doc 整理以及 README 優化

README.md

@@ -6,8 +6,11 @@
 
 **視訊壓縮期末專案**
 
+組員: 周哲瑋 (Wayne)，陳冠霖，許詠約
+
 高效能 JPEG 解碼器實現，核心使用 C++ 開發並透過 pybind11 提供 Python API。專案包含 C++ 和 NumPy 兩種實現，用於比較不同實現方式的性能差異。
 
+
 ## 專案特點
 
 - **⚡ 高效能**: C++ 核心實現，比 NumPy 版本快 **約 4.4 倍**
@@ -32,7 +35,7 @@
 - NumPy Decoder: **35.15 dB** ✅ (良好)
 - 兩者均達到視覺無失真標準（> 30 dB）
 
-詳細的 benchmark 結果請參考 [BENCHMARK_RESULTS.md](BENCHMARK_RESULTS.md)
+詳細的 benchmark 結果請參考 [BENCHMARK_RESULTS.md](doc/BENCHMARK_RESULTS.md)
 
 ## 快速開始
 
@@ -49,7 +52,7 @@
 
 ```bash
 # 1. Clone 專案
-git clone https://github.com/yourusername/Fast-Jpeg-Decoder.git
+git clone https://github.com/5000user5000/Fast-Jpeg-Decoder.git
 cd Fast-Jpeg-Decoder
 
 # 2. 安裝 Python 依賴
@@ -163,10 +166,9 @@ Fast-Jpeg-Decoder/
 ├── benchmarks/
 │   └── run_benchmark.py        # 性能測試與品質驗證
 ├── doc/
-│   └── report.md               # 詳細技術報告
+│   └── BENCHMARK_RESULTS.md    # Benchmark 結果文檔
 ├── output/                     # 解碼輸出結果（benchmark 生成）
 ├── example.py                  # 使用範例
-├── BENCHMARK_RESULTS.md        # Benchmark 結果文檔
 ├── Makefile                    # 建構腳本
 ├── setup.py                    # Python 安裝腳本
 └── README.md                   # 本文件
@@ -252,8 +254,6 @@ JPEG 檔案
 解碼完成的圖片
 ```
 
-詳細的技術實現請參考 [doc/report.md](doc/report.md)
-
 ## 技術亮點
 
 ### C++ 實現
@@ -302,8 +302,6 @@ JPEG 檔案
 - 多執行緒（OpenMP）: 預期提升接近 CPU 核心數
 - 查表法（LUT）: 預期提升 1.5-2×
 
-詳細分析請參考 [BENCHMARK_RESULTS.md](BENCHMARK_RESULTS.md)
-
 ## 使用建議
 
 ### ✅ 推薦使用場景
@@ -317,13 +315,12 @@ JPEG 檔案
 
 - **生產環境**: 請使用成熟的庫（libjpeg-turbo, PIL/Pillow）
 - **完整 JPEG 支援**: 本專案僅支援 Baseline DCT
-- **關鍵應用**: NumPy 實現存在已知的正確性問題
+- **關鍵應用**: NumPy 實現性能較低（比 C++ 慢 4.4 倍）
 
 ## 文檔
 
 - **[README.md](README.md)**: 專案概述和快速開始（本文件）
-- **[BENCHMARK_RESULTS.md](BENCHMARK_RESULTS.md)**: 詳細的性能測試結果和正確性驗證
-- **[doc/report.md](doc/report.md)**: 完整的技術報告（包含原理、實現、分析）
+- **[BENCHMARK_RESULTS.md](doc/BENCHMARK_RESULTS.md)**: 詳細的性能測試結果和正確性驗證
 
 ### 開發指南
 
@@ -341,7 +338,6 @@ JPEG 檔案
 
 ### 技術文章
 
-- [JPEG Decoding Tutorial](https://www.impulseadventure.com/photo/jpeg-decoder.html)
 - [Fast DCT Algorithms](https://www.nayuki.io/page/fast-discrete-cosine-transform-algorithms)
 - [Understanding JPEG](https://parametric.press/issue-01/unraveling-the-jpeg/)
 

BENCHMARK_RESULTS.md → doc/BENCHMARK_RESULTS.md

@@ -211,49 +211,6 @@ YCbCr → RGB 轉換         12.3%   數學運算
 - 當前 C++ 實現：67.50ms (lena.jpg)
 - **還有約 13× 的優化空間**
 
-## 結論與建議
-
-### 使用建議
-
-#### ✅ 推薦使用 C++ 實現
-- **場景**: 性能敏感應用、大規模圖片處理
-- **優勢**: 4.4× 性能提升 + 高品質還原（35+ dB）
-- **適用**: 視訊處理、嵌入式系統、即時應用
-
-#### ✅ NumPy 實現適用場景
-- **場景**: 學習、原型開發、理解 JPEG 原理
-- **優勢**: 代碼清晰、易於修改、與 C++ 品質相當
-- **限制**: 性能較低，不適合生產環境
-
-#### 🚫 生產環境請使用成熟的庫
-- **推薦**:
-  - `libjpeg-turbo` (C/C++) - 工業標準
-  - `PIL/Pillow` (Python) - 功能完整
-  - `opencv-python` (Python) - 整合豐富
-- **原因**:
-  - 完整的 JPEG 格式支援（Progressive, Lossless 等）
-  - 經過大量測試和優化
-  - 持續維護和更新
-
-### 專案價值
-
-本專案的主要價值在於：
-
-1. **教學示範**
-   - 完整實現 JPEG Baseline DCT 解碼流程
-   - 修復了多個常見的實現錯誤
-   - 提供詳細的技術文檔
-
-2. **性能比較研究**
-   - 實證 C++ vs Python 的性能差異（4.4×）
-   - 分析瓶頸來源和優化方向
-   - 展示 pybind11 的整合實踐
-
-3. **品質驗證**
-   - 使用 PSNR 量化評估解碼品質
-   - 證明兩種實現的正確性（35+ dB）
-   - 提供可靠的參考實現
-
 ## 已知限制
 
 ### 支援的 JPEG 格式