Chapter7 week13

※7.1 Introduction
[Thinking]
　a.為何要使用傅立葉轉換(Fourier Transform)?
　b.使用傅立葉轉換有什麼好處?
[Note]
→It is more efficient to use the Fourier transform than a spatial filter for a large filter.

---

※7.2 Background (背景)
[Thinking]
　a.傅立葉的來源背景?
　b.為何會發展出傅立葉轉換?
[Note]
→簡單的推導了傅立葉公式

---

※7.3 The One-Dimensional Discrete Fourier Transform
[Thinking]
　a.One-Dimensional的翻譯是一次(階)?
　b.假使可翻譯成「一階離散傅立葉轉換」
　　表示傅立葉轉換可分為 離散、連續、一階、多階等形態?

[Note]
離散傅立葉轉換(Discrete Fourier transform,DFT)

從連續到離散(轉自wiki)
x(t)在時域採樣後的連續富立葉轉換，也就是離散時間富立葉轉換，它在頻域依然是連續的。下面將頻域信號轉化為有限長離散信號。與對時域信號的處理類似，假設頻域信號是帶限的，再經過離散化，即可得到有限長離散信號。依據採樣定理，時域採樣若要能完全重建原信號，頻域信號\hat{x}(\omega)應當帶限於(0,1/T)。由於時域信號時限於[0, L]，由採樣定理以及時頻對偶的關係，頻域的採樣間隔應為1/L。

---

7.4 Properties of the One-Dimensional DEF
function out = cconv(a,b)
Error: Function definitions are not permitted at the prompt or in scripts.

cconv與conv之間的差異(?)
CONV：The resulting vector is length LENGTH(A)+LENGTH(B)-1.
CCONV：見課本Page.153

Page154的運算式結果與Page153 ifft後的結果一樣
IFFT：IFFT(X) is the inverse discrete Fourier transform of X

---

7.5 The Two-Dimensional DFT
FFT2(X,MROWS,NCOLS) pads matrix X with zeros to size MROWS-by-NCOLS before transforming.

7.6 Fourier Transforms in MATLAB
7.7 Fourier Transforms of Images
照課本打...\囧/

7.8 Filtering in the Frequency Domain

Chapter6 week11

[實做筆記區]

※6.1 Interpolation of Data
Start with a simple problem:suppose we have a collection of four values that we wish to enlarge to eight.

「如何把四個數字擴大八個數字？」
　在6.1中一共提到了四個方法，
　而Figure6.1與6.2指的是同一種方法...

「Slightly redrawn」 (Page.120)
　X1 ~ X4 之間一共有三個間隔，而每個間隔相差的直為1
　X'1 ~ X'8 的長度與 X1~X4的長度相等，此外
　X'1 ~ X'8之間一共有七個間隔，每個間隔的大小為3/7 也就是0.4286

　數學公式如下：X'=1/3(7x-4)
　　　　　　　　X =1/7(3x'+4)

「Nearest-neighbor interpolation」 (Page.120)
　X →X' 挑最近的的點 如6.3所示
　X1最近的點：X'1 ＆ X'2 (課本於X'2標空圈)
　X2最近的點：X'3 ＆ X'4
　X3最近的點：X'5 ＆ X'6
　X4最近的點：X'7 ＆ X'8 (課本於X'7標空圈)
「Linear interpolation」 (Page.121)
　F-f(X)/λ = f(X2)-f(X1)/1
　→F=λf(X2)+(1-λ)f(X1)
　註：F是想知道的X'n
　　　λ是以 X1 到 X2 的距離，F距離 X1 佔整段比例的比數

---

　
※6.2 Image Interpolation
　6.1提到了點與線之間的數值放大(使用線性做範例)
　6.2則是一個面的，也就是Image。
　Example：將4×4的Image放大到8×8
　(x,y)對應到放大後的位置，用下面的公式計算
　該公式稱為 bilinear interpolation
　f(x',y')=λμf(x+1,y+1)+λ(1-μ)f(x+1,y)
　　　　　+(1-λ)μf(x,y+1)+(1-λ)(1-μ)f(x,y)

　Matlab內有個function叫做 imresize 負責上述提過的處理
　語法是：resize(A, k, 'method')
　method一共有：'nearest', 'bilinear', 'bicubic' 三種方法

