clear all;

addpath('gyak5') %csak ha ide dolgozunk
cnn_setenv;

mCNN.TemGroup='temlib_plus';
%gradiens
ImgSize=256;
ImgNum=5;
class=[0; 0; 0; 0; 0];
GT=LoadGT();
for i=1:ImgNum
    %input=lbmp2cnn(strcat('gyak5/img', num2str(i), '.bmp')); %iterating input image
    %fenti sor helyett gépteremben:
    %load(strcat('gyak5/img', num2str(i), '.mat'));
    %vagy mégjobb
    input=loadCNN(strcat('gyak5/img', num2str(i), '.bmp'))
    %ide jon a kod erdemi resze, amit meg kell irni az osztalyozashoz
    %alakitsuk at a kepeket ugy, hogy dontest tudjunk hozni

%EZek használhatóak a donteshez:
%CountBlackImg(mCNN.INPUT1)
%CountBlackRow(mCNN.INPUT1)
%CountBlackCol(mCNN.INPUT1)
% a dontest tarljuk a class tomb-ben, s igy a program kiirja a mi dontesunk es a jo osztalyt:
disp([num2str(i), '. kep Osztály: ', num2str(class(i)), ' Helyes :' num2str(GT(i))])

end




end