文章

目前顯示的是 七月, 2019的文章

焚風來時看雪山圈谷

圖片
今天由於東風過山,因此產生了焚風。在下午時,整個新竹苗栗到台中都紫起來了 同一時間在衛星雲圖上,也看到這些地方清晰無雲,顯示這裡是氣流下沉區域 既然無雲,就來從新竹眺望一下雪山山脈 果然這北稜角下的雪山圈谷還真是明顯可見啊。( 冬天看雪山圈谷積雪可以看這篇 )

聲學分析軟體Raven lite的使用教學

Raven lite是一個聲音的分析軟體,由康乃爾大學鳥類學實驗室所開發。其付費版本稱為Raven Pro,而Raven lite是輕量化的版本,免費使用,但須註冊取得註冊碼。 Raven lite能直接將聲音進行頻譜分析產生頻譜圖,並且能對聲音的頻譜標記或是做濾波分析,是聲學研究的好工具。 以下我錄製一些影片放置於此播放清單,說明如何註冊以及使用流程教學 https://www.youtube.com/playlist?list=PLm6x13NbsKl4OjMA9y8KwQYwx03ZPdCTX

imagej+colab機器學習作細胞分割

圖片
這是延續前篇的續作。 前一篇用了imagej的macro做了細胞的分割,不過實際上我認為誤差還是蠻大的,心裡想著應該還有更好的方法。想著想著突然想到這個問題,其實用機器學習的監督式學習可以解決。 只要把每個細胞團的參數拿出來餵給機器去學習,告訴機器「這種細胞團參數叫做一個細胞,那個細胞團參數叫做兩個細胞....」,當機器學會之後,就可以讓機器去預測那些細胞團是由幾個細胞組成的就可以。不過要做這樣的人工智慧,前提得先有工人智慧,我需要先人工辨識標記好每個細胞團到底是幾個細胞組成。 標記好或是機器學習預測好之後,我還需要有檢核的程式,讓我可以肉眼比對到底分類的結果如何。 整個機器學習的檔案架構是這樣的 ├── dataSet_predict   用來預測的文件 │   ├── Cells │   ├── Results │   └── Roi ├── dataSet_train   用來訓練的文件 │   ├── Cells │   ├── Results │   └── Roi ├── image     圖像的資料夾 │   ├── predict │   └── train ├── ImageCombine └── macro     ├── cellSegment.ijm     ├── checkModel.ijm     ├── makeModel.ijm     └── MakePredic.ijm 看起來很複雜,不過使用者只要記得把細胞的圖像分成兩部份,一部分放在image/predict,一部分放在image/train。當然train量一定是比較少的啊,我們是要用train裡的圖像來預測predict裡頭的圖像啊。 程式的部份我做了四支程式,三支是在imagej下執行,一支是python,讓它在colab來執行。先介紹三支imagej的程式 makeModel.ijm  執行之後選擇圖片所在的資料夾,自動會產生相關的文件,放在train的資料夾裡 checkModel.ijm  用來檢查那些人工標記或是電腦辨識之後的分析結果是否正確 MakePredic.ijm 用來產生預測用的檔案 決定把機器學習的檔案放在colab上執行,是想說這樣使用者就省去自己部屬python環境的時間