---

※6.3 General Interpolation (Page.125)
　本節提到的是cubic interpolation
　也就是Method中的bicubic....
　f(x')=R3(-1-λ)f(x1)+R3(-λ)f(x2)+R3(1-λ)f(x3)+R4(2-λ)f(x4)
　x'透過 x1, x2, x3, x4 共四個點計算出
　解讀如下：
　因為計算的過程中該曲線f(x) x值 最高項次是 3次方
　此外，在平面上求得(x',y')需仰賴bilinear的概念
　故稱為bicubic interpolation

---

※6.4 Enlargement by Spatial Filtering　
　在Enlarge的過程中使用filter(?)

---

※6.5 Scaling Smaller
　似乎可以用公式畫圓(但是沒有成功= =)

---

※6.6 Rotation (旋轉)
　將圖片(中的每個點)旋轉Θ度
　語法如下：var = imrotate(c,60);
　　　　　　//將c旋轉60度的值給var
　此外，旋轉90度的倍數有特殊的語法
　 90度：c90 = flipud(c);
　180度：c180 = filplr(flipud(c));
　270度：c270 = fliplr(c);

---

※6.7 Anamorphosis (失真圖像)

---

[問題區]
1.　Page 120, Figure 6.3
　　Nearest-neighbor interpolation，以空圈標記了最近的點
　　然而位於邊緣的 X1 ,與 X4 僅僅標記了X'2與X'7
　　X'1與X'8並未被標，是因為重疊的關係？

　　在這張圖，從 X'→X 似乎沒有太大的問題
　　　　　然而從 X→X' 是否如字面意義挑最近的點
　　例如 X'3 較 X'4更接近 X2...X→X'時，X2是否取X'3的值

2.　Page 137
　 90度：c90 = flipud(c);
　180度：c180 = filplr(flipud(c));
　270度：c270 = fliplr(c);

　因為課本上使用imrotate的旋轉，是逆時鐘旋轉...
　然而這邊提到特殊與法的時候，有提到度數
　我以為c90的結果應該與imrotate(c,90)相同
　然而實際上並不是，而是往下折(x,y')

　c180 也不等於 imrotate(c,180)而是(x',y')　
　c270 是(x',y)

　註：(x,y')是指 x 相對位置不變，y的位置作映射
　　　(x',y') x y 作映射
　　　(x',y)是指 y 相對位置不變，x的位置作映射

　這樣算是我解讀上有所問題嗎？

期中報告 notes

3. [ 注意 ] 請同學撰寫一份期中報告, 繳交至 Homework Show @ IPC, 內容為描述自己在本課程前半學期的學習情形, 回顧自己哪方面表現不錯? 哪方面需要加強? 老師應加強哪些課程內容? 最後, 給自己的學習打成績。第 11 週課程我們將進行課程期中回顧。

筆記筆記筆記....囧

待續XD

[學習情形]
每週都有按照老師規定的進度好好的閱讀與實做
除了3.6(如果沒記錯)那次沒有跟上外

[自認不錯]
有試著使用blog做閱讀紀錄，
方便將來回顧時使用。

[尚待加強]
上課學過的東西，或許當下聽懂了，
然而有部分機率在不久後將之遺忘。

[課程內容]
本身對於課程內容與上課方式並沒有任何疑問

[自我評分]
80

雖然有使用blog做紀錄，然而紀錄卻不是那麼的詳細
有時因為偷懶而缺記的，還得重新翻書才會有印象

提問題，總覺得有一些是可以自行解決的...
提問題之後，或得解答也未必即時更新blog
有時問題提過後，部份沒獲得解答的問題就此閒置

就努力實作與閱讀方面，覺得應該有超過80分的門檻
但是因為後續偷懶方面的小瑕疵，自認該扣分...

