==== Segundo trabalho prático ====

=== Descrição ===

**Objetivo geral**: Implementar e avaliar o algoritmo de Edmonds-Karp e aplica-lo na segmentação de imagens.

**Entrega**: 21/06/2010.

**Objetivos detalhados**:
  * Implementar o algoritmo de Edmonds-Karp.
  * Verificar a complexidade do algoritmo experimentalmente (i.e. fazer experimentos com m,n diferentes e comparar com a complexidade pessimista teórica).
  * Implementar a algoritmo de segmentação de imagens como vista em aula, usando a própria implementação do fluxo máximo na solução.
  * Segmentar uma imagem em pele/não-pele com pesos de separação diferentes.

**Resultados esperados**:
  * O código fonte das duas implementações, adequadamente documentado, em qualquer linguagem de programação que pode ser compilada e executada com software livre em Linux
  * Um relatório com um resumo dos algoritmos, dos resultados experimentais (uma avaliação experimental do algoritmo de Edmonds-Karp, e os resultados da aplicação do algoritmo de segmentação, incluindo todos dados necessários para reproduzir os testes, em particular a descrição do ambiente de execução), com uma análise e discussão dos resultados.

=== Casos de teste ===
  * Um gerador de casos de teste em formato DIMACS em C é disponível {{http://www.inf.ufrgs.br/~mrpritt/washington.c|aqui}}.
  * Documentação:
<code>
             To use:  cc washington.c -o gengraph
                      gengraph function arg1 arg2 arg3

             Command line arguments have the following meanings:

                      function:           index of desired graph type
                      arg1, arg2, arg3:   meanings depend on graph type
                                          (briefly listed below: see code
                                           comments for more info)

                 Mesh Graph:          1 rows  cols  maxcapacity
                 Random Level Graph:  2 rows  cols  maxcapacity
                 Random 2-Level Graph:3 rows  cols  maxcapacity
                 Matching Graph:      4 vertices  degree
                 Square Mesh:         5 side  degree  maxcapacity
                 Basic Line:          6 rows  cols  degree
                 Exponential Line:    7 rows  cols  degree
                 Double Exponential   8 rows  cols  degree
                 DinicBadCase:        9 vertices
                      (causes n augmentation phases)
                 GoldBadCase         10 vertices
                 Cheryian            11 dim1 dim2  range
                      (last 2 are bad for goldberg's algorithm)
</code>

^ No. ^ Nome ^ Parâmetros ^ Descrição ^ n ^ m ^
|   1 | Mesh | r,c | Grade, 3 viz. 1 direita | rc+2 | 3r(c-1) |
|   2 | Random level | r,c | Grade, 3 viz. rand. 1 direita | rc+2 | 3r(c-1) |
|   3 | Random 2-level | r,c | Grade, 3 viz. rand. 2 direita | rc+2 | 3r(c-1) |
|   4 | Matching | n,d | Bipart. n-n, d viz. rand. | 2n+2 | n(d+2) |
|   5 | Square Mesh | d,D | Quadr. mesh dxd, grau D | d*d+2 | (d-1)dD+2d |
|   6 | BasicLine | n,m,D | Linha, grau D| nm+2 | nmD+2m |
|   7 | ExpLine | n,m,D | Linha, grau D | nm+2 | nmD+2m |
|   8 | DExpLine | n,m,D | Linha, grau D | nm+2 | nmD+2m |
|   9 | DinicBad | n | Linha | n | 2n-3|
|  10 | GoldBad | n | | 3n+3 | 4n+1 |

  * O caso de teste para o algoritmo de segmentação é uma imagem do autor em formato PPM.

=== Convenções ===
  * As implementações do algoritmo de Edmonds-Karp devem aceitar uma instância no formato {{http://lpsolve.sourceforge.net/5.5/DIMACS_maxf.htm|DIMACS}} na entrada padrão (stdin) e imprimir o valor do fluxo máximo na saída padrão (stdout).
  * As implementações do algoritmo de segmentação devem aceitar uma imagem no formato PPM plain na entrada padrão (stdin) e imprimir uma imagem no mesmo formato (com todos pixels não-pele em preto) na saída padrão (stdout).

