% 1.Obrazek: http://www.k.bartecki.po.opole.pl/nsi/lena.tif
% 2.Przygotowanie
close all; %zamyka wszystkie okna
clear;     %usuwa zmienne z pamieci
clc;       %czysci okno komend

% 3.Wyswietlanie informacji o obrazku.
imfinfo('lena.tif')

% 4.Wczytywanie obrazka do macierzy
obraz = imread('lena.tif')

% 5.Wyswietlenie obrazka
figure(1)
colormap gray
imagesc(obraz, [0 255]);

% 6.Wyswietlenie wlasciwosci obrazka
whos obraz
workspace

% 7.Tablica blokowa
nx=4;
ny=4;

[X, Y] = size(obraz)

Nx = X/nx
Ny = Y/ny

A = mat2cell(obraz, repmat(ny,1,Ny), repmat(nx,1,Nx));

% 8.Wlasciwosci zmiennej A
%whos A
%disp(A)
%disp(A{1,1}) %lewa gorna ramka
%disp(A{128,1}) %lewa dolna ramka

% 9.Przygotowanie macierzy wzorcow wejsciowych
P = zeros(nx*ny,Nx*Ny); % tworzymy m acierz zer

for i=1:Ny
    for j=1:Nx
        P(:, j * i) = reshape(A{i, j}, (nx * ny), 1);
    % tu wstawić odpowiednią instrukcję
    end
end

% 10.Definiowanie sieci Kohena
N = 8; %liczba neuronow
eta = 0.1; %predkosc uczenia sieci
net = newc(P, N, eta)

% 11.Wyswietlanie rozmiarow wsp. wagowych
disp('Rozmiary macierzy wag przed trenowaniem: ')
disp(net.IW)
disp('Zawartość macierzy wag przed trenowaniem: ')
disp(net.IW{1})

% 12.Wybor wzorcow uczacych
nf=Nx*Ny/4; %ile ramek bedzie prezentowanych sieci w trakcie uczenia
Fi=randperm(Nx*Ny,nf); %wektor zawierajcacy nf losowych numerow ramek

whos Fi

Pu=P(:,Fi);

% 13.Trenowanie sieci
net.trainParam.epochs = 1;
net = train(net, Pu);

% Wsp.wagowe
disp('Rozmiary macierzy wag po trenowaniu: ')
disp(net.IW)
disp('Zawartość macierzy wag po trenowaniu: ')
disp(net.IW{1})

% 14.
W = net.IW{1};

% 15. symulacja działania
a = sim(net, P)

% 16. konwersja
af = full(a);

% 17.
ac = vec2ind(a);

% 18.
W = uint8(W);
ac = uint8(ac);

% 19.
save ('obraz.mat', 'W', 'ac', 'Nx', 'Ny', 'nx', 'ny');

% 20.
p = 8;
k = 8;
m = 64;

Kr = (Nx * Ny * nx * ny * p) / ((Nx * Ny * k) + (N * nx * ny * m));