summaryrefslogtreecommitdiff
path: root/2004/i/nono/src/ovision/segmNN.cc
blob: 9e4db206988b5f3af5cf81223e4b9689778398d6 (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
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
// segmNN.cc - Classe Segmentation
// nono - Programme du robot Efrei Robotique I1-I2 2004
// Copyright (C) 2004 Olivier Gaillard

/// @file segmNN.cc Segmente l'image et cree un tableau contenant des valeurs segmentees, creation du reseau de neurones et apprentissage

#include "segmNN.h"
#include <iostream>
#include <stdlib.h>
#include <stdio.h>
#include <math.h>
#include <time.h>
using namespace std;

/// Constructor SegmNN

/// @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
SegmNN::SegmNN(Img *img) {
    // Sauvegarde les pointeurs
    SegmNN::img = img;
    oconfig = OConfig::GetInstance ();
    nbOutput = oconfig->nn_NbCouleurs;

    node = NULL;
    index = NULL;
    freq = NULL;
    tabSegm = NULL;
}

/// Destructor SegmNN
SegmNN::~SegmNN()
{
    delete [] node;
    delete [] index;
    delete [] freq;
    delete [] tabSegm;
}


/// Affiche les poids du reseau de neurones (neural network : NN)
void 
SegmNN::ShowNodes() 
{
    // Affichage des poids du NN
    cout << "Poids:";
    for(int i=0; i<nbOutput; i++)
	printf("\t%u %u %u\n",  node[i*3], node[i*3+1], node[i*3+2]);
    cout << endl;
}


/// 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 
SegmNN::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) 
	  {
	    cerr << "SegmNN::BuildNN : Nombre de nodes insuffisants dans le fichier poids\n";
	  }
	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 unsigned 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 unsigned int[nbOutput];

    
    for(int i=0; i<nbOutput; i++) 
      {
	index[i] = i;
	freq[i] = 0;

	for(int j=0; j<3; j++) 
	  {
	    // Attribution al�atoire des poids
	    node[i*3+j] = (unsigned char) (255.0*rand()/(RAND_MAX+1.0));
	    if (node[i*3+j] < 30) node[i*3+j] = 30;
	    else if (node[i*3+j] > 220) node[i*3+j] = 220;
	  }
      }
}


/// Entraine un reseau de neurones
void 
SegmNN::TrainNN() 
{

    unsigned long pixelNum;
    unsigned char *tabData;
    int output[nbOutput];
    int numOutputMax=0;

    tabData = img->tabData;
    oconfig->colorMode = img->hsi*2 + img->yuv;
    oconfig->groupColor = 0;

    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)));

	// Calcul des valeurs de sorties pour ce pixel
	for(int j=0; j<nbOutput; j++) 
	  {
	    output[j] = 0;

	    for(int k=0; k<3; k++) 
	      {
		if ((img->yuv && k==0) || (img->hsi && k==2))
		    output[j] += abs((int)(oconfig->nn_influ_lum*node[j*3+k]-tabData[pixelNum*3+k])*abs(node[j*3+k]-tabData[pixelNum*3+k]));
		else
		    output[j] += abs(node[j*3+k]-tabData[pixelNum*3+k])*abs(node[j*3+k]-tabData[pixelNum*3+k]);
	      }

	    // On cherche la sortie ayant le plus haut niveau
	    if (output[j] < output[numOutputMax]) 
		numOutputMax = j;
	  }

	// 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
	    if ((i%300) == 299)
	      {
		for (int k=0; k < nbOutput; k++)
		  {
		    if (freq[numOutputMax] < oconfig->nn_lazy_threshold) 
		      {
			// Regeneration de nouveaux poids
			for(int m=0; m<3; m++) 
			  {
			    // Attribution al�atoire des poids
			    node[numOutputMax*3+m] = (unsigned char) (255.0*rand()/(RAND_MAX+1.0));
			    if (node[numOutputMax*3+m] < 30) node[numOutputMax*3+m] = 30;
			    else if (node[numOutputMax*3+m] > 220) node[numOutputMax*3+m] = 220;
			  }
		      }

		    // 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
unsigned char 
SegmNN::FindColorNN(unsigned char *x, bool testUndefined) 
{
    int numOutputMax=0;
    int output[nbOutput];
    int j,tmp;

    // Calcul des valeurs de sorties pour ce pixel
    // si on est en yuv
    if (img->yuv)
      {
	for(j=0; j<nbOutput; j++) 
	  {
	    // XXX Ne pas oublier de mettre abs si on ne calcule pas les carr�s
	    tmp = node[j*3]-x[0];
	    output[j] = abs((int)(oconfig->nn_influ_lum*tmp*tmp));
	    tmp = node[j*3+1]-x[1];
	    output[j] += tmp*tmp;
	    tmp = node[j*3+2]-x[2];
	    output[j] += tmp*tmp; 

	    // On selectionne la sortie ayant la plus grande valeur comme couleur
	    if (output[numOutputMax] > output[j]) 
		numOutputMax = j;
	  }
      }
    // si on est en rgb
    else {
	for(j=0; j<nbOutput; j++) 
	  {
	    output[j] = 0;

	    for(int k=0; k<3; k++) 
		output[j] += abs(node[j*3+k]-x[k])*abs(node[j*3+k]-x[k]);    

	    // On selectionne la sortie ayant la plus grande valeur comme couleur
	    if (output[numOutputMax] > output[j]) 
		numOutputMax = j;
	  }
    }

    if ((testUndefined) && (output[numOutputMax] > oconfig->nn_threshold_output))
	numOutputMax = UNDEFINED;
  
//    if (testUndefined) cout << output[numOutputMax] << endl;
    return numOutputMax;
}


/// Segmente l'image avec le reseau de neurones
void SegmNN::Segm() 
{

    unsigned char* tabData = img->tabData;

    if (tabSegm) delete [] tabSegm;
    tabSegm = new unsigned char[img->nbPixels];

    // Parcours de l'image pour la segmentation
    // On recupere l'index et non le numero de sortie du NN
    for (unsigned long i=0; i<img->nbPixels; i++) 
      {
	tabSegm[i] = index[FindColorNN(tabData+i*3)];
      }
}

/// Segmente l'image pour une seule couleur uniquement et permet donc d'isoler un ficher
/// @param numColor numero de la couleur a isoler
void 
SegmNN::Segm(int numColor) 
{
    unsigned char* tabData = img->tabData;

    if (tabSegm) delete [] tabSegm;
    tabSegm = new unsigned char[img->nbPixels];

    // Parcours de l'image pour la segmentation
    for (unsigned long i=0; i<img->nbPixels; i++) 
      {
	if (FindColorNN(tabData+i*3) == numColor) tabSegm[i] = 1;
	else tabSegm[i] = 0;
      }
}



/*void
SegmNN::InitCache ()
{
    

}
*/


/// Entraine plusieurs reseaux de neurones avec des parametres differents et crees les images associees
void 
SegmNN::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);
	    }
	}
    }
    */
}