Последовательная фильтрация изображений

Описание

В работе реализована последовательная обработка изображений в градациях серого с использованием линейной свёртки и median filter.

Поддерживаются следующие фильтры:

• identity
• blur3
• blur5
• gaussian3
• gaussian5
• gaussian3_exact
• motion9
• edge_horizontal5
• edge_vertical5
• edge_45deg5
• edge_all3
• sharpen3
• sharpen5
• edge_excessive3
• emboss3
• emboss5
• mean3
• median3
• median5
• median7

Сборка и запуск

Требования

Для сборки и запуска проекта должны быть установлены:

• Git
• Maven
• Java 24

Проект компилируется с настройкой source = 22, а замеры производительности выполнялись на Java 24.

1. Клонирование репозитория

Склонировать проект с GitHub:

git clone <repo_url>

Перейти в каталог проекта:

cd <repo_name>

Вместо <repo_url> нужно подставить ссылку на репозиторий,
а вместо <repo_name> — имя папки проекта после клонирования.

2. Сборка проекта

Собрать проект с помощью Maven:

mvn clean package

После успешной сборки скомпилированные .class-файлы будут находиться в каталоге target/classes.

3. Запуск программы

Применить фильтр к изображению

java -cp target/classes Main apply <input> <output> <filterName>

Пример:

java -cp target/classes Main apply input.png output.png gaussian3

Замер производительности

java -cp target/classes Main benchmark <input> <filterName> <iterations>

Пример:

java -cp target/classes Main benchmark input.png gaussian3 500

4. Запуск тестов

Для запуска тестов используется команда:

mvn test

5. Поддерживаемые фильтры

• identity
• blur3
• blur5
• gaussian3
• gaussian5
• gaussian3_exact
• motion9
• edge_horizontal5
• edge_vertical5
• edge_45deg5
• edge_all3
• sharpen3
• sharpen5
• edge_excessive3
• emboss3
• emboss5
• mean3
• median3
• median5
• median7

Пример запуска в Windows

java -cp target/classes Main apply D:\temp\input.png D:\temp\output.png gaussian3

Тестирование

Для проверки корректности реализации использовались следующие идеи:

• identity не должен изменять изображение
• нулевое ядро должно давать полностью чёрное изображение
• размеры выходного изображения должны совпадать с размерами входного
• значения пикселей после фильтрации должны оставаться в диапазоне 0..255
• median на константном изображении не должен менять результат
• median должен убирать одиночный импульсный шум
• для части линейных фильтров использовалось сравнение с библиотечной реализацией свёртки для внутренних пикселей изображения
• расширение ядра нулевыми коэффициентами не должно менять результат

Анализ производительности

Параметры стенда

Замеры производительности выполнялись для последовательной реализации фильтрации изображений в градациях серого.

Конфигурация стенда:

• операционная система: Windows 11 Pro, версия 25H2, сборка 26200.8246
• процессор: 11th Gen Intel(R) Core(TM) i7-11370H @ 3.30 GHz
• оперативная память: 16 ГБ
• тип системы: 64-разрядная операционная система, процессор x64
• среда выполнения benchmark: Java 24 (Java HotSpot(TM) 64-Bit Server VM)
• версия компиляции проекта: Java 22
• количество запусков для каждого замера: 500
• размеры изображений: 256x256, 512x512, 1024x1024, 2048x2048
• измеряемые фильтры: gaussian3, gaussian5, blur5, sharpen3, motion9, median3, median5

Для каждого запуска использовался режим benchmark, который печатает время каждой итерации и итоговое среднее значение времени выполнения и пропускной способности.

График среднего времени выполнения

График пропускной способности

Таблица среднего времени выполнения

Фильтр	256x256	512x512	1024x1024	2048x2048
gaussian3	2.647	9.689	38.156	150.786
gaussian5	5.726	22.419	89.901	352.558
blur5	5.712	26.983	90.336	355.390
sharpen3	2.874	10.193	39.846	150.532
motion9	16.424	66.375	257.531	1037.052
median3	5.268	19.512	68.944	275.658
median5	20.451	82.723	308.710	1217.208

Таблица пропускной способности

Фильтр	256x256	512x512	1024x1024	2048x2048
gaussian3	24.759	27.057	27.481	27.816
gaussian5	11.446	11.693	11.664	11.897
blur5	11.472	9.715	11.608	11.802
sharpen3	22.804	25.718	26.316	27.863
motion9	3.990	3.949	4.072	4.044
median3	12.441	13.435	15.209	15.216
median5	3.204	3.169	3.397	3.446

Краткий анализ

По результатам замеров видно, что с увеличением размера изображения время выполнения растёт почти пропорционально числу пикселей.
Например, для gaussian3 время увеличилось с 2.647 мс на 256x256 до 150.786 мс на 2048x2048, а для motion9 — с 16.424 мс до 1037.052 мс.

Наиболее быстрыми среди протестированных фильтров оказались gaussian3 и sharpen3.
Их пропускная способность держится примерно на уровне 25–28 MPix/s, что заметно выше, чем у остальных фильтров.

Фильтры gaussian5 и blur5 работают медленнее, чем фильтры с окном 3x3, так как для каждого пикселя требуется обработать больше соседних значений.
На больших размерах изображения их пропускная способность держится примерно на уровне 11–12 MPix/s.

Фильтр motion9 оказался одним из самых тяжёлых.
Это объясняется тем, что используется окно 9x9, то есть на каждый пиксель приходится значительно больше операций.

median-фильтры также работают заметно медленнее обычной линейной свёртки.
Например, на размере 2048x2048:

• median3 = 275.658 мс
• gaussian3 = 150.786 мс
• median5 = 1217.208 мс
• gaussian5 = 352.558 мс

То есть median3 примерно в 1.8 раза медленнее gaussian3, а median5 примерно в 3.5 раза медленнее gaussian5.
Это связано с тем, что median filter не просто суммирует значения по окну, а собирает значения окна и сортирует их для поиска медианы.

Вывод

Последовательная реализация подходит как базовая референсная версия для дальнейших задач.
Однако уже на изображениях 1024x1024 и 2048x2048 видно, что фильтры с большими окнами и особенно median5 становятся достаточно дорогими по времени.
Это подтверждает, что для следующих задач имеет смысл переходить к параллельной реализации.