code cleanup, started report, new verbose option

report/.gitignore

@@ -0,0 +1,3 @@
+auto/
+_minted*/
+*.tex

report/report.org

@@ -0,0 +1,91 @@
+#+TITLE: Création d’images par algorithme génétique avec référence
+#+SUBTITLE: Rapport de projet
+#+AUTHOR: Lucien Cartier-Tilet
+#+EMAIL: phundrak@phundrak.fr
+#+CREATOR: Lucien Cartier-Tilet
+#+LANGUAGE: fr
+#+LATEX_CLASS: article
+#+LaTeX_CLASS_OPTIONS: [a4paper,twoside]
+#+LATEX_HEADER: \usepackage{xltxtra,fontspec,xunicode}\usepackage[total={6.5in,9.5in}]{geometry}\setromanfont[Numbers=Lowercase]{Charis SIL}
+#+LATEX_HEADER: \usepackage{xcolor} \usepackage{hyperref}
+#+LATEX_HEADER: \hypersetup{colorlinks=true,linkbordercolor=red,linkcolor=blue,pdfborderstyle={/S/U/W 1}}
+#+STARTUP: latexpreview
+
+* Sujet
+
+Le sujet de ce projet est la création d’un logiciel pouvant recréer une image
+fournie grâce à des générations aléatoires et successives de formes aux,
+positions, couleurs et taille aléatoires. L’algorithme commence par créer une
+image vide aux dimensions identiques à l’image de référence, puis applique une
+de ces formes aléatoires. Si la ressemblance de l’image ainsi générée augmente
+par rapport à sa version précédente par rapport à l’image de référence, alors
+cette modification est conservée, sinon elle est annulée. Répéter jusqu’à
+satisfaction.
+
+* Les méthodes utilisées
+
+Plusieurs approches au problème sont possibles, allant de la simple
+implémentation naïve du problème à des moyen pouvant au moins décupler la
+vitesse de génération de l’image. Sauf indication contraire, j’ai utilisé dans
+l’implémentation de chaque méthode des carrés comme forme d’éléments appliqués
+aléatoirement à l’image.
+
+Pour évaluer la ressemblance entre deux image, j’évalue une distance euclidienne
+entre le vecteur de leurs pixels qui peut se résumer à ceci :
+#+begin_export latex
+$$\sqrt{\sum_{i=0}^{n} V_{i}^{2}+W_{i}^{2}}$$
+#+end_export
+~V~ étant le vecteur de pixels de l’image de référence, ~W~ étant le vecteur de
+pixels de l’image générée, et ~n~ la taille de ces deux vecteurs.
+
+Les tests de temps sont réalisés sur un Thinkpad x220, disposant d’un processeur
+Intel® Core™ i5-2540M à 2.6GHz, composé de deux cœurs supportant chacun deux
+threads, et de 4Go de RAM. Le programme est compilé avec les options
+d’optimisation ~-O3~ et ~-flto~.
+
+Voici également ci-dessous la liste des options et arguments possibles
+concernant l’exécution du logiciel.
+#+begin_src text
+$ ./bin/genetic-image -h
+Allowed options:
+  -h [ --help ]           Display this help message
+  -i [ --input ] arg      Input image
+  -o [ --output ] arg     Image or video output path (default: input path +
+                          "_output")
+  -m [ --method ] arg     Method number to be used (default: 1)
+  -n [ --iterations ] arg Number of iterations (default: 5000)
+  -v [ --video ]          Enable video output
+#+end_src
+
+** Méthode naïve
+
+J’ai tout d’abord implémenté la méthode naïve afin d’avoir une référence en
+matière de temps. Cette dernière est implémentée dans ~src/methods.cc~ avec la
+fonction ~method1()~. Comme ce à quoi je m’attendais, cette méthode de
+génération d’images est très lente, principalement dû au fait que l’algorithme
+en l’état essaiera d’appliquer des couleurs n’existant pas dans l’image de
+référence, voire complètement à l’opposées de la palette de couleurs de l’image
+de référence.
+
+Voici la ligne de commande utilisée depuis le répertoire ~build~ afin de pouvoir
+obtenir un temps d’exécution :
+#+begin_src shell
+  perf stat -r nombreDExécutions -B ./bin/genetic-image \
+       -i ../img/mahakala-monochrome.jpg -o output.png -n 200 -m 1
+#+end_src
+
+|                            / |                   < | <                       |
+| nombre d’itérations réussies | nombre d’exécutions | temps d’exécution moyen |
+|------------------------------+---------------------+-------------------------|
+|                           10 |                 100 | 0.09447s (±0.02%)       |
+|                           50 |                 100 | 1.1331s (±2.85%)        |
+|                          100 |                  50 |                         |
+|                          200 |                  20 |                         |
+|                          500 |                  10 |                         |
+|                         1000 |                   5 |                         |
+
+Naturellement, la variation en temps d’exécution croît en même temps que le
+nombre d’améliorations nécessaires à apporter à l’image à améliorer, dû à la
+nature aléatoire de l’algorithme. Cependant, on constate également une
+croissance importante du temps d’exécution suivant également ce nombre
+d’itérations réussies.