shows less details and so on. The s

shows less details and so on. The subsequent PC score images show
great amounts of noise or random variations in intensity due to the
fact that the major features of the data have already been captured in
the first few PCs. Therefore, the first three PC score images were then
combined altogether to form a pseudo-color image (one score image
stands for one color channel). It is obvious that fat portions are
explicitly distinguished from the loin eye and the other adjacent
muscles for all pork classes (Fig. 7e). However, score images had
subtle differences in color among the pork classes, thus making
difficult to identify each class. It was necessary to apply a mapping
transformation to enhance these differences, allowing the analyst to
clearly distinguish between different classes of pork. Therefore, the
constructed pseudo-color image was converted to an indexed image
by using a color map of only limited number of colors instead of using
the full color range. The resulting indexed image is called classification
image in this context because it shows the result of classification that
could be presented in examined sample (Fig. 7f). The indexed image
uses a directmapping of pixel values to the values existing in the color
map. The color of each image pixel in the indexed image is determined
by using the corresponding value in the color map. Thus, pixels in the
composed pseudo-color image having same features tend to be
indexed with the same values in the color map. As a result of
conversion to indexed image, PSE class is presented in green color,
RFN in red, DFD in blue and fat in yellow. Fig. 8.A2, B2 and C2 showthe
indexed images for the same samples obtained for the loin eye alone.
Accordingly, sample 8A was classified as PSE, sample 8B as RFN, and
sample 8C as DFD. Detailed observation of these samples show that
there are regions of different classes in certain parts of the loin eye,
but these regions are small compared to the larger regions which

ผลลัพธ์ (ไทย) 1:

จะแสดงรายละเอียดน้อยกว่าและอื่น ๆ ภาพที่ความคิดเห็นของพีซีมาแสดงจำนวนมาก
ของเสียงหรือความแปรผันแบบสุ่มความรุนแรงอันเนื่องมาจากความเป็นจริง
ว่าคุณสมบัติที่สำคัญของข้อมูลที่ได้รับการจับใน
ชิ้นแรก ๆ จึงเป็นครั้งแรกที่ภาพสามคะแนนคอมพิวเตอร์เป็นแล้ว
รวมกันเพื่อสร้างภาพหลอกสี (ภาพคะแนนหนึ่ง
ย่อมาจากช่องทางสีหนึ่ง)เป็นที่ชัดเจนว่าส่วนไขมัน
โดดเด่นอย่างชัดเจนจากสายตาของเนื้อซี่โครงและกล้ามเนื้ออื่น ๆ ที่อยู่ติดกัน
สำหรับทุกชั้นเรียนหมู (รูป 7e) แต่ภาพที่มีความแตกต่างที่ลึกซึ้ง
สีในชั้นเรียนหมูจึงทำให้
ยากที่จะระบุแต่ละชั้นเรียน มันเป็นสิ่งจำเป็นที่จะใช้การเปลี่ยนแปลง
ทำแผนที่เพื่อเพิ่มความแตกต่างเหล่านี้ช่วยให้นักวิเคราะห์ไป
อย่างเห็นได้ชัดความแตกต่างระหว่างการเรียนที่แตกต่างกันของเนื้อหมู ดังนั้น
สร้างภาพหลอกสีถูกดัดแปลง
ภาพการจัดทำดัชนีโดยใช้แผนที่สีมีจำนวน จำกัด เพียงสีแทนการใช้
ช่วงสีเต็มรูปแบบ ภาพการจัดทำดัชนีผลที่เรียกว่าการจัดหมวดหมู่ภาพ
ในบริบทนี้เพราะมันแสดงให้เห็นผลของการจัดหมวดหมู่ที่
อาจจะนำเสนอในการตรวจสอบตัวอย่าง (รูปที่7)
ภาพการจัดทำดัชนีการใช้ directmapping ของค่าพิกเซลเป็นค่าที่มีอยู่ในสี
แผนที่ สีของพิกเซลภาพแต่ละภาพในการจัดทำดัชนีจะถูกกำหนด
โดยใช้ค่าที่ตรงกันในแผนที่สี จึงพิกเซล
ประกอบด้วยภาพหลอกสีที่มีคุณสมบัติเดียวกันมีแนวโน้มที่จะ
การจัดทำดัชนีที่มีค่าเดียวกันในแผนที่สี เป็นผลมาจากการแปลง
ภาพการจัดทำดัชนี,PSE ชั้นจะนำเสนอในสีเขียว
rfn สีแดง DFD ในสีฟ้าและไขมันในสีเหลือง มะเดื่อ 8.a2 B2 และ C2 showthe
ภาพการจัดทำดัชนีสำหรับตัวอย่างเดียวกันที่ได้รับการตัดเนื้อสันคนเดียว.
ตามตัวอย่าง 8a จำแนกเป็น PSE, 8b ตัวอย่างเป็น rfn และ 8c
ตัวอย่างเป็น dfd การสังเกตรายละเอียดของกลุ่มตัวอย่างเหล่านี้แสดงให้เห็นว่า
มีพื้นที่ของชั้นเรียนที่แตกต่างกันในบางส่วนของตาเนื้อซี่โครง,
แต่ภูมิภาคนี้มีขนาดเล็กเมื่อเทียบกับภูมิภาคท​​ี่มีขนาดใหญ่ซึ่ง

