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）
2019年7月17日
焚風來時看雪山圈谷
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）
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
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
2019年7月8日
imagej+colab機器學習作細胞分割
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，反正只要上傳訓練檔案，等個十幾秒後自動會下載分析後的檔案
整個完整的分析、人工標記、上傳的流程，我照慣例錄製成影片說明。有需要的可以看看
整個程式檔和範例都放在雲端
https://drive.google.com/drive/folders/1m4MxOdCAziTr3tdNQhKP8H6y6nqfCNoz?usp=sharing
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，反正只要上傳訓練檔案，等個十幾秒後自動會下載分析後的檔案
整個完整的分析、人工標記、上傳的流程，我照慣例錄製成影片說明。有需要的可以看看
整個程式檔和範例都放在雲端
https://drive.google.com/drive/folders/1m4MxOdCAziTr3tdNQhKP8H6y6nqfCNoz?usp=sharing