Week7 Homework7

※閱讀心得－－以下以章節與頁數呈現

※5.1 Introduction
[Page 89]
Spatial filtering thus requires three steps:
1. Position the mask over the current pixel.
2. Form all products of filter elements with the corresponding elements of the neighborhood.
3. Add all the products.
↑This must be repeated for pixel in the image. (!!!!)
關於我的解讀：
1. 先選出想要的current pixel
2. 列出他的Pixel Neighborhood
3. 選定他是Mask的範圍
4. 將週遭的Neighborhood乘上特定乘積並加總在current pixel的位置
5. 輸出

[Page 90]
magic(N)就是楊建貴教授以前敎過的魔術方塊
N是決定他的大小：N×N大小的矩陣

↑分別是乘以10之後與之前

課本將之乘以10倍的大小
關於Page 90與Page 91的程式範例，有誤導的錯覺
因此自製了一些對照圖：







※5.3 Filtering in MATLAB
Y = filter2(B,X,'shape')
'same'-原本的大小 (原本是5×5的話)
'valid'-compute without the zero-padded(會變3×3)
'full'- 把邊緣也用特殊算法填滿(7×7)
使用圖片對照應該會更加清晰，如下：
◎使用same
◎使用valid

◎使用valid時若補零(※詳見5.2.1 Pad with zeros.)，會出現與same效果相等的結果

◎使用Full的效果(框線內是為了跟same做比較)


Page 95
fspecial('average',[5,7])→矩陣的element都是0.286(總和為1)
fspecial('average',11)→矩陣內的element都是0.0083(總和為1)
◎程式碼demo如下(3x3大小的filter)：


◎同上，改用9x9與25x25的filter：



關於Functio "fspecial"，Page 98用到fspecial('')
'laplacian' filter approximating the 2-D Laplacian operator
'log'　　　　Laplacian of Gaussian filter
'gaussian'　Gaussian lowpassfilter
註：laplacian又叫做「拉普拉斯」
◎Page 98的程式結果如下：


Page 101 =>High-pass filters are often used for edge detction.
◎Page 101-Scaling transformation.

↑據說右邊那個圖，High-pass filters are often used for edge detection. The picture can be seen quite clearly.

※5.5 (未細讀)
關於「Gaussian Filter」
◎但是下圖展示關於Gaussian的效用：


※5.7 Nonlinear Filters
→maximum filter
→minimum filter
→rank-order filter
the mini filter is a rank-order filter for which the first element is returned,and the maximum filter is a rank-order filter for which the last element is returned.

Use function "nlfilter"


※問題區
1.　Page 93,94
　　關於filter2的"same","valid","full"，
　　課本有些簡單的範例，例如在x的四周補0後使用"valid"的效果
　　與直接使用"same"的效果相同
　　知道每個單字出現的範圍大小，但實際計算方式仍不太了解
　　→已知課本範例結果"valid"3×3,"same"5×5,"full"7×7

2.　Page 96,97 5.3.1
　　關於「Separable Filters」
　　示範把陣列分離成1×N與N×1
　　並提到Separability can result in great time savings.
　　關於這邊，語句上的翻譯是節省時間
　　而關於節省，到底是節省怎樣的時間？
　　抑或是節省記憶體的空間呢？(是否有此項功能)

3.　Page 99 Figure 5.5 的解說
　　In each case, the sum of all filter element is zero.
　　意指，構成上述圖片的fliter元素相加總合為0
　　在網路上搜尋了關於Laplacian的事蹟，
　　或許這問題不是很重要，但仍然好奇該矩陣是如何構成？

4.　Page 108 (應該放到課本找錯區嗎= =?)
　　f=[-1 -1 -1;-1 11 -1; -1 -1 -1]/9;
　　xf=filter2(x,f);
　　imswho(xf/80)
　　根據上述指令操作，只有出現一個小點(約3×3大小)
　　但當我將xf=filter2(f,x); //x與f的位置對調
　　就可以show出圖片大小的圖

5.　Page 111(應該放在課本找錯區)
　　假設有一張圖片存在x裡面
　　原本→cmax=nlfilter(c,[3,3],'max(x(:))');會不能用
　　修改→cmax=nlfilter(x,[3,3],'max(x(:))');才能用
　　→cmin亦同
　　但當我將一張圖片大小與x相同的圖片塞到c裡
　　就可以用課本上的指令，那麼該算是筆誤還是？
　　如此一來，是否意指cmax=nlfilter(x,[3,3],'max(x(:))');前後變數該相同？



※專業術語問題區
1.　high-boost filter = 高xx濾波器？
　　同上，high-pass filter = 高xx濾波器？

2.　geometric mean filter

3.　alpha-trimmed mean filter

4.　

