 00 00 70 110 45 80 40 00 00

t=360
r=360/15=24
do(累加機率 分佈Function)=>new gray =>
5/8,5/8,5/8,5/8,5/8,5/8,5/8,5/8,5/8,5/8, 85/24,195/24,240/24,320/24,360/24,360/24,360/24

gray(i)
00 01 02 03 04 05 06 07 08 09   10 11 12 13 14 15

pixel(ni)
15 00 00 00 00 00 00 00 00 70 110 45 80 40 00 00

4捨5入=>
01 01 01 01 01 01 01 01   01 04   08 10 13 15 15 15

New=>
15 00 00 00 70 00 00 00 110        45          80     40

EX

170,240,010,080,150
230,050,070,140,160
040,060,130,200,220
100,120,190,210,030
110,180,250,020,090

Implement MatLab

ti=[170,240,10,80,150;
230,50,70,140,160;
40,60,130,200,220;
100,120,190,210,30;
110,180,250,20,90;];

lp=[1,-2,1];
lp2=lp’*lp;   % high-pass-filter

avl=(1/3)*[1,1,1];
av=avl’*avl;         %平均filter ; fspecial(‘average’)

tiav=filter2(av,ti);
ar=filter2(lp2,ti);
abl=filter2(lp,ti);
ab=filter2(lp’,abl);

f_lap=fspecial(‘laplacian’);          % Laplacian
f_log=fspecial(‘log’,[7,7],0.6);     % Laplacian of Gaussian
f_sobel=fspecial(‘sobel’);
f_sobel1=f_sobel’;
yui=imread(‘yui.jpg’);
bi=rgb2gray(yui);
fbi=filter2(f_sobel1,bi);
fbi2=filter2(lp2,bi,’valid’);
figure,imshow(uint8(fbi)),pixval on;        % display low-pass-filter
% figure,imshow(uint8(fbi2)),pixval on;   % display high-pass-filter

yui=imread(‘yui.jpg’);  % read files
% imshow(yui),pixval on
yui2=rgb2gray(yui);  %影像轉灰階
figure,imshow(yui2),pixval on
yuip=double(yui2).^(1/2)/16*255;     //log Tran
%yuip=uint8(double(yui2).^2/255);    //Power-law transformation
figure,imshow(uint8(yuip)),pixval on

例

Grammer修正

yui=imread(‘yui.jpg’);  % read files
% imshow(yui),pixval on
yui2=rgb2gray(yui);   %影像轉灰階
figure,imshow(yui2),pixval on
c=1;plt_gra=0.5;
yuip=c*(yui2).^plt_gra;
figure,imshow(yuip),pixval on

總變異量= 自變項(改變P)+外在變項(改變) +隨機變項(改變)

最大變異原則(Maxmincon principle of variance)= 自變項(maxing) +外在變項(mining) //我們所希望的成果

但最大變異原則可能會產生』系統性的錯誤與偏誤『

所以在此，為了確保外在變項對控制與實驗組產生似影響的方法，以及兩項排除外在變項的方法。

＠確保外在變項對控制組與實驗組產生相似影響
├隨機化(randomisation)
└配對(Mattching)

@排除外在變項
├在研究設計中建立』影響變項『
└排除特定變項

CH8 選擇一項研究設計

研究設計的類型
├接觸的次數
├橫斷研究(僅一回)
├事前/後比較研究(二回) //受成熟效應的影响(對某物的熟悉度),迴歸效應(態度,時間)
└縱貫研究/定時/週期性(多回數)
├研究問題所涉及的時間範圍
├回溯性研究
├預測性研究
└回溯－預測性研究  //預測 以之前的經驗對其未來方向作預測
└研究的本質：實驗設計、非實驗設計、準實驗設計 //非實驗設計:觀察

實驗設計(常見,但並非全部)
├事後的比較設計
├事前事後的比較設計
├控制設計~實驗(自變問題因素+外在) 控制(外在+隨機)
├重複控制設計
├比較設計
├配對控制實驗設計
└安心藥設計~心理因素下產生的

其他設計
交叉比較實驗設計

重複橫斷設計
趨勢研究
世代研究
固定樣本研究
單盲研究
雙盲研究
個案研究

#> rpm -q vnc vnc-server  // check vncservers already install or not
vnc-4.0-0.beta4.3.2
vnc-server-4.0-0.beta4.3.2

#> vim /etc/sysconfig/vncservers  // edit vncservers config
VNCSERVERS="1:username"

Before starting vncserver as a service, let’s create a vnc password with vncpasswd command.
Notice it creates a hidden directory .vnc under your home account with file passwd which contains your vnc password.