ผลลัพธ์ (ไทย) 2:

แสดงรายละเอียดน้อยและ คะแนน PC ต่อมาภาพดู
จำนวนมากเสียงหรือรูปแบบสุ่มความเข้มเนื่อง
จริงที่คุณสมบัติที่สำคัญของข้อมูลมีอยู่แล้วใน
first น้อยชิ้น ดังนั้น รูปภาพ first 3 PC คะแนนถูกแล้ว
รวมกันเพื่อสร้างรูปสีลกัน (คะแนนหนึ่งรูป
ถึงช่องสี) เป็นที่ชัดเจนว่า ไขมันบางส่วนจะ
แตกต่างอย่างชัดเจนจากตาหยิบและอื่น ๆ ติด
กล้ามเนื้อทั้งหมดหมูเรียน (Fig. 7e) อย่างไรก็ตาม มีคะแนนภาพ
สีระหว่างชั้นหมู จึง ทำให้นอร์เวย์
difficult เพื่อระบุประเภทแต่ละประเภท ก็จำเป็นต้องใช้การแม็ป
การเปลี่ยนแปลงเพื่อเพิ่มความแตกต่างเหล่านี้ ให้นักวิเคราะห์ไป
แยกชัดเจนระหว่างหมูประเภทต่าง ๆ ดังนั้น
สีลกันสร้างภาพถูกแปลงเป็นภาพวิวที่
โดยผังสีเท่านั้นจำนวนจำกัดสีแทนการใช้
ช่วงเต็มรูปแบบสี ภาพดัชนีผลลัพธ์คือ classification
ภาพในบริบทนี้ได้เนื่องจากมันแสดงผลของ classification ที่
สามารถถูกแสดงในตัวอย่างกล่าวถึง (ฟิก 7f) ภาพดัชนี
ใช้ directmapping ค่าพิกเซลกับค่าที่มีอยู่ในสี
แผนที่ กำหนดสีของรูปภาพแต่ละพิกเซลในรูปดัชนี
โดยค่าตรงกันในแผนที่สี ดังนั้น พิกเซล
สีลกันรูปมีคุณลักษณะเดียวกันมักประกอบด้วย
ดัชนี มีค่าเดียวกันในแผนที่สี เป็นผลมาจาก
แปลงรูปทำดัชนี คลาส PSE จะแสดงสีเขียว,
RFN สีแดง DFD เป็นสีน้ำเงินและไขมันสีเหลือง Fig. 8.A2, showthe B2 และ C2
ดัชนีภาพตัวอย่างเดียวกันได้ตาหยิบคนเดียว
ตาม 8A อย่างถูก classified เป็น PSE, 8B อย่างเป็น RFN และ
ตัวอย่าง 8C เป็น DFD สังเกตรายละเอียดของตัวอย่างเหล่านี้แสดงว่า
มีขอบเขตของประเภทต่าง ๆ ในบางส่วนของตาหยิบ,
แต่ภูมิภาคเหล่านี้มีขนาดเล็กเมื่อเทียบกับภูมิภาคใหญ่ที่

ผลลัพธ์ (ไทย) 3:

