]> mj.ucw.cz Git - libucw.git/blob - images/image-idx.c
added missing include
[libucw.git] / images / image-idx.c
1 #undef LOCAL_DEBUG
2
3 #include "sherlock/sherlock.h"
4 #include "lib/mempool.h"
5 #include "lib/conf.h"
6 #include "lib/getopt.h"
7 #include "lib/fastbuf.h"
8 #include "lib/chartype.h"
9 #include "sherlock/object.h"
10 #include "lib/url.h"
11 #include "lib/unicode.h"
12 #include "sherlock/lizard-fb.h"
13 #include "sherlock/tagged-text.h"
14 #include "charset/charconv.h"
15 #include "charset/unicat.h"
16 #include "charset/fb-charconv.h"
17 #include "indexer/indexer.h"
18 #include "indexer/lexicon.h"
19 #include "indexer/params.h"
20 #include "utils/dumpconfig.h"
21 #include "lang/lang.h"
22 #include "lib/base224.h"
23 #include "lib/bbuf.h"
24 #include "lib/clists.h"
25
26 #include "images/images.h"
27 #include "images/image-obj.h"
28 #include "images/image-sig.h"
29 #include "images/dup-cmp.h"
30 #include "images/kd-tree.h"
31 #include "images/color.h"
32
33 #include <stdlib.h>
34 #include <fcntl.h>
35 #include <string.h>
36
37 static struct fastbuf *fb_cards;
38 static struct fastbuf *fb_card_attrs;
39 static struct buck2obj_buf *buck2obj;
40
41 /* This should happen in gatherer or scanner */
42 static void
43 generate_signatures(uns limit)
44 {
45   fb_cards = index_bopen("cards", O_RDONLY);
46   fb_card_attrs = index_bopen("card-attrs", O_RDONLY);
47   struct fastbuf *fb_signatures = index_bopen("image-sig", O_CREAT | O_WRONLY | O_TRUNC);
48   struct card_attr ca;
49   struct image_signature sig;
50   struct mempool *pool = mp_new(1 << 16);
51   struct buck2obj_buf *bob = buck2obj_alloc();
52   uns count = 0;
53
54   if (limit == ~0U)
55     log(L_INFO, "Generating image signatures");
56   else
57     log(L_INFO, "Generating at most %d image signatures", limit);
58   bputl(fb_signatures, 0);
59   imo_decompress_thumbnails_init();
60
61   for (oid_t oid = 0; bread(fb_card_attrs, &ca, sizeof(ca)); oid++)
62     if ((uns)((ca.type_flags >> 4) - 8) < 4)
63       {
64         bsetpos(fb_cards, (sh_off_t)ca.card << CARD_POS_SHIFT);
65         uns buck_len = bgetl(fb_cards) - (LIZARD_COMPRESS_HEADER - 1);
66         uns buck_type = bgetc(fb_cards) + BUCKET_TYPE_PLAIN;
67         mp_flush(pool);
68         struct odes *obj = obj_read_bucket(bob, pool, buck_type, buck_len, fb_cards, NULL);
69         struct oattr *attr;
70         if (!obj)
71           die("Failed to read card");
72         if (attr = obj_find_attr(obj, 'N'))
73           {
74 #ifdef LOCAL_DEBUG          
75             byte *url = obj_find_aval(obj_find_attr(obj, 'U' + OBJ_ATTR_SON)->son, 'U');
76             DBG("Reading oid=%d url=%s", oid, url);
77 #endif      
78             struct image_obj imo;
79             imo_init(&imo, pool, obj);
80             if (imo_decompress_thumbnail(&imo))
81               {
82                 if (compute_image_signature(&imo.thumb, &sig))
83                   {
84                     bwrite(fb_signatures, &oid, sizeof(oid));
85                     bwrite(fb_signatures, &sig.vec, sizeof(struct image_vector));
86                     bputc(fb_signatures, sig.len);
87                     if (sig.len)
88                       bwrite(fb_signatures, sig.reg, sig.len * sizeof(struct image_region));
89                     count++;
90                     if (count % 10000 == 0)
91                       log(L_DEBUG, "... passed %d images", count);
92                     if (count >= limit)
93                       break;
94                   }
95                 else
96                   DBG("Cannot create signature");
97               }
98             else
99               DBG("Cannot decompress thumbnail");
100           }
101       }
102   brewind(fb_signatures);
