新高中資訊及通訊科技課程 - 多媒體製作及網站建構

今年年頭受聛於 VTC 教了一班中學老師、主任、副校長等的老師 預備 新高中課程 - "教統局新高中資訊及通訊科技課程知識增益系列：(11) 使用 PHP 及 MySQL 建構網站"
老師就是老師，好嚴肅，我點講笑大家都是望著電腦，日後有機會都想再教這類新高中課程因課程內容挺實用有部份甚至是大學一年級的內容。

高中資訊及通訊科技課程架構

高中資訊及通訊科技課程架構

1.必修部分
A. 資訊處理
B. 電腦系統基礎
C. 互聯網及其應用
D. 基本程式編寫概念
E. 資訊及通訊科技對社會的影響

2.選修部分（ 選修一項）
A. 數據庫
B. 數據通訊及建網
C. 多媒體製作及網站建構
D. 軟件開發

3.校本評核

壓縮傳感

Image processing 流行的研究 - Compressed Sensing <轉載>

壓縮傳感（Compressed sensing）”是數學和應用演算法研究熱門領域，這項研究利用數學中的稀疏概念，從雜訊中重建圖像或其它資料集。 壓縮傳感的發現是一次意外，當時是加州理工學院教授（現在去了斯坦福）的Emmanuel Candès在研究名叫Shepp-Logan Phantom的 圖像，這種標準圖像常被電腦科學家和工程師測試圖像演算法。Candès檢查的圖像品質非常差，充滿了雜訊，他認為名叫L1-minimization的 數學演算法能去除掉雜訊條紋，結果他按一個鍵後演算法真的起作用了。但在圖像變乾淨的同時，他發現圖像的細節出人意料的完美起來。他隨後向當時在UCLA的同 事陶哲軒展示了這一奇跡。第二天晚上，陶哲軒就完成了一組扎記，它們成為兩人合作的壓縮傳感領域第一篇論文的 基礎 (http://arxiv.org/abs/math.CA/0410542)。Emmanuel Candès認為壓縮傳感（簡寫CS）技術具有廣闊的應用前景，比如MRI，數碼相機。數碼相機鏡頭收集了大量的資料，然後再壓縮，壓縮時丟棄掉90%的 資料。如果有CS，如果你的照相機收集了如此多的資料只是為了隨後的刪除，那麼為什麼不一開始就丟棄那90%的資料，直接去除冗餘資訊不僅可以節省電池電 量，還能節省空間。

Compressive Sensing (matlab code using DCT)

clc;clear
load DCTq;  %讀量化表格
% Read the input image;           
xtatal = double(imread('lena512.bmp')); %讀圖檔 目前應該是黑白
figure(1);
imshow(uint8(xtatal));  %秀出原始圖檔

% keep an original copy of the input signal

for i=0:size(xtatal,1)/8-1                  %每格寬8像素 總共 (寬/8) 格 需整除
    for j=0:size(xtatal,1)/8-1              %每格高8像素 總共 (高/8) 格 需整除
        x0 = xtatal(1+i*8:8+i*8,1+j*8:8+j*8);       %一個block 處理

%         xmean = mean(x0(:));

%         x0=x0-xmean;

        % figure(1);

        % imshow(uint8(x0));

        f=floor((dct2(x0)+floor(Q/2))./Q);      %一個block作DCT和量化後的 係數(稀疏)
        f = f(:);                               %拉成一維 (n*1)
        n= size(x0,1)*size(x0,1);               %總點數 n

        s=length(find(floor((dct2(x0)+floor(Q/2))./Q)~=0)); %不等於0的有s個
       
        M=32;                                           %設定M大小 每個block 都用一樣

%         M=s*log(n/s)+1;                               %需大於s*log(n/s) 公式?

%         if (M&lt;32)                                     %補不足的點(自己設定的)

%             M=32;

%         end

        A = get_A_random(n,M);          %sensing matrix (M*n)
        Psi=dctmtx(n);                  %DCT基底 (n*n)
        y = A*Psi*f;                    %measurment (壓縮後大小 y(M*1)) (編碼)

        %用(l1 magic)tool 求l1 最佳稀疏解 (解碼)

%         % S o l v e u s ing l 1 magic .

%         path(path ,'./Optimization') ;

%         xinit = pinv(A)*y; % i n i t i a l g u e s s = min ene r g y

%         tic

%         xp = l1eq_pd ( xinit , A, [ ] , y , 1e-3);

%         toc

        %用CVX tool 求l1 最佳稀疏解 (解碼)
        cvx_begin
            variable xp(n);
            minimize (norm( xp , 1 ) ) ;
            subject to
                A*Psi*xp == y ;
        cvx_end
       
        %norm(f-xp)/norm(f);        %計算誤差??
        hat_x=reshape(round(xp),8,8);       %(n*1)一維轉換成8*8
        xhatall(1+i*8:8+i*8,1+j*8:8+j*8)=(idct2(floor(hat_x.*Q)));  %反量化&amp;反DCT 還原圖檔
       
        %調整超過的像素值
        [r1,c1]=(find(xhatall&gt;255));
        for l=1:length(r1)
            xhatall(r1(l),c1(l))=255;
        end
        [r2,c2]=(find(xhatall&lt;0));
        for l=1:length(r2)
            xhatall(r2(l),c2(l))=0;
        end

        %不確定對不對的方式

%         xhatall(1+i*8:8+i*8,1+j*8:8+j*8)=reshape(Psi*reshape(hat_x.*Q,64,1),8,8);

    end
end

figure(2);
imshow(uint8(xhatall));     %秀出還原的圖檔