Page 19 - Fister jr., Iztok, and Andrej Brodnik (eds.). StuCoSReC. Proceedings of the 2016 3rd Student Computer Science Research Conference. Koper: University of Primorska Press, 2016
P. 19
1, ˇce je pα − ε ≥ 0, pα je parameter zamenjave, ε na- Tabela 1: Izbrani najboljˇsi parametri
kljuˇcno ˇstevilo iz uniformne distribucije iz intervala [0,1] in
xti je izbrani vektor iz populacije. Ime slike MoDE MoCS
5. REZULTATI Np Nt Np Nt
Testiranje algoritmov smo izvedli v dveh korakih. V prvem Mandril 50 20 50 80
koraku smo poiskali najboljˇse parametre velikosti popula-
cije in ˇstevila trikotnikov med izbranimi vrednostmi za sti- Lena 50 20 50 20
skanje vsake izmed izbranih slik pri 105 vrednotenjih. Ko
smo najboljˇse parametre naˇsli, smo stiskanje s temi para- Viaduct 50 80 50 40
metri ponovili, le da smo v drugem koraku poveˇcali ˇstevilo
vrednotenj na 107 in tako dobili najboljˇse rezultate z izbra- Pri vsakem zagonu smo kombinirali vse moˇzne kombinacije
nimi vrednostmi. Rezultate stiskanja slik predstavljamo v parametrov velikosti populacije in ˇstevila trikotnikov, s ˇci-
nadaljevanju. mer smo izvedli 20 neodvisnih zagonov algoritma za eno
sliko. Za vsako sliko smo postopek ponovili desetkrat, tj.
5.1 Izbira slik in iskanje parametrov 200 neodvisnih zagonov. Ker imamo dva algoritma in tri
slike, se je skupaj izvedlo kar 1200 neodvisnih zagonov algo-
Najprej smo doloˇcili tri referenˇcne, originalne slike, ki smo ritma.
jih stiskali z naˇsima algoritmoma. Zaradi zahtevnosti kri-
terijske funkcije smo vsako od slik pomanjˇsali na resolucijo Vsak algoritem krmilimo z nadzornimi parametri. Pri DE
100x100. Raznolikost referenˇcnih slik, prikazanih na sliki 4, smo izbrali zaˇcetne vrednosti za F = 0, 5 in Cr = 0, 9. Sama
smo dosegli z izbiro dveh barvnih in ene sivinske slike. nastavitev teh parametrov ne igra posebne vloge, saj ima naˇs
algoritem vkljuˇceno samo-prilagajanje teh parametrov. Ne-
koliko drugaˇce je pri CS, saj moramo nastaviti parameter
zamenjave pα, ki je fiksen skozi celoten algoritem in smo ga
v naˇsem primeru nastavili na 0,25. Kot najboljˇse nastavljive
parametre (tabela 1) smo izbrali tiste, ki so imeli najveˇcjo
povpreˇcno vrednost kriterijske funkcije in ne morebitne po-
samezne najboljˇse reˇsitve z najveˇcjo vrednostjo kriterijske
funkcije.
Rezultati prvega dela testiranja, ko smo iskali najboljˇse pa-
rametre za algoritma, so pokazali dobre rezultate, ki jih
lahko ˇse izboljˇsamo s poveˇcanjem ˇstevila vrednotenj krite-
rijske funkcije. Slika 5 prikazuje, kako uspeˇsna sta bili naˇsa
algoritma pri stiskanju slik pri iskanju najboljˇsih nastavlji-
vih parametrih do 105 vrednotenj kriterijske funkcije.
Slika 4: Izbrane slike za stiskanje. Slika 5: Podobnost rezultatov algoritmov MoDE in
MoCS za stiskanje slik pri 105 vrednotenjih.
Izbira optimalnih parametrov algoritmov je zelo pomembna,
saj ti vplivajo na pravilno delovanje algoritma, s tem pa na Iz slike 5 lahko razberemo, da so rezultati MoDE nekoliko
kakovost konˇcnih slik in hitrost konvergence. Prav zaradi po- boljˇsi v primerjavi z MoCS za vsako sliko pri 105 vredno-
membnosti parametrov algoritmov smo najprej poiskali naj- tenjih. Za sliko Mandril je MoDE dosegel za 3,09 % veˇcjo
boljˇse parametre vsakemu od algoritmov za stiskanje vsake podobnost originalni sliki v primerjavi z MoCS, za sliko Lena
slike posebej pri maksimalno 105 vrednotenjih kriterijske 2,25 % in za sliko Viaduct 4,20 %.
funkcije. Poudariti moramo, da smo kot ustavitveni pogoj
v algoritmih vedno uporabili ˇstevilo vrednotenj kriterijske Slika 6 prikazuje originalne in najboljˇse stisnjene slike iz pr-
funkcije, s ˇcimer smo zagotovili poˇstenost meritev in rezul- vega koraka testiranja z algoritmoma MoDE in MoCS. Iz
tatov. Naslednja dva parametra sta bila ˇse velikost popula- slik je razvidno, da v tej fazi testiranja stiskanja slik pri 105
cije, ki smo jo izbirali iz mnoˇzice Np = {50, 100, 150, 200} , in
ˇstevilo trikotnikov, uporabljenih pri stiskanju slik. Te smo
izbirali s pomoˇcjo porazdelitve eksponentne funkcije:
stT rikotnikov = 20 × 2x, za x = {0, 1, 2, 3, 4} ,
kjer smo dobili naslednja dopustna ˇstevila trikotnikov:
stT rikotnikov = {20, 40, 80, 160, 320} .