=== Verificação  ===
  * O seguinte código determina o fluxo máximo. Para compilar: Usar C++ e {{http://www.boost.org|Boost}}.
<code c++>
/**
 * \file maxflow.cpp
 *   \author Marcus Ritt <mrpritt@inf.ufrgs.br>
 *   \version $Id: emacs 2872 2009-01-31 01:46:50Z ritt $
 *   \date Time-stamp: <2009-03-23 17:52:25 ritt>
 *
 * Read a maximum flow problem in DIMACS format and output the maximum flow.
 *
 */
#include <iostream>
#include <cstring>
using namespace std;

#include <boost/graph/adjacency_list.hpp>
#include <boost/graph/read_dimacs.hpp>
#include <boost/graph/edmunds_karp_max_flow.hpp>

using namespace boost;

// a directed graph with reverse edges
struct VertexInformation {};
struct EdgeInformation;

typedef adjacency_list<vecS,vecS,directedS,VertexInformation,EdgeInformation> DiGraph;
typedef graph_traits<DiGraph>::edge_descriptor Edge;
typedef graph_traits<DiGraph>::vertex_descriptor DiNode;

typedef unsigned Capacity;
struct EdgeInformation {
  Capacity edge_capacity;
  Capacity edge_residual_capacity;
  Edge reverse_edge;
};

int main(int argc, char *argv[]) {
  // (0) read graph

  DiGraph g;
  DiNode s,t;

  read_dimacs_max_flow(g,
                       get(&EdgeInformation::edge_capacity,g),
                       get(&EdgeInformation::reverse_edge,g),
                       s, t);

  // (1) determine maximum flow
  cout << edmunds_karp_max_flow(g, s, t,
                                capacity_map(get(&EdgeInformation::edge_capacity,g)).
                                residual_capacity_map(get(&EdgeInformation::edge_residual_capacity,g)).
                                reverse_edge_map(get(&EdgeInformation::reverse_edge,g))) << endl;
}
</code>

=== Outros códigos disponíveis ===

  * Ler uma imagem PPM plain
<code c++>
// image data structure
enum { R = 0, G, B };
typedef unsigned short Color;
typedef multi_array<Color,3> Image;

// read an image im PPM (plain) format
void read_ppm(Image& im, istream& in) {
  unsigned w,h,maxcolor;
  string magic;
  
  in >> magic >> w >> h >> maxcolor;
  assert(magic == "P3");
  
  im.resize(extents[h][w][3]);
  
  for(unsigned i=0; i<h; i++)
    for(unsigned j=0; j<w; j++)
      in >> im[i][j][R] >> im[i][j][G] >> im[i][j][B];
}
</code>

  * Imprimir uma imagem PPM plain
<code c++>
  cout << "P3 " << w << " " << h << " 255 " << endl;
  for(unsigned i=0; i<h; i++) {
    for(unsigned j=0; j<w; j++)
      cout << im[i][j][R] << " " << im[i][j][G] << " " << im[i][j][B] << " ";
      cout << endl;
  }
</code>
  * Converter qualquer imagem para PPM plain (usando {{http://www.imagemagick.org|Image Magick}})
<code>
  convert -compress none myimage.ext myimage.ppm
</code>