103   bputl(fb_signatures, count);
104   DBG("%d signatures written", count);
105
106   imo_decompress_thumbnails_done();
107   buck2obj_free(bob);
108   mp_delete(pool);
109   bclose(fb_cards);
110   bclose(fb_card_attrs);
111   bclose(fb_signatures);
112 }
113
114 struct signature_record {
115   oid_t oid;
116   struct image_vector vec;
117 };
118
119 #define ASORT_PREFIX(x) build_search_tree_##x
120 #define ASORT_KEY_TYPE struct signature_record *
121 #define ASORT_ELT(i) rec[i]
122 #define ASORT_LT(x,y) x->vec.f[dim] < y->vec.f[dim]
123 #define ASORT_EXTRA_ARGS , uns dim, struct signature_record **rec
124 #include "lib/arraysort.h"
125
126 #if 0
127 #define DBG_KD(x...) DBG(x)
128 #else
129 #define DBG_KD(x...) do{}while(0)
130 #endif
131
132 static struct image_tree tree;
133 static struct signature_record *records;
134 static struct signature_record **precords;
135
136 static void
137 build_kd_tree(void)
138 {
139   log(L_INFO, "Building KD-tree");
140
141   struct fastbuf *fb_signatures = index_bopen("image-sig", O_RDONLY);
142   tree.count = bgetl(fb_signatures);
143   ASSERT(tree.count < 0x80000000);
144   if (!tree.count)
145     {
146       /* FIXME */
147       bclose(fb_signatures);
148       die("There are no signatures");
149     }
150   else
151     {
152       DBG("Reading %d signatures", tree.count);
153       records = xmalloc(tree.count * sizeof(struct signature_record));
154       precords = xmalloc(tree.count * sizeof(void *));
155       for (uns i = 0; i < tree.count; i++)
156         {
157           bread(fb_signatures, &records[i].oid, sizeof(oid_t));
158           bread(fb_signatures, &records[i].vec, sizeof(struct image_vector));
159           uns len = bgetc(fb_signatures);
160           bskip(fb_signatures, len * sizeof(struct image_region));
161           precords[i] = records + i;
162           if (likely(i))
163             for (uns j = 0; j < IMAGE_VEC_K; j++)
164               {
165                 tree.bbox.vec[0].f[j] = MIN(tree.bbox.vec[0].f[j], records[i].vec.f[j]);
166                 tree.bbox.vec[1].f[j] = MAX(tree.bbox.vec[1].f[j], records[i].vec.f[j]);
167               }
168           else
169             tree.bbox.vec[0] = tree.bbox.vec[1] = records[0].vec;
170         }
171       bclose(fb_signatures);
172
173       for (tree.depth = 1; (uns)(2 << tree.depth) < tree.count; tree.depth++);
174       DBG("depth=%d nodes=%d bbox=[(%s), (%s)]", tree.depth, 1 << tree.depth,
175           stk_print_image_vector(tree.bbox.vec + 0), stk_print_image_vector(tree.bbox.vec + 1));
176       uns leaves_index = 1 << (tree.depth - 1);
177       tree.nodes = xmalloc_zero((1 << tree.depth) * sizeof(struct image_node));
178       tree.leaves = xmalloc_zero(tree.count * sizeof(struct image_leaf));
179
180       /* Initialize recursion */
181       struct stk {
182         struct image_bbox bbox;
183         uns index, count;
184         struct signature_record **start;
185       } stk_top[32], *stk = stk_top + 1;
186       stk->index = 1;
187       stk->start = precords;
188       stk->count = tree.count;
189       stk->bbox.vec[0] = tree.bbox.vec[0];
190       for (uns i = 0; i < IMAGE_VEC_K; i++)
191         stk->bbox.vec[1].f[i] = tree.bbox.vec[1].f[i] - tree.bbox.vec[0].f[i];
192       uns entry_index = 0;
193
194       /* Main loop */
195       while (stk != stk_top)
196         {
197           DBG_KD("Main loop... depth=%d index=%d count=%d, start=%d, min=%s dif=%s",
198               stk - stk_top, stk->index, stk->count, stk->start - precords,
199               stk_print_image_vector(stk->bbox.vec + 0), stk_print_image_vector(stk->bbox.vec + 1));
200           ASSERT(stk->count);
201
202           /* Create leaf node */