StuCoSReC Proceedings of the 2016 3rd Student Computer Science Research Conference 19
Ljubljana, Slovenia, 12 October
kljuˇcno ˇstevilo iz uniformne distribucije iz intervala [0,1] in
xti je izbrani vektor iz populacije. Ime slike MoDE MoCS
5. REZULTATI Np Nt Np Nt
Testiranje algoritmov smo izvedli v dveh korakih. V prvem Mandril 50 20 50 80
koraku smo poiskali najboljˇse parametre velikosti popula-
cije in ˇstevila trikotnikov med izbranimi vrednostmi za sti- Lena 50 20 50 20
skanje vsake izmed izbranih slik pri 105 vrednotenjih. Ko
smo najboljˇse parametre naˇsli, smo stiskanje s temi para- Viaduct 50 80 50 40
metri ponovili, le da smo v drugem koraku poveˇcali ˇstevilo
vrednotenj na 107 in tako dobili najboljˇse rezultate z izbra- Pri vsakem zagonu smo kombinirali vse moˇzne kombinacije
nimi vrednostmi. Rezultate stiskanja slik predstavljamo v parametrov velikosti populacije in ˇstevila trikotnikov, s ˇci-
nadaljevanju. mer smo izvedli 20 neodvisnih zagonov algoritma za eno
sliko. Za vsako sliko smo postopek ponovili desetkrat, tj.
5.1 Izbira slik in iskanje parametrov 200 neodvisnih zagonov. Ker imamo dva algoritma in tri
slike, se je skupaj izvedlo kar 1200 neodvisnih zagonov algo-
Najprej smo doloˇcili tri referenˇcne, originalne slike, ki smo ritma.
jih stiskali z naˇsima algoritmoma. Zaradi zahtevnosti kri-
terijske funkcije smo vsako od slik pomanjˇsali na resolucijo Vsak algoritem krmilimo z nadzornimi parametri. Pri DE
100x100. Raznolikost referenˇcnih slik, prikazanih na sliki 4, smo izbrali zaˇcetne vrednosti za F = 0, 5 in Cr = 0, 9. Sama
smo dosegli z izbiro dveh barvnih in ene sivinske slike. nastavitev teh parametrov ne igra posebne vloge, saj ima naˇs
algoritem vkljuˇceno samo-prilagajanje teh parametrov. Ne-
koliko drugaˇce je pri CS, saj moramo nastaviti parameter
zamenjave pα, ki je fiksen skozi celoten algoritem in smo ga
v naˇsem primeru nastavili na 0,25. Kot najboljˇse nastavljive
parametre (tabela 1) smo izbrali tiste, ki so imeli najveˇcjo
povpreˇcno vrednost kriterijske funkcije in ne morebitne po-
samezne najboljˇse reˇsitve z najveˇcjo vrednostjo kriterijske
funkcije.
Rezultati prvega dela testiranja, ko smo iskali najboljˇse pa-
rametre za algoritma, so pokazali dobre rezultate, ki jih
lahko ˇse izboljˇsamo s poveˇcanjem ˇstevila vrednotenj krite-
rijske funkcije. Slika 5 prikazuje, kako uspeˇsna sta bili naˇsa
algoritma pri stiskanju slik pri iskanju najboljˇsih nastavlji-
vih parametrih do 105 vrednotenj kriterijske funkcije.
Slika 4: Izbrane slike za stiskanje. Slika 5: Podobnost rezultatov algoritmov MoDE in
MoCS za stiskanje slik pri 105 vrednotenjih.
Izbira optimalnih parametrov algoritmov je zelo pomembna,
saj ti vplivajo na pravilno delovanje algoritma, s tem pa na Iz slike 5 lahko razberemo, da so rezultati MoDE nekoliko
kakovost konˇcnih slik in hitrost konvergence. Prav zaradi po- boljˇsi v primerjavi z MoCS za vsako sliko pri 105 vredno-
membnosti parametrov algoritmov smo najprej poiskali naj- tenjih. Za sliko Mandril je MoDE dosegel za 3,09 % veˇcjo
boljˇse parametre vsakemu od algoritmov za stiskanje vsake podobnost originalni sliki v primerjavi z MoCS, za sliko Lena
slike posebej pri maksimalno 105 vrednotenjih kriterijske 2,25 % in za sliko Viaduct 4,20 %.
funkcije. Poudariti moramo, da smo kot ustavitveni pogoj
v algoritmih vedno uporabili ˇstevilo vrednotenj kriterijske Slika 6 prikazuje originalne in najboljˇse stisnjene slike iz pr-
funkcije, s ˇcimer smo zagotovili poˇstenost meritev in rezul- vega koraka testiranja z algoritmoma MoDE in MoCS. Iz
tatov. Naslednja dva parametra sta bila ˇse velikost popula- slik je razvidno, da v tej fazi testiranja stiskanja slik pri 105
cije, ki smo jo izbirali iz mnoˇzice Np = {50, 100, 150, 200} , in
ˇstevilo trikotnikov, uporabljenih pri stiskanju slik. Te smo
izbirali s pomoˇcjo porazdelitve eksponentne funkcije:
stT rikotnikov = 20 × 2x, za x = {0, 1, 2, 3, 4} ,
kjer smo dobili naslednja dopustna ˇstevila trikotnikov:
stT rikotnikov = {20, 40, 80, 160, 320} .
StuCoSReC Proceedings of the 2016 3rd Student Computer Science Research Conference 19
Ljubljana, Slovenia, 12 October
