summaryrefslogtreecommitdiff
path: root/2004/i/nono/src/ovision/segmLearn.cc
blob: 4a2217e59b5f09c625b946a21b4b78adee3aa997 (plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
// segmLearn.cc - Classe Segmentation
// nono - Programme du robot Efrei Robotique I1-I2 2004
// Copyright (C) 2004 Olivier Gaillard

/// @file segmLearn.cc Apprentissage du r�seau de neurones

#include "segmLearn.h"
#include <iostream>

/// Constructor SegmLearn

/// @param img classe img permettant d'acceder au donnees de l'image a traiter
/// @param oconfig classe oconfig permettant d'acceder aux variables de oconfiguration
SegmLearn::SegmLearn (Img *img) : SegmNN (img) 
{
    freq = NULL;
}

/// Destructor SegmLearn
SegmLearn::~SegmLearn ()
{
    delete [] freq;
}


/// Genere des poids pour un noeud
/// @param numNode num�ro du noeud � changer
void 
SegmLearn::WeightsGen (int numNode)
{
    // Parcours des 3 composantes
    for(int i=0; i<3; i++) 
      {
	// Attribution al�atoire des poids
	node[numNode*3+i] = (unsigned char) (255.0*rand()/(RAND_MAX+1.0));
	if (node[numNode*3+i] < 30) node[numNode*3+i] = 30;
	else if (node[numNode*3+i] > 220) node[numNode*3+i] = 220;
      }
}


/// Construit un reseau de neurones

/// @param nbOutput nombre de noeuds de la couche de sortie du NN
/// @param loadFromFile (GENERATE ou LOADFROMFILE) indique si les poids sont charges d'un fichier ou generes aleatoirement
void 
SegmLearn::BuildNN(int nbOutput, int loadFromFile) 
{
    SegmNN::nbOutput = nbOutput;

    // Permet de charger les poids du NN depuis un fichier ou en les initialisant aleatoirement
    if (loadFromFile) 
      {
	// Verifie si le nombre de poids donne dans le fichier est suffisant
	if (oconfig->nbNodeMax < nbOutput) 
	  {
	    std::cerr << "SegmNN::BuildNN : Nombre de nodes insuffisants dans le fichier poids" << std::endl;
	  }
	else 
	  {
	    // Charge les poids du NN et l'index des couleurs
	    delete [] node;
	    node = new unsigned char[nbOutput*3];
	    for (int i = 0; i<nbOutput*3; i++)
		node[i] = oconfig->node[i];
	    delete [] index;
	    index = new int[nbOutput];
	    for (int i = 0; i<nbOutput; i++)
		index[i] = oconfig->index[i];
	    freq = new int[nbOutput];
	  }
	return;
    }

    //initialition de random
    srand((unsigned)time(0));

    // Initialisation des noeuds du NN
    delete [] node;
    node = new unsigned char[nbOutput*3];
    delete [] index;
    index = new int[nbOutput];
    delete [] freq;
    freq = new int[nbOutput];
    
    for(int i=0; i<nbOutput; i++) 
      {
	// Remise � z�ro de l'index et de freq
	index[i] = i;
	freq[i] = 0;

	// Regeneration de nouveaux poids
	WeightsGen (i);
      }
}


/// Entraine un reseau de neurones
void 
SegmLearn::TrainNN () 
{
    unsigned long pixelNum;
    unsigned char *tabData;
    int numOutputMax;

    tabData = img->tabData;

    for(long i=0; i<oconfig->nn_nil; i++) 
      {
	// On choisit un pixel au hasard
	pixelNum = (unsigned long)(img->nbPixels*(rand()/(RAND_MAX+1.0)));

	numOutputMax = WinnerOutput (tabData + pixelNum*3);

	// Mis a jour des poids
	for(int k=0; k<3; k++) 
	  {
	    node[numOutputMax*3+k] =
		(unsigned char)((node[numOutputMax*3+k] + oconfig->nn_sl*tabData[pixelNum*3+k])/(1+oconfig->nn_sl));

	    // Recompense pour la sortie qui travaille
	    freq[numOutputMax]++;
	  }

	// Verification des noeuds inutiles � partir de 300 iterations
	if ((i%300) == 299)
	  {
	    for (int k=0; k < nbOutput; k++)
	      {
		if (freq[k] < oconfig->nn_lazy_threshold) 
		    // Regeneration de nouveaux poids
		    WeightsGen (k);

		// On remet le compteur a zero
		freq[k] = 0;
	      }
	  }
    }
}


/// Renvoie le code de la couleur segmentee
/// @param *x pointeur vers un tableau contenant une valeur RGB
/// @param testOutputMax choix de l'utilisation d'un sueil maxi pour la sortie pour �viter qu'une couleur trop diff�rente soit attribuer � une autre couleur
unsigned char 
SegmLearn::GiveColor (unsigned char *x, bool testOutputMax, bool indexProcess)
{
    if (indexProcess)
	return index [FindColorNN (x, testOutputMax)];
    else
	return FindColorNN (x, testOutputMax);
}


/// Entraine plusieurs reseaux de neurones avec des parametres differents et crees les images associees
void 
SegmLearn::TestNN ()
{

/*    double sl[] = {0.01, 0.1, 1};
    unsigned long nil[] = {100, 1000, 10000, 100000, 1000000};
    int nc[] = {3,4,5,6,7,8};

    char filename[30];

    // Parcours de toutes les valeurs de nombres de couleurs
    for (int i_nc = 0; i_nc<6; i_nc++) {
	BuildNN(nc[i_nc], 0);

	// Parcours de toutes les valeurs de nombres d'it�rations
	for (int i_nil = 0; i_nil<5; i_nil++) {

	    oconfig->nn_nil = nil[i_nil];

	    // Parcours de toutes les valeurs de Step Learning
	    for (int i_sl = 0; i_sl<4; i_sl++) {
		oconfig->nn_sl = sl[i_sl];

		// Apprentissage du NN
		TrainNN();

		// Segmentation
		Segm();

		// Ecriture des r�sultats dans une image
		sprintf(filename, "NN/%i-%f-%luNN.jpg", nc[i_nc], sl[i_sl], nil[i_nil]);
		img->WriteSegm(filename, tabSegm);
		sprintf(filename, "NN/%i-%f-%luNN", nc[i_nc], sl[i_sl], nil[i_nil]);
		oconfig->node = node;
		oconfig->CreateNNFile(filename, oconfig->colorMode, nbOutput);
	    }
	}
    }
    */
}