203           if (stk->index >= leaves_index || stk->count < 2)
204             {
205               tree.nodes[stk->index].val = IMAGE_NODE_LEAF | entry_index;
206               for (; stk->count--; stk->start++)
207                 {
208                   struct image_leaf *leaf = &tree.leaves[entry_index++];
209                   struct signature_record *record = *stk->start;
210                   leaf->oid = record->oid;
211                   leaf->flags = 0;
212                   for (uns i = IMAGE_VEC_K; i--; )
213                     {
214                       uns bits = IMAGE_LEAF_BITS(i);
215                       leaf->flags <<= bits;
216                       if (stk->bbox.vec[1].f[i])
217                         {
218                           uns value =
219                             (record->vec.f[i] - stk->bbox.vec[0].f[i]) *
220                             ((1 << bits) - 1) / stk->bbox.vec[1].f[i];
221                           ASSERT(value < (uns)(1 << bits));
222                           leaf->flags |= value;
223                         }
224                     }
225                   if (!stk->count)
226                     leaf->flags |= IMAGE_LEAF_LAST;
227                   DBG_KD("Creating leaf node; oid=%d vec=(%s) flags=0x%08x",
228                       leaf->oid, stk_print_image_vector(&record->vec), leaf->flags);
229                 }
230               stk--;
231             }
232
233           /* Create internal node */
234           else
235             {
236               /* Select dimension to splis */
237               uns dim = 0;
238               for (uns i = 1; i < IMAGE_VEC_K; i++)
239                 if (stk->bbox.vec[1].f[i] > stk->bbox.vec[1].f[dim])
240                   dim = i;
241
242               /* Sort... FIXME: we only need the median */
243               build_search_tree_sort(stk->count, dim, stk->start);
244
245               /* Split in the middle */
246               uns index = stk->index;
247               stk[1].index = stk[0].index * 2;
248               stk[0].index = stk[1].index + 1;
249               stk[1].count = stk[0].count >> 1;
250               stk[0].count -= stk[1].count;
251               stk[1].start = stk[0].start;
252               stk[0].start += stk[1].count;
253
254               /* Choose split value */
255               uns lval = stk->start[-1]->vec.f[dim];
256               uns rval = stk->start[0]->vec.f[dim];
257               uns pivot = stk->bbox.vec[0].f[dim] + (stk->bbox.vec[1].f[dim] >> 1);
258               if (pivot <= lval)
259                 pivot = lval;
260               else if (pivot >= rval)
261                 pivot = rval;
262
263               DBG_KD("Created internal node; dim=%d pivot=%d", dim, pivot);
264
265               /* Split the box */
266               stk[1].bbox = stk[0].bbox;
267               stk[1].bbox.vec[1].f[dim] = pivot - stk[0].bbox.vec[0].f[dim];
268               stk[0].bbox.vec[0].f[dim] += stk[1].bbox.vec[1].f[dim];
269               stk[0].bbox.vec[1].f[dim] -= stk[1].bbox.vec[1].f[dim];
270
271               /* Fill the node structure */
272               tree.nodes[index].val = dim + (pivot << 8);
273               stk++;
274             }
275         }
276
277       DBG("Tree constructed, saving...");
278
279       struct fastbuf *fb_tree = index_bopen("image-tree", O_CREAT | O_WRONLY | O_TRUNC);
280       bputl(fb_tree, tree.count);
281       bputl(fb_tree, tree.depth);
282       bwrite(fb_tree, &tree.bbox, sizeof(struct image_bbox));
283       bwrite(fb_tree, tree.nodes + 1, ((1 << tree.depth) - 1) * sizeof(struct image_node));
284       bwrite(fb_tree, tree.leaves, tree.count * sizeof(struct image_leaf));
285       bclose(fb_tree);