Week6 Homework6

※Chapter 4 閱讀與實作心得與提問

4.1 Introduction
　關於影像處理的運算，大約可以分成三種類型
　1.Transforms.(轉換)
　　Figure 4.1 show了圖片處理的四個步驟：
　　Image→Transformed image→Processed transformed image
　　→Processed original image
　2.Neighborhood processing(鄰近範圍的處理)
　　改變一張灰階圖片的Level，需要參照其他Pixel的Level。
　3.Point operations.(點的運算)
　　特定的Pixel改變時，不影響其他的Pixels。

4.2 Arithmetic Operations(算術運算)
　令整張圖片當作一個f(x)函數，使用數學上的運算處理。
　Figure 4.2，左圖是將所有的Pixels都增加128..
　如此一來，value高於128的會在相加後超過255。　(右圖則是減去128)
　此外，稍稍的提到了immultiply(乘)與imdivide(除) function

　COMPLEMENTS
　課本上提到了bc=imcomplement(b);
　bc是b這張圖片(矩陣)的補數
　show出來的圖片會有solarization(曝曬作用)的效果　//<-Question!!

4.3 Histograms
　一個灰階的圖片，統計gray level後可以將每個level所擁有的值繪致成一張長條圖(Histogram)。而關於這個長條圖(Histogram)擁有以下幾點特點：
　˙在顏色深一點的圖片，gray level大多分布聚集在較低的level中
　˙在顏色亮一點的圖片，gray level大多分布聚集在較高的level中
　˙在對比良好的圖片中，gray level會平均分布在全部level中

4.3.1 Page74~75
　關於plot(t,th,'.'),axis tight
　我試著打出plot(t,t,'.'), plot(th,th,'.'), plot(th,t,'.')
　當變數相等時，由點構成 y=x 的線
　→plot(x,y) 由x值範圍當x軸，y值範圍當y軸

　而關於imadjust(t,[],[],0.5); //0.5即gamma value
　我試過imadjust(t,[0~1 0~1],[])
　雖然有看出圖片的不同，但想不出該如何解釋現象//Question!!

4.3.2 Histogram Equalization(均化作用)
　說到Histogram的均化，大概可以分成兩種：
　1.讓每個bar都有一樣的高度
　2.讓每個gray level出現的頻率相同
　課本的均化作用似乎偏向於2...
　「使Histogram平均分布在255個level中」

　Page.78 定義一個n=360,把它分成15層→15/360= 1/24
　Figure 4.17原本的level在均化後以Figure4.18呈現
　但是...Histogram的bar竟然少一條!!　　//Question!!!

4.4 Lookup Tables(查表法)
　Page.83的Commands是在實現 Figure 4.23
　t1=0.6667*[0:64];
　t2=2*[65:160]-128;
　t3=0..6632*[161:255]+85.8947;
　T=uint8(floor([t1 t2 t3]));
　解讀如下：
　T是user所建立的一個table
　當gray image的pixel value是從
　0~64時，對照 t1的算式→new value
　65~160，對照t2的算式→new value
　161~255，對照t3的算式→new value

※問題區(將上述問題特別整理出來)
1.COMPLEMENTS
　使用imcomplement指令，會產生元圖片的補數
　而補數show成一張image時會有曝曬作用的效果
　(以上我根據課本內容所做出來的解讀)
　→照片的負片是否與這個作用有關？(關於舊式底片的問題)
　→所謂的曝曬作用，是指圖片嚴重曝光嗎？
2.imadjust 　我試過imadjust(t,[0~1 0~1],[])
　雖然有看出圖片的不同，但想不出該如何解釋現象
3.Histogram Equalization
　Page.78 定義一個n=360,把它分成15層→15/360= 1/24
　Figure 4.17原本的level在均化後以Figure4.18呈現
　但是...Histogram的bar竟然少一條!!
　我反覆推算，還是想不出那條bar到底落到哪區

以上是我重新閱讀與思索第四章後的心得筆記問題
有部分與上週產生的問題重複，有部分已經解決....

Week5 Homework5

[Notes]

※4.1 Introduction
Image-processing operations may be divided into three classes based on the information required to perform the transformation.
1.Transforms.
2.Neighborhood processing.
3.Point operation.

