Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- 2018:raspberry-video [2019/01/13 14:28]
Tomáš Bravenec
+++ 2018:raspberry-video [2019/01/14 13:45] (aktuální)
Tomáš Bravenec
@@ Řádek 11: / Řádek 11: @@
 ===== Raspberry Pi 3 Model B =====
+{{ :2018:raspberry-video:raspberry-pi-3-462x322.jpg|}}
+Pro tvorbu projektu byla zvolen mikropočítač Raspberry Pi 3 Model B, díky tomu, že disponuje více jádry a umožňuje tak urychlit zpracování obrazu paralelizací, a také podporou operačních systémů, na kterých se dá aplikace vyvinout i s podporou grafického rozhraní.
+==== Technické parametry ====
+  * Quad Core 1.2GHz Broadcom BCM2837 64bit CPU
+  * 1GB (900 MHz) LPDDR2 RAM
+  * 100 Base Ethernet
+  * 40-pin extended GPIO
+  * 4 USB 2 ports
+  * 4 Pole stereo output and composite video port
+  * Další porty typu HDMI, 3,5mm jack atd...
 ====== Implementace ======
@@ Řádek 91: / Řádek 104: @@
 </code>
 Za zmínku stojí také to, že v takto paralelizovaných cyklech není možné využívat proměnné definované jen pro jedno vlákno, jelikož by začalo docházek k souběhu (anglicky Race Condition) a aplikace by nepodávala správné výsledky.
-Knihovna OpenMP obsahuje mnohem více funkcí a direktiv, určených pro paralelizaci, pro danou aplikaci ovšem nebyly potřeba.
+Knihovna OpenMP obsahuje mnohem více funkcí a direktiv, určených pro paralelizaci, pro danou aplikaci ovšem nebyly potřeba. Při inicializaci aplikace je zjištěn dostupný počet jader, a tento počet je nastaven jako výchozí pomocí kódu (Pomocí Glade je výchozí počet jader nastaven na 1, proto není potřeba **else** část podmínky):
+<code cpp>
+int coreCount = std::thread::hardware_concurrency();
+if(coreCount > 0)
+{
+    cores->set_range(1, coreCount);
+    cores->set_value(coreCount);
+}
+</code>
 ===== Prahování =====
@@ Řádek 133: / Řádek 155: @@
 ==== Filtr Sobel ====
-Detekce hran pomocí filtru sobel je tvořena výpočtem
+Detekce hran pomocí filtru sobel je tvořena výpočtem dvou gradientů pomocí 2D konvoluce filtrů s obrazem v odstínech šedi, každý z nich vyjadřuje sílu hrany v horizontálním nebo vertikálním směru. Pro získání jednoho obrazu z těchto gradientů, se využívá odmocniny ze součtu druhých mocnin obou gradientů, a to pro každý pixel. Jelikož je ale odmocnina výpočetně náročná, lze tento výpočet nahradit přibližnou aproximací pomocí součtu absolutních hodnot gradientů. Takto zkombinované horizontální a vertikální hrany poté stačí jen prohnat prahováním pro dosžení výsledku.
 ==== Detektor hran - Canny ====
@@ Řádek 140: / Řádek 163: @@
 ==== Srovnání fitru Sobel a Cannyho detektoru ====
 Při porovnání obou přístupů, si lze všimnout, silnějších čar, které nebyly utlumeny ani při použití vysokého prahu, na rozdíl od toho, při použití Cannyho detektoru a velmi nízkého prahu jsou v obraze lépe viditelné hrany, a výstup vypadá celkově lépe, ale za cenu náročnějšího zpracování.
-^ Vstupní obraz ^ Filtr Sobel, Práh = 1.0 ^ Cannyho detektor, Práh = 0.15 ^
+^ Vstupní obraz ^ Filtr Sobel, Práh = 1.0 ^ Cannyho detektor, Práh = 0.1 ^
 |{{ :2018:raspberry-video:sparrow.jpg?250 |}}|{{ :2018:raspberry-video:sparrow_edge_sobel_1.png?250 |}}|{{ :2018:raspberry-video:sparrow_edge_canny.png?250 |}}|
 |{{ :2018:raspberry-video:lenna.jpg?250 |}}|{{ :2018:raspberry-video:lena_sobel.png?250 |}}|{{ :2018:raspberry-video:lena_canny.png?250 |}}|
@@ Řádek 148: / Řádek 172: @@
 Pro snadné pochopení jak K-Means funguje v případě obrazů, si lze představit trojrozměrné pole se všemi stranami o délce 256 prvků (každá z os představuje jednu z barevných složek RGB). Pro začátek se náhodně zvolí K bodů (clusterů) z tohoto pole, načež se pro každý pixel vstupního obrazu vypočítá euklidovská vzdálenost ke každému z těchto bodů. Následně se zprůměrují hodnoty barevných složek které jsou nejblíže k jednomu z bodů a tento průměr se nastaví jako nový bod do další iterace. Toto se provede pro všech K bodů, a poté stále dokola v dalších iteracích dokud se body budou v daném trojrozměrném poli posouvat (barva všech bodů nebude stejná, jako v předchozí iteraci).
+Kód provádějící jednu iteraci je níže. Z kódu je opět vidět nastavení OpenMP, následované opět **for** cykly procházející každý řádek a sloupec, tentokrát ovšem obraz není v odstínech šedi, je proto nutné krokovat vždy po třech bytech (RGB), dále je potřeba při indexaci místo počtu sloupců využít **step**, cž je počet Bytů v jednom řádku, který je často o jeden až 3 Byty větší než počet sloupců * 3, jedná se o zarovnání řádků na násobek 32 bitů. Euklidovská vzdálenost je počítána bez odmocniny, která nemá vliv na srovnání vzdálenosti, a sníží se tak výpočetní náročnost. Vzdálenost pixelu k prvnímu bodu je vždy nejkratší, proto není potřeba žádná další kontrola. Pro následující body je již nutné vzdálenost zkontrolovat a pokud bude pixel blíž jinému než prvnímu bodu, změní se jeho přidělení. Pro přepočet bodů se poté přičtou jednotlivé barevné složky do bodu a zvedne se počítadlo pixelů které k tomuto bodu patří. Posledním krokem je nastavení pixelů výstupního obrazu na barvy bodů pro případ, že by již nedošlo k další iteraci.