286
287       //xfree(tree.leaves);
288       //xfree(tree.nodes);
289       //xfree(precords);
290       //xfree(records);
291     }
292 }
293
294 /*********************************************************************************/
295
296 static uns pass1_buf_size = 400 << 20;
297 static uns pass1_max_count = 100000;
298 static uns pass1_search_dist = 40;
299 static uns pass1_search_count = 500;
300
301 static struct mempool *pass1_pool;
302 static byte *pass1_buf_start;
303 static byte *pass1_buf_pos;
304 static uns pass1_buf_free;
305 static uns pass1_buf_used;
306 static clist pass1_buf_list;
307 static clist pass1_lru_list;
308 static u64 pass1_lookups;
309 static u64 pass1_reads;
310 static u64 pass1_pairs;
311 static u64 pass1_dups;
312 static u64 pass1_shrinks;
313
314 struct pass1_node {
315   cnode lru_node;
316   cnode buf_node;
317   uns buf_size;
318   byte *buf;
319   oid_t oid;
320   byte *url;
321   struct image image;
322   struct image_dup dup;
323 };
324
325 #define HASH_PREFIX(x) pass1_hash_##x
326 #define HASH_NODE struct pass1_node
327 #define HASH_KEY_ATOMIC oid
328 #define HASH_WANT_CLEANUP
329 #define HASH_WANT_FIND
330 #define HASH_WANT_NEW
331 #define HASH_WANT_REMOVE
332 #include "lib/hashtable.h"
333
334 static inline void
335 pass1_buf_init(void)
336 {
337   //DBG("pass1_buf_init()");
338   pass1_buf_free = pass1_buf_size;
339   pass1_buf_start = pass1_buf_pos = xmalloc(pass1_buf_size);
340   pass1_buf_used = 0;
341 }
342
343 static inline void
344 pass1_buf_cleanup(void)
345 {
346   //DBG("pass1_buf_cleanup()");
347   xfree(pass1_buf_start);
348 }
349
350 static void
351 pass1_node_free(struct pass1_node *node)
352 {
353   //DBG("pass1_node_free(%d)", (uns)node->oid);
354   if (node->buf_size)
355     {
356       pass1_buf_used -= node->buf_size;
357       clist_remove(&node->buf_node);
358     }
359   clist_remove(&node->lru_node);
360   pass1_hash_remove(node);
361 }
362
363 static inline void
364 pass1_node_free_lru(void)
365 {
366   ASSERT(!clist_empty(&pass1_lru_list));
367   pass1_node_free(SKIP_BACK(struct pass1_node, lru_node, clist_head(&pass1_lru_list)));
368 }
369
370 static inline void
371 pass1_node_after_move(struct pass1_node *node, addr_int_t move)
372 {
373   //DBG("pass1_node_after_mode(%d, %d)", (uns)node->oid, (uns)move);
374   /* adjust internal pointers */
375 #define MOVE(x) x = (byte *)(x) - move
376   MOVE(node->url);
377   MOVE(node->image.pixels);
378   MOVE(node->dup.buf);
379 #undef MOVE
380 }
381
382 static inline void
383 pass1_buf_shrink(void)
384 {
385   DBG("pass1_buf_shrink()");
386   pass1_shrinks++;
387   pass1_buf_free = pass1_buf_size;
388   pass1_buf_pos = pass1_buf_start;
389   CLIST_FOR_EACH(void *, p, pass1_buf_list)
390     {
391       struct pass1_node *node = SKIP_BACK(struct pass1_node, buf_node, p);
392       if (node->buf != pass1_buf_pos)
393         {
394           memmove(pass1_buf_pos, node->buf, node->buf_size);
395           pass1_node_after_move(node, node->buf - pass1_buf_pos);
396           node->buf = pass1_buf_pos;
397         }
398       pass1_buf_pos += node->buf_size;
399       pass1_buf_free -= node->buf_size;
400     }
401 }
402
403 static void *
404 pass1_buf_alloc(uns size)
405 {
406   //DBG("pass1_buf_alloc(%d)", size);
407
408   /* if there is not enough free space at the end of the buffer */
409   if (size > pass1_buf_free)
410     {
411       /* free some lru nodes */
412       //DBG("freeing lru nodes");
413       while (size > pass1_buf_size - pass1_buf_used || pass1_buf_used * 2 > pass1_buf_size)
414         {
415           if (unlikely(clist_empty(&pass1_lru_list))) // FIXME
416             die("Buffer too small");
417           pass1_node_free_lru();