※4.2 Arithmetic Operations

※4.3 Histograms
→imshow(p),figure,imhist(p),axis tight

├4.3.1 Histogram Stretching
│　　　gamma value(?)
└4.3.2 Histogram Equalization
　　　　qualization
※4.4 Lookup Tables


Questions:
1.LUT(?)

Week4 Homework4

閱讀3.6 Quantization and Dithering

[Notes]
uint8(floor(double(x)/2)*2)...etc
imshow(grayslice(x,128),gray(128)) <=分成幾層灰階的色階 Dither 的中文解釋(?) Questions: 1.Dithering 　Dither： 　a.[to be unable to make a decision about doing something] verb 　b.[be in a dither about sth to be very nervous, excited or confused about something] noun 　不知道在IPC中，Dither該如何翻譯 2.承上 Page.56~57　關於矩陣D=[ 0 128; 192 64 ]那方面，我的解讀是將圖片切割成N個以2*2為一個blog做單位，逐一與D比較，會因為資料數據而簡單將區塊劃分為「Dark gray」、「Midgray」、「Light gray」如同Figure 3.13的顯示。而我發現Figure 3.14並不是完全的純黑白數據而已，於是翻看Page.57程式碼部分，由於x2=x>r ,imshow(x2) 所產生的Figure 3.14仍有色差，這點很不能理解。

3.承一，希望更詳細理解Dithering的意義，有點不能理解Page.61圖片參雜著雜訊點的意義。

Week3 Homework3

簡單的翻閱過一遍...
Notes:
(※章節重點)
3.1 Introduction
This is a consequence of two properties of an images: its spatial resolution and its quantization.
影像是由兩種特性所造成的結果：空間分析與量化

3.2 Basics of Image Display
The same image may be very different when viewed on al dull CRT monitor compared with a bright LCD monitor.
一樣的圖片會因為硬體的差異而產生不同的view

　c=imread(‘picture’)’
　image(c);
　//這種show法，會讓圖片配合螢幕而產生變形

※為了讓圖片正確的Show出來，下面有幾個指令..
　1.truesize
　2.axis off
　3.colormap(gray(247)

3.3 The imshow Function
　　c=imread(‘picture’);
　　cd=double(c);
　　imshow(c). figure, imshow(cd)
//如果c是灰階圖，cd會變成白圖…如果不是…

　　imshow(cd/255) //不變
　　imshow(cd/512) //變暗
　　imshow(cd/128) //變亮

3.4 Bit Planes
　　c0=mod(cd,2);
　　c1=mod(floor(cd/2),2);
　　c2=mod(floor(cd/4),2);
　　c3=mod(floor(cd/8),2);
　　c4=mod(floor(cd/16),2);
　　c5=mod(floor(cd/32),2);
　　c6=mod(floor(cd/64),2);
　　c7=mod(floor(cd/128),2);
//取得每個bit的0,1值，轉換成C++如下：
//簡單敘述，直接複製應該會有bug....=.=
　for(i=0;i＜ImageHeight ;i++)
　　for(j=0;j＜ImageWidth ;j++)
　　｛
　　　　//c0的部分
　　　　if(Image[i][j]%2==0)
　　　　c0[i][j]=white;
　　　　else
　　　　c0[i][j]=black;
　　　　//c1的部分
　　　　if( (Image[i][j]＞＞1) %2==0 )
　　　　c1[i][j]=white;
　　　　else
　　　　c1[i][j]=black;
　　　　
　　　　//c2的部分
　　　　if( (Image[i][j]＞＞2) %2==0 )
　　　　c2[i][j]=white;
　　　　else
　　　　c2[i][j]=black;

　　　　//c3的部分
　　　　if( (Image[i][j]＞＞3) %2==0 )
　　　　c3[i][j]=white;
　　　　else
　　　　c3[i][j]=black;

　　　　//....之後的etc...
　　｝
3.5 Spatial Resolution
　　imresize(x,1/2);
　　imresize(imresize(x,1/4),4);
　　//每四個pixels取其中一個代表全部
　　imresize(imresize(x,1/8),8);
　　//每八個pixels取其中一個代表全部
　　imresize(imresize(x,1/16),16);
　　imresize(imresize(x,1/32),32);