  * Determinar a probabilidade de pele ou não-pele (para obter valores inteiros multiplicar com p.ex. 10.000.000.000)
<code c++>
// mixture of Gaussians, according to Jones, Regh
const unsigned nG = 16;
const unsigned nV = 7;
double skin[nG][nV] = {
 { 73.53, 29.94, 17.76,  765.40, 121.44, 112.80, 0.0294 },
 { 249.71, 233.94, 217.49,  39.94, 154.44, 396.05, 0.0331 },
 { 161.68, 116.25, 96.95,  291.03, 60.48, 162.85, 0.0654 },
 { 186.07, 136.62, 114.40,  274.95, 64.60, 198.27, 0.0756 },
 { 189.26, 98.37, 51.18,  633.18, 222.40, 250.69, 0.0554 },
 { 247.00, 152.20, 90.84,  65.23, 691.53, 609.92, 0.0314 },
 { 150.10, 72.66, 37.76,  408.63, 200.77, 257.57, 0.0454 },
 { 206.85, 171.09, 156.34,  530.08, 155.08, 572.79, 0.0469 },
 { 212.78, 152.82, 120.04,  160.57, 84.52, 243.90, 0.0956 },
 { 234.87, 175.43, 138.94,  163.80, 121.57, 279.22, 0.0763 },
 { 151.19, 97.74, 74.59,  425.40, 73.56, 175.11, 0.1100 },
 { 120.52, 77.55, 59.82,  330.45, 70.34, 151.82, 0.0676 },
 { 192.20, 119.62, 82.32,  152.76, 92.14, 259.15, 0.0755 },
 { 214.29, 136.08, 87.24,  204.90, 140.17, 270.19, 0.0500 },
 { 99.57, 54.33, 38.06,  448.13, 90.18, 151.29, 0.0667 },
 { 238.88, 203.08, 176.91,  178.38, 156.27, 404.99, 0.0749 }
};

double noskin[nG][nV] = {
 { 254.37, 254.41, 253.82,  2.77, 2.81, 5.46, 0.0637 },
 { 9.39, 8.09, 8.52,  46.84, 33.59, 32.48, 0.0516 },
 { 96.57, 96.95, 91.53,  280.69, 156.79, 436.58, 0.0864 },
 { 160.44, 162.49, 159.06,  355.98, 115.89, 591.24, 0.0636 },
 { 74.98, 63.23, 46.33,  414.84, 245.95, 361.27, 0.0747 },
 { 121.83, 60.88, 18.31,  2502.24, 1383.53, 237.18, 0.0365 },
 { 202.18, 154.88, 91.04,  957.42, 1766.94, 1582.52, 0.0349 },
 { 193.06, 201.93, 206.55,  562.88, 190.23, 447.28, 0.0649 },
 { 51.88, 57.14, 61.55,  344.11, 191.77, 433.40, 0.0656 },
 { 30.88, 26.84, 25.32,  222.07, 118.65, 182.41, 0.1189 },
 { 44.97, 85.96, 131.95,  651.32, 840.52, 963.67, 0.0362 },
 { 236.02, 236.27, 230.70,  225.03, 117.29, 331.95, 0.0849 },
 { 207.86, 191.20, 164.12,  494.04, 237.69, 533.52, 0.0368 },
 { 99.83, 148.11, 188.17,  955.88, 654.95, 916.70, 0.0389 },
 { 135.06, 131.92, 123.10,  350.35, 130.30, 388.43, 0.0943 },
 { 135.96, 103.89, 66.88,  806.44, 642.20, 350.36, 0.0477 }
};

double skin_value(Color R, Color G, Color B) {
  double r = 0;
  for(unsigned i=0; i<nG; i++) {
    double t;
    t = pow(double(R)-skin[i][0],2)/skin[i][3] + pow(double(G)-skin[i][1],2)/skin[i][4] + pow(double(B)-skin[i][2],2)/skin[i][5];
    t = skin[i][6]*exp(-t/2) / (pow(2*M_PI,1.5) * sqrt(skin[i][3]*skin[i][4]*skin[i][5]));
    r += t;
  }
  return r;
}

double noskin_value(Color R, Color G, Color B) {
  double r = 0;
  for(unsigned i=0; i<nG; i++) {
    double t;
    t = pow(double(R)-noskin[i][0],2)/noskin[i][3] + pow(double(G)-noskin[i][1],2)/noskin[i][4] + pow(double(B)-noskin[i][2],2)/noskin[i][5];
    t = noskin[i][6]*exp(-t/2) / (pow(2*M_PI,1.5) * sqrt(noskin[i][3]*noskin[i][4]*noskin[i][5]));
    r += t;
  }
  return r;
}
</code>