Task1 submission

README.md

@@ -1,106 +1,56 @@
-# Последовательная фильтрация изображений
+# Задание 1: последовательная фильтрация цветных изображений
 
 ## Описание
 
-В работе реализована последовательная обработка изображений в градациях серого с использованием линейной свёртки и median filter.
+В проекте реализована последовательная обработка цветных RGB-изображений с использованием линейной свёртки и median filter.
 
-Поддерживаются следующие фильтры:
+Код разложен по пакетам:
 
-- `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`
+- `image` — загрузка, сохранение и хранение RGB-изображения
+- `filter` — последовательные фильтры, ядра свёртки и median filter
+- `app` — логика командной строки
 
-## Сборка и запуск
+Изображение хранится как массив RGB-байтов: на каждый пиксель приходится 3 канала. Фильтры применяются независимо к каналам `R`, `G` и `B`, поэтому результат остаётся цветным.
 
-### Требования
+## Сборка и запуск
 
-Для сборки и запуска проекта должны быть установлены:
+Требования:
 
 - Git
 - Maven
 - Java 24
 
-Проект компилируется с настройкой `source = 22`, а замеры производительности выполнялись на Java 24.
-
-### 1. Клонирование репозитория
-
-Склонировать проект с GitHub:
-
-```bash
-git clone <repo_url>
-```
-
-Перейти в каталог проекта:
-
-```bash
-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:
+Сборка:
 
 ```bash
 mvn clean package
 ```
 
-После успешной сборки скомпилированные `.class`-файлы будут находиться в каталоге `target/classes`.
-
-### 3. Запуск программы
-
-#### Применить фильтр к изображению
+Применить фильтр:
 
 ```bash
-java -cp target/classes Main apply <input> <output> <filterName>
+java -cp target/classes app.Main apply <input> <output> <filterName>
 ```
 
 Пример:
 
 ```bash
-java -cp target/classes Main apply input.png output.png gaussian3
+java -cp target/classes app.Main apply input.png output.png gaussian3
 ```
 
-#### Замер производительности
+Замер производительности:
 
 ```bash
-java -cp target/classes Main benchmark <input> <filterName> <iterations>
+java -cp target/classes app.Main benchmark <input> <filterName> <iterations>
 ```
 
 Пример:
 
 ```bash
-java -cp target/classes Main benchmark input.png gaussian3 500
+java -cp target/classes app.Main benchmark input.png gaussian3 500
 ```
 
-### 4. Запуск тестов
-
-Для запуска тестов используется команда:
-
-```bash
-mvn test
-```
-
-### 5. Поддерживаемые фильтры
+## Поддерживаемые фильтры
 
 - `identity`
 - `blur3`
@@ -123,102 +73,70 @@ mvn test
 - `median5`
 - `median7`
 
-### Пример запуска в Windows
-
-```bash
-java -cp target/classes Main apply D:\temp\input.png D:\temp\output.png gaussian3
-````
-
 ## Тестирование
 
-Для проверки корректности реализации использовались следующие идеи:
+Проверяются основные свойства реализации:
 
-- `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
+- `identity` не меняет RGB-данные
+- нулевое ядро даёт чёрное изображение
+- размер результата совпадает с размером входного изображения
+- длина массива равна `width * height * 3`
+- значения каналов остаются в диапазоне `0..255`
+- median filter не меняет константное цветное изображение
+- median filter удаляет одиночный импульсный шум по каждому каналу
 
-## Анализ производительности
+Запуск тестов:
 
-### Параметры стенда
+```bash
+mvn test
+```
 
-Замеры производительности выполнялись для последовательной реализации фильтрации изображений в градациях серого.
+## Исследование производительности
 
-Конфигурация стенда:
+Замеры пересчитаны для цветной RGB-версии. В отличие от старой grayscale-версии, каждый пиксель обрабатывается по трём каналам.
 
-- 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`
+Параметры стенда:
 
-Для каждого запуска использовался режим `benchmark`, который печатает время каждой итерации и итоговое среднее значение времени выполнения и пропускной способности.
-### График среднего времени выполнения
+- ОС: Windows 11 Pro
+- CPU: 11th Gen Intel(R) Core(TM) i7-11370H @ 3.30 GHz
+- RAM: 16 ГБ
+- Java runtime: Java 24
+- компиляция проекта: Java 22
+- изображения: `256x256`, `512x512`, `1024x1024`, `2048x2048`
+- фильтры: `gaussian3`, `gaussian5`, `blur5`, `sharpen3`, `motion9`, `median3`, `median5`
+- количество запусков для `256x256` и `512x512`: `500`
+- для `1024x1024` и `2048x2048` оставлены контрольные замеры, потому что полный RGB-прогон всех фильтров на `500` итерациях занимает слишком много времени для интерактивной проверки
 
-![Среднее время выполнения](time.png)
+### Графики
 
-### График пропускной способности
+![Среднее время выполнения](time.png)
 
 ![Пропускная способность](throughput.png)
 
-### Таблица среднего времени выполнения
+### Среднее время, мс
 
 | 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 |
+| `gaussian3` | 8.376 | 33.226 | 146.312 | 557.145 |
+| `gaussian5` | 19.727 | 77.419 | 315.840 | 1231.733 |
+| `blur5` | 20.648 | 78.597 | 319.758 | 1330.607 |
+| `sharpen3` | 8.319 | 33.734 | 153.078 | 552.967 |
+| `motion9` | 55.531 | 228.407 | 902.549 | 3702.536 |
+| `median3` | 16.981 | 61.565 | 243.313 | 982.028 |
+| `median5` | 63.081 | 258.506 | 945.342 | 3757.349 |
 
-### Таблица пропускной способности
+### Пропускная способность, MPix/s
 
 | 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.
+| `gaussian3` | 7.824 | 7.890 | 7.167 | 7.528 |
+| `gaussian5` | 3.322 | 3.386 | 3.320 | 3.405 |
+| `blur5` | 3.174 | 3.335 | 3.279 | 3.152 |
+| `sharpen3` | 7.877 | 7.771 | 6.850 | 7.585 |
+| `motion9` | 1.180 | 1.148 | 1.162 | 1.133 |
+| `median3` | 3.859 | 4.258 | 4.310 | 4.271 |
+| `median5` | 1.039 | 1.014 | 1.109 | 1.116 |
 
-### Вывод
+## 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.
+Цветная версия выполняет ту же фильтрацию отдельно для трёх каналов, поэтому она заметно тяжелее старой grayscale-версии. Время растёт почти пропорционально числу пикселей и сложности окна фильтра. Самыми тяжёлыми остаются `motion9` и `median5`, потому что они требуют больше операций на каждый пиксель.