3.6 Quzntization and Dithering
※還沒閱讀完畢

◎Questions
1. 位於3.2 Page.42
※為了讓圖片正確的Show出來，下面有幾個指令..
　1.truesize
　2.axis off
　3.colormap(gray(247)
根據課本的說法以及我的解讀，光用image(c)會讓圖片配合硬體顯示；使用1的指令，可以讓圖片忽略硬體的要素，也就是不管在怎樣的螢幕都會show出一樣的東西；使用3的指令，可以讓灰階色彩按比例分佈於(247)層中；那麼，axis off的指令....所代表的意義是？

2. 位於3.3 Page.44
※The imshow Function
　　c=imread(‘picture’);
　　cd=double(c);
　　imshow(c). figure, imshow(cd)
在我看來，如果c是灰階圖，cd會變成白圖…如果不是(也就是彩色圖片)… 會有一些比較明顯的線條，但是我目前還不清楚那些線條會出現的共通點為何，因為有黑有紅。

3. 位於3.3 Page.45
※承上
　　imshow(cd/255) //不變
　　imshow(cd/512) //變暗
　　imshow(cd/128) //變亮
他作除數的動作，是在表達些什麼呢？灰階圖片的分層數量嗎？
譬如(cd/255) 將灰階分成255層，(cd/128)將灰階分成128層？
還是單純的把cd的值除以255以及除以128那麼簡單而已？

Week2 Homework2

Notes:
2.1 Grayscale Images
　w=imread('');
　//讀取一張圖片
　Figure, imshow(a),pixval on
　//show圖片 可由游標看到該Pixel的座標與顏色值

2.2 RGB Images
　impixel(a,200,100)
　//看到a,座標(200,100)的pixel值
　把每張圖片的座標與ＲＧＢvalue等要素綜合起來
　可以看到經由一個陣列來儲存所有的value
　所有的value都是那張圖片的一個小要素

2.3 Indexed Color Images
└2.3.1 Information about Your Image
　imfinfo('picture')
　//這邊我Key in了自己的圖片 show出來的圖片訊息與課本不太相似
　ans=
　Filename: 'D:\picture\msn\雷.jpg'
　FileModDate: '19-Sep-2007 23:32:51'
　FileSize: 104242
　Format: 'jpg'
　FormatVersion: ''
　Width: 300
　Height: 300
　BitDepth: 24
　ColorType: 'truecolor'
　FormatSignature: ''
　NumberOfSamples: 3
　CodingMethod: 'Huffman'
　CodingProcess: 'Sequential'
　Comment: {}
　//是否有辦法透過指令修改show的information?

2.4 Data Types and Conversions
　whos a b
　//show a b的資訊
　//其他type還有 int8, int16, uint8, uint16

2.5 Image Files and Formats
　簡單介紹了常用的、以前出現過的圖片格式
　Ex:JPEG,TIFF,GIF,BMP,PNG,HDF,PCX,XWD,ICO,CUR

　使用dumphex Function可以把圖片資訊用16進位格式show出
　＞＞dumphex('picture',4)
　//表示把picture的data 前四行用16進位show出來

　※2.5章還需要詳加閱讀...

心得：
　　原本想慢慢的每天看一點來做紀錄，結果不知不覺中上課的日子又要來臨了 囧，稍微整理了一下每天做的小筆記，卻覺得很貧弱。嗯，以上都不是重點....Chapter2簡單的介紹了圖片的格式、一些比較常被用到的指令，似乎已經可以用這些指令來做一些簡單的處理了，卻又覺得哪裡不太足夠；或許每學習一個新的程式語言都會有這樣的過渡期吧!(但其實目前學過的程式語言也沒有熟悉到哪裡去啊 囧)

問題：
1.
TIFF：Tagged Image File Format
HDF：Hierarchical Data Format
PCX：Design for MS-DOS-based and Microsoft products.
ICO：display icons in Microsoft Windows.
CUR：mouse cursor in Microsoft systems.
上面的圖片格式，課本有做簡單的介紹，不知道是否能親眼見到一下。

2.
PGM
我在網路上稍微搜尋了一下跟PGM有關的資料，部份資料如下：
A PGM image represents a grayscale graphic image. There are many psueudo-PGM formats in use where everything is as specified herein except for the meaning of individual pixel values. For most purposes, a PGM image can just be thought of an array of arbitrary integers, and all the programs in the world that think they're processing a grayscale image can easily be tricked into processing something else.

