Auto stitching的問題,透過圖書和論文來找解法和答案更準確安心。 我們找到下列推薦必買和特價產品懶人包

國立彰化師範大學 物理學系 黃啟炎所指導 石拉杰的 使用有機材料作為摻雜物和配向層製作液晶光電元件 (2021),提出Auto stitching關鍵因素是什麼,來自於液晶、有機摻雜物、免摩擦配向、氟末端原子、硝基末端群、快速響應、單晶紅熒烯。

而第二篇論文國立交通大學 機械工程系所 鄭璧瑩所指導 王彥中的 應用開迴路壓電致動器與頻域訊號於大面積影像相似度拼接 (2020),提出因為有 開迴路壓電致動器、頻域訊號相似度、影像拼接、機器手臂的重點而找出了 Auto stitching的解答。

接下來讓我們看這些論文和書籍都說些什麼吧:

除了Auto stitching,大家也想知道這些:

使用有機材料作為摻雜物和配向層製作液晶光電元件

為了解決Auto stitching的問題,作者石拉杰 這樣論述:

本論文添加不同種類有機摻雜物於液晶盒中,例如N-benzyl-2-methyl-4-nitroaniline (BNA)、Morpholinium 2-chloro-4-nitrobenzoate (M2C4N)及N-(4-Fluoro-2-methylphenyl) benzenemethanamine (BFM),並研究其光電特性。這些有機摻雜物會增加液晶混合物之極化率、極化率各向異性、偶極矩,從而增加液晶混合物之介電各向異性。介電各向異性的增加導致液晶盒之閾值電壓減少。摻雜BFM、BNA和 M2C4N液晶盒之下降時間 分別比一般純液晶盒快了約 5.8倍、5.1倍和3倍,其主要是由於有機

摻雜物會減少液晶盒之閾值電壓及轉動黏滯係數。此外,有機分子之自發性極化電場產生的強大恢復力也幫助降低液晶盒的下降時間。BFM摻雜物之氟末端原子能有效抑制液晶盒之自由離子,因此進一步降低了轉動黏滯係數及下降時間; BNA摻雜物之硝基末端群會導致液晶盒在波長400nm附近產生劇烈光吸收;因M2C4N的苯胺/羥基與液晶分子具有較強的分子間相互作用,因此摻雜M2C4N對液晶混合物之介電各向異性有較大的提升。這些結果顯示摻雜M2C4N可用於開發高介電各向異性之液晶混合物,而摻雜BNA適用於製作具有快速響應及濾藍光功能之液晶光電元件,摻雜BFM則不僅可以防止色偏還能大幅降低液晶盒之響應時間。此外,本論文還

研究了有機單晶紅熒烯薄膜對液晶分子之配向並用來製作免摩擦配向之液晶光電元件。在單晶紅熒烯薄膜上之液晶分子定向可以透過注入液晶時的毛細流動方向來決定,並且液晶分子會呈現低的預傾角排列。與傳統使用聚酰亞胺配向膜之液晶盒相比,使用單晶紅熒烯薄膜製作液晶盒不需摩擦配向處理且具有更低的操作電壓、更快的響應時間和更高的電壓保持率(voltage holding ratio)。有機單晶紅熒烯薄膜可以同時當作免摩擦配向處理之配向層及弱導電層,其多功的特性能用來開發新穎液晶光電元件。

應用開迴路壓電致動器與頻域訊號於大面積影像相似度拼接

為了解決Auto stitching的問題,作者王彥中 這樣論述:

本論文開發出一套可處理清晰、模糊並存影像及三維物體表面輪廓量測中重複圖案影像的拼接系統。此系統由開迴路精密壓電致動器組建而成,藉此對不同位置、焦距下的樣品進行採樣,並以多重高度影像融合技術重建出高景深影像,最後進行頻域訊號相似度計算得出影像間的偏移位置以拼接出全景影像。由於開迴路壓電制動器有著移動快速但作動不穩定的特性,本論文藉由壓電效應搭配動力學公式計算出合適的操作參數以及改良出往復型作動方式,搭配充分暖機的前置作業,不僅能快速的移動壓電致動器也能將移動誤差從10%降至1%。如果待測物為三維物體,CCD相機會因為景深的限制無法拍攝出完全清晰的影像,本論文採用多重高度影像融合技術進行影像疊合

出清晰的高景深影像。多重高度影像融合技術中最重要的就是清晰度演算法,因為必須藉由計算影像中的像素清晰度,才能挑選出最具代表性的像素點,以重建出效果最佳的高景深影像。本研究提出一個新的清晰度演算法,將像素點的週圍分成九個區域分別計算,並在計算清晰度之前先進行挑選的動作,以避免雜訊對清晰度的影響,並以高斯金字塔的權重分配各個區域最後進行加總。本研究提出的演算法重建所得的三維立體輪廓圖,其RMSE誤差為287.628,相比於文獻中所使用的Square Gradient演算法的297.844下降了不少。最後提出以計算頻域訊號相似度的方法應用於影像拼接。根據影像經傅立葉轉換後高頻、低頻區域分別代表輪廓及

模糊程度的特性。挑選出具代表性的參考訊號後對原始影像進行頻域訊號相似度計算,便能區分出影像中的清晰、模糊、重複圖案以及雜訊的區域。最後便能根據相對應的雜訊座標得知影像間的相對位置,拼接出待測物完整的全景影像。本研究的頻域訊號相似度原理亦可應用於機器人物體辨識及分類取物,藉由相似度的差異找出與目標物相似的其他物體座標,即可控制機器人逐一抓取。