$> vncpasswd
Password:
Verify:
$> ls -d .vnc
.vnc
$> ls .vnc
passwd
#> /sbin/service vncserver start // start the vncserver, exit 轉為該vnc-user的ID

到家目錄下

$> cd .vnc
$> ls
passwd  tchung101:1.log  tchung101:1.pid  xstartup
$> vim xstartup  //修改登入後以x介面盛現
############新增or修改##########
unset SESSION_MANAGER
exec /etc/X11/xinit/xinitrc
############新增or修改##########
重啟vncserver  //如不通..請開通預設port 5901

ref.http://fedoranews.org/tchung/vnc/

資料→資訊→知識→智慧

–資料→【處理】→資訊
–資訊→【推論】→知識
–知識→【規劃】→智慧

知識管理工作：
知識規劃
知識獲取
知識累積
知識擴散
知識評核

就目前為止,知識管理的定義並沒有很明確的定義,目前只能界定一個範圍對其範圍作其定義

知識管理是廣泛,包含了各種類型的知識(例如:某公司對新進人員的教育訓練,或再教育進修)

g(x,y) = T(f(x,y))

r=gray levels of pixels in input image
S=gray levels of pixels in output image
default=> S=T(r)
Image neagative => S=(L-1)-r  //L-1:最大灰階值256-1=255; (0~255)
Log Trasform=> S= C*log(1+r)
Power-law Tranform => S=cr^?

s = T(r)

投影片 52

例一:(圖像轉為binary level)

% 圖像轉為binary level
yui=imread(‘yui.jpg’); % read files
imshow(yui),pixval on bin_img=yui(:,:,1);　　% 取R-LEVEL
figure,imshow(grayslice(bin_img,2),gray(2)) % 上列執令同等於下列的程式碼
for i=1:390 for j=1:400
if(bin_img(i,j)>=128)
bin_img(i,j)=255;
else
bin_img(i,j)=0;
end
end
figure,imshow(bin_img)

例二:

yui=imread(‘yui.jpg’);  % read files
imshow(yui) figure,imshow(rgb2gray(yui)),pixval on  //rgb2gray 圖轉灰階
bin_img=yui(:,:,1);
figure,imshow(bin_img),pixval on
bin_img=yui(:,:,2);
figure,imshow(bin_img),pixval on
bin_img=yui(:,:,3);
figure,imshow(bin_img),pixval on db=double(bin_img);
figure,imshow(im2uint8(db)),pixval on

例三:負片效果

yui=imread(‘yui.jpg’);  % read files
imshow(yui),pixval on g_img=rgb2gray(yui);
for i=1:390
for j=1:400
g_img(i,j) = 255-(g_img(i,j));
end
end
figure,imshow(g_img),pixval on

例四:Power-law transformation效果

yui=imread(‘yui.jpg’);  % read files
imshow(yui),pixval on
g_img=rgb2gray(yui);
for i=1:390
for j=1:400
c=1; plt=0.5.;
g_img(i,j) = c(g_img(i,j))^plt;  % S=cr^?
end
end
figure,imshow(g_img),pixval on

========

CH4 形成研究問題

@研究問題的形成

(操作)定議其問題的方向(概念:是心理的意像或感覺)

CH5 確定研究變項(variables)

@研究變項 // 變項是可以被測量(尺度)

衡量概念的定義

變項的類型
├自變項(因)→應變項(果) // 因果變數 ; 自變數其為 假設因子~應變數其為 假設結果
(在因果變數中會因為外在因素而影响其假設結果稱 影响變數
├研究設計:主動變項(可人為操弄、改變);屬性變項(不可人為操至弄、屬於事實盛現) //P68(figure5.8)
└測量單位:質(常數,二分變項,多分變項);量(實際數字) //質:類別 ; 量:連續 (名目;次序;等距;比率) P70(figure5.9)

CH6 建立研究假設

以命題方向作其假設

@假設過程
└直覺(假定)→調查(研究)→結論(謬誤)

@假設類型: 研究假設(Ho)vs 對立假設(Hx)
apha: 拒絕虛無假設,而當它是真的,便是為 第 I 類 錯誤
bata:  接受虛無假設,而當它是假的,便是為 第 II 類 錯誤

CH7 研究設計

設計:該用什麼工具去實行

@研究設計的定義:定訂研究方法(向),在對其研究方向該用何種步驟或工具,計劃或策略去獲取研究方法、答案
傳統研究設計是如何完成研究計劃的藍圖或細部的規劃~可被測量的操作化變數,選擇研究所關心的樣本,蒐集資料作為研究假設的基礎,以及分析其結果(Thyer,1993:94)

@研究設計的功能:
├研究所需的程序及相關作業的配置的界定或發展  //將程序概念化
└強調上述程序的品質的重要性,以確保研效的有效性、客觀性及正確性 //變項的控制

========

21日前繳交 題目、文獻