他說明了PGM是一個跟灰階圖片有關的影像，之後就.....????

3.問題在上面
2.3.1那邊....

Week1 Homework1

Homework1:Getting Started
※以下的文件在本人尚未實做前，所產生的心得與疑惑。※

1.Command Notes:
　I = imread('pout.tif');
　//讀取圖片的方法
　imshow and imtool
　//show Image的指令
　//imshow是toolbox中最基本的展示(display)函數
　whos
　//可以叫出圖片的資訊(information)
　figure, imhist(I);
　//將I這個圖片的參數繪製成長條圖並且show出來
　I2 = histeq(I);
　//將I的灰階值平均分布在0~255中後存在I2
　imwrite (I2, 'pout2.png');
　//將圖片建立成檔案Portable Network Graphics (PNG)
　imfinfo('pout2.png');
　//查看圖片完整的資訊
　I2 = imsubtract(I,background);
　//強調(統一)I這個圖片的背景色彩，並將該圖存成I2
　I3 = imadjust(I2);
　//增加I2的色彩對比，並將該圖存成I3
　pseudo_color = label2rgb(labeled, @spring, 'c', 'shuffle');
　//將一張圖片任意填充色彩

　《Getting Help 》
　help functionname
　Ex:help imtool
　(To view all the Image Processing Toolbox demos, call the iptdemos function.)

※以上是在Getting Started中，被提到而且我能以自己理解的方式解讀的一些指令

2.Questions:
　1.在1-14 "Step 3: View the Background Approximation as aSurface"時
　有一段command如下：
　figure, surf(double(background(1:8:end,1:8:end))),zlim([0 255]);
　set(gca,'ydir','reverse');
　我覺得它跟1-15頁的那張立體圖應該有所關聯，但卻很不能理解
　【上述的指令是怎樣的功用，將圖片的某個值取出建立成Surface嗎(?)】
　以及【1-15那張立體圖的X,Y,Z軸的值分別代表??】

　2.在1-17 "Step 6: Create a Binary Version of the Image"
　有一段command如下：
　level = graythresh(I3);
　bw = im2bw(I3,level);
　figure, imshow(bw)
　我的解讀是：建立二進位圖像視覺,使用whos檢查圖片資訊後，
　　　　　　　可以發現level是一張Size:1,Bytes:8,Class:double
　　　　　　　二進位圖像
　由上述指令可以發現level與bw之間是有關聯性的
　但很不能理解graythresh與im2bw這兩個指令的作用...
　因為level的改變較大

※之後的部分，因為理解的還不夠，所以無法產生問題=>從頭到尾都是問題

3.心得&感想
　老實說，完全看不懂的狀況下真的會不知道問題在哪裡，再我看之前，一直不清楚該說哪裡有問題好，後來稍微看懂前面的一部分後，問題真的就接連產生了(但是還是很少就是了)，目前的狀況是=>不是沒有問題，只是連問題在哪裡都是一個問題。
　目前的狀況是粗略的瀏覽了1~2次，(第一次邊看邊紀錄，第二次邊blog邊看)，是很想要為了交作業而擠出更多的問題，但是後來想想，完全不知道自己在問什麼的問題還是別問的好，因此就先把比較清楚狀況的問題提出來。
　在寫這篇blog時，手邊還沒有Matlab可以操控，因此還在紙上談兵的部分，如果要更深入理解恐怕要等到電腦灌了Matlab，並且多玩一些效能以後才會提出更多的問題。

Week1

指定作業：閱讀Matlab使用手冊Chapter1 (約27頁)

Week1的實作練習1是
a=imread('圖片路徑');
b=imrad('圖片路徑');
c=(a+b)/2;
figure, imshow(c);
會show出兩者RGB相加除以2的圖片

Week1的實作練習2是
a=[123;456;789]
b=[147;258;369]
c=a+b;
show C

這個 囧

還是習慣性找個地方來存放資料-v-/
This is a space for Image Processing Class