+<code cpp>
+void KMeans::iterate()
+{
+    omp_set_dynamic(0);
+    omp_set_num_threads(threadCount);
+    unsigned char *imageData = image.data;
+    unsigned char *clusteredData = clustered.data;
+#pragma omp parallel for
+    for (int i = 0; i < image.rows; i++)
+    {
+        for (int j = 0; j < image.cols * 3; j += 3)
+        {
+            int shortestDist = 0, shortestCluster = 0;
+            for (int k = 0; k < clusterCount; k++)
+            {
+                if (k == 0)
+                {
+                    shortestDist = (pow(imageData[i * image.step + j + 0] - newCluster[k].centroidRed, 2) +
+                                    pow(imageData[i * image.step + j + 1] - newCluster[k].centroidGreen, 2) +
+                                    pow(imageData[i * image.step + j + 2] - newCluster[k].centroidBlue, 2));
+                    shortestCluster = k;
+                }
+                if ((pow(imageData[i * image.step + j + 0] - newCluster[k].centroidRed, 2) +
+                     pow(imageData[i * image.step + j + 1] - newCluster[k].centroidGreen, 2) +
+                     pow(imageData[i * image.step + j + 2] - newCluster[k].centroidBlue, 2)) < shortestDist)
+                {
+                    shortestDist = (pow(imageData[i * image.step + j + 0] - newCluster[k].centroidRed, 2) +
+                                    pow(imageData[i * image.step + j + 1] - newCluster[k].centroidGreen, 2) +
+                                    pow(imageData[i * image.step + j + 2] - newCluster[k].centroidBlue, 2));
+                    shortestCluster = k;
+                }
+            }
+            newCluster[shortestCluster].addRedValue(imageData[i * image.step + j + 0]);
+            newCluster[shortestCluster].addGreenValue(imageData[i * image.step + j + 1]);
+            newCluster[shortestCluster].addBlueValue(imageData[i * image.step + j + 2]);
+            newCluster[shortestCluster].increaseCount();
+            clusteredData[i * image.step + j + 0] = newCluster[shortestCluster].centroidRed;
+            clusteredData[i * image.step + j + 1] = newCluster[shortestCluster].centroidGreen;
+            clusteredData[i * image.step + j + 2] = newCluster[shortestCluster].centroidBlue;
+        }
+    }
+}
+</code>
 Výstupem metody K-Means Clustering může být například:
@@ Řádek 154: / Řádek 228: @@
 ====== Video ukázka ======
+Ve video ukázce je předveden výstup zpracování jednoho obrazu všemi implementovanými metodami. K Raspberry Pi je připojení realizováno pomocí VNC, následné nahrávání obrazu je prováděno z windows, aby nedocházelo k zatížení procesoru při výpočtech enkódováním nahrávaného obrazu.
+{{youtube>vo03sZ9O2X4?medium}}
+V dolní části pod aplikací je otevřen terminál se spuštěnou konzolovou aplikací **htop** pro sledování využití jader a paměti. V druhém terminálu je spuštěna smyčka odečítající současný takt a teplotu jádra procesoru. Příkaz kterým je tohoto odečítání dosaženo je zde:
+<code bash>
+while true; do vcgencmd measure_clock arm; vcgencmd measure_temp; sleep 1; done
+</code>
 ====== Zdrojový kód ======
@@ Řádek 159: / Řádek 242: @@
 https://gitlab.com/tbravenec/image_processing_on_rpi
+Nebo poslední verze git repozitáře před odevzdáním:
+{{ :2018:raspberry-video:image_processing_on_rpi-master.zip |}}
+====== Závěr ======
+Aplikace má implementovány všechny metody zpracování obrazu zmíněné v zadání, prahování a detekce hran pomocí filtru sobel, mají identický výsledek jako implementace pomocí OpenCV, cannyho detektor hran implementovaný manuálně vyžaduje pro podobný výsledek k OpenCV nižší práh, to může být dáno odlišnou implementací funkce pro potlačení nemaximálních pixelů a nebo odlišně navrženým prahováním s hysterezí. K-Means clustering podává mírně odlišné výsledky, což je ale očekávatelné, když jsou počáteční podmínky generovány náhodně.
+Neúmyslným vedlejším efektem psaní aplikace pro Raspbian, je že je aplikace kompatibilní nejen s Raspberry Pi, ale i jakýmkoliv jiným procesorem a operačním systémem, pro který existuje implementace GTK, OpenMP a OpenCV.
 ====== Reference ======

Individální projekty MPOA

Uživatelské nástroje

Nástroje pro tento web

Rozdíly

Nástroje pro stránku