จะแสดงรายละเอียดน้อยลงและที่จะเป็นไปได้ ภาพ คะแนนใน ภายหลัง เครื่องพีซีที่แสดง
ซึ่งจะช่วยได้มากที่ดีเยี่ยมของความแตกต่างของการสุ่มสัญญาณรบกวนหรือในความเข้มแสงเนื่องจาก
ข้อเท็จจริงที่ว่าคุณสมบัติสำคัญของข้อมูลที่มีการระบุไว้ในเครื่องพีซีเพียงไม่กี่ first
อยู่แล้ว ดังนั้น ภาพ first สามเครื่องพีซีทำคะแนนให้
รวมทั้งหมดในรูปแบบ ภาพ จอมปลอม - สี(หนึ่ง ภาพ คะแนน
อยู่สำหรับช่องสัญญาณหนึ่งสี)มันเป็นที่ชัดเจนแล้วว่าบางส่วนคือไขมัน
อย่างชัดเจนแตกต่างไปจากสายตาสันนอกและอื่นๆอยู่ใกล้กัน
ซึ่งจะช่วยให้กล้ามเนื้อสำหรับชั้นเรียนหมูทั้งหมด(รูปที่ 7 E ) แต่ถึงอย่างไรก็ตาม ภาพ คะแนนได้
ความแตกต่างกันแบบเรียบง่ายในโทนสีเนื้อหมูที่อยู่ในชั้นเรียนทำให้
difficult เพื่อระบุแต่ละ มันมีความจำเป็นที่จะต้องใช้การปรับเปลี่ยนรูปแบบการจับคู่
ซึ่งจะช่วยในการยกระดับความแตกต่างเหล่านี้ทำให้นักวิเคราะห์ที่จะตอบแทน
ได้อย่างชัดเจนสร้างความแตกต่างระหว่างชนชั้นที่หลากหลายของเนื้อหมู ดังนั้น ภาพ
ซึ่งจะช่วยสร้างจอมปลอม - สีที่ได้ถูกปรับเปลี่ยนในการจัดทำดัชนีสำหรับ ภาพ ที่
ซึ่งจะช่วยโดยการใช้แผนที่สีของจำนวนจำกัด(มหาชน)ของสีแทนการใช้สี
ซึ่งจะช่วยเต็มที่ ภาพ ส่งผลให้ดัชนีที่เรียกว่า ภาพ classification
ในบริบทนี้เนื่องจากเป็นการแสดงผลของ classification
ซึ่งจะช่วยให้สามารถแสดงอยู่ในตัวอย่างตรวจสอบ(รูปที่7 f ) ภาพ ที่ดัชนี
ใช้ directmapping ของค่าพิกเซลเป็นค่าที่มีอยู่ในสี
แผนที่ สีของพิกเซลแต่ละ ภาพ ใน ภาพ ดัชนีจะมีการกำหนด
โดยใช้ค่าที่เกี่ยวข้องในแผนที่สี ทำให้พิกเซลในลักษณะเดียวกันกับจอมปลอมมี ภาพ สีประกอบด้วยที่

มีแนวโน้มที่จะจัดทำดัชนีมีค่าเท่ากันในแผนที่สี เป็นผลมาจาก
การแปลงเป็นดัชนี ภาพClass PSE นำเสนอเป็นสีเขียว dfd
rfn ในสีแดงในสีฟ้าและไขมันในสีเหลือง รูป. 8 . 2 , B 2 และ C 2 showthe
ซึ่งจะช่วยจัดทำดัชนีสำหรับ ภาพ เดียวกันได้รับตัวอย่างสำหรับสันนอกสายตาคนเดียว.
จึงเรียนมาเพื่อสุ่มตัวอย่าง 8 เป็น classified เป็น PSE ,ตัวอย่าง 8 B เป็น rfn ,และ
ตัวอย่าง 8 c dfd. การสังเกตอย่างละเอียดของตัวอย่างนี้แสดงให้เห็นว่า
มีพื้นที่ของชั้นเรียนอื่นในบางส่วนของตาสันนอก
แต่เขตพื้นที่เหล่านี้มีขนาดเล็กเมื่อเทียบกับเขตพื้นที่มีขนาดใหญ่กว่าซึ่ง