418         }
419
420       pass1_buf_shrink();
421     }
422
423   /* final allocation */
424   void *result = pass1_buf_pos;
425   pass1_buf_pos += size;
426   pass1_buf_free -= size;
427   pass1_buf_used += size;
428   return result;
429 }
430
431 static struct pass1_node *
432 pass1_node_new(oid_t oid)
433 {
434   DBG("pass1_node_new(%d)", (uns)oid);
435   if (pass1_hash_table.hash_count == pass1_max_count)
436     pass1_node_free_lru();
437   struct pass1_node *node = pass1_hash_new(oid);
438   mp_flush(pass1_pool);
439   pass1_reads++;
440
441   /* read object */
442   struct card_attr ca;
443   bsetpos(fb_card_attrs, (sh_off_t)oid * sizeof(ca)); /* FIXME: these seeks can be easily removed */
444   bread(fb_card_attrs, &ca, sizeof(ca));
445
446   bsetpos(fb_cards, (sh_off_t)ca.card << CARD_POS_SHIFT); /* FIXME: maybe a presort should handle these random seeks */
447   uns buck_len = bgetl(fb_cards) - (LIZARD_COMPRESS_HEADER - 1);
448   uns buck_type = bgetc(fb_cards) + BUCKET_TYPE_PLAIN;
449   struct odes *obj = obj_read_bucket(buck2obj, pass1_pool, buck_type, buck_len, fb_cards, NULL);
450   if (unlikely(!obj))
451     die("Failed to read card");
452   byte *url = obj_find_aval(obj_find_attr(obj, 'U' + OBJ_ATTR_SON)->son, 'U');
453   uns url_len = strlen(url);
454
455   /* decompress thumbnail */
456   struct image_obj imo;
457   imo_init(&imo, pass1_pool, obj);
458   if (unlikely(!imo_decompress_thumbnail(&imo)))
459     die("Cannot decompress thumbnail");
460   node->image = imo.thumb;
461
462   /* create duplicates comparision object */
463   image_dup_init(&node->dup, &node->image, pass1_pool);
464
465   /* copy data */
466   //DBG("loaded image %s s=%d d=%d", url, node->image.size, node->dup.buf_size);
467   node->buf_size = node->image.size + node->dup.buf_size + url_len + 1;
468   if (node->buf_size)
469     {
470       byte *buf = node->buf = pass1_buf_alloc(node->buf_size);
471       clist_add_tail(&pass1_buf_list, &node->buf_node);
472 #define COPY(ptr, size) ({ void *_p=buf; uns _size=(size); buf+=_size; memcpy(_p,(ptr),_size); _p; })
473       node->url = COPY(url, url_len + 1);
474       node->image.pixels = COPY(node->image.pixels, node->image.size);
475       node->dup.buf = COPY(node->dup.buf, node->dup.buf_size);
476 #undef COPY
477     }
478
479   /* add to lru list */
480   return node;
481 }
482
483 static inline struct pass1_node *
484 pass1_node_lock(oid_t oid)
485 {
486   DBG("pass1_node_lock(%d)", (uns)oid);
487   pass1_lookups++;
488   struct pass1_node *node = pass1_hash_find(oid);
489   if (node)
490     {
491       clist_remove(&node->lru_node);
492       return node;
493     }
494   else
495     return pass1_node_new(oid);
496 }
497
498 static inline void
499 pass1_node_unlock(struct pass1_node *node)
500 {
501   //DBG("pass1_node_unlock(%d)", (uns)node->oid);
502   clist_add_tail(&pass1_lru_list, &node->lru_node);
503 }
504
505 static void
506 pass1(void)
507 {
508   log(L_INFO, "Looking for duplicates");
509   ASSERT(tree.nodes);
510
511   /* initialization */
512   pass1_lookups = pass1_reads = pass1_pairs = pass1_dups = pass1_shrinks = 0;
513   fb_cards = bopen("index/cards", O_RDONLY, 10000); // FIXME
514   fb_card_attrs = bopen("index/card-attrs", O_RDONLY, sizeof(struct card_attr)); // FIXME
515   buck2obj = buck2obj_alloc();
516   imo_decompress_thumbnails_init();
517   clist_init(&pass1_lru_list);
518   clist_init(&pass1_buf_list);
519   pass1_hash_init();
520   pass1_buf_init();
521   pass1_pool = mp_new(1 << 20);
522
523   /* main loop */
524   for (uns i = 0; i < tree.count; )
525     {
526       /* lookup next image */
527       oid_t oid = tree.leaves[i].oid;
528       struct pass1_node *node = pass1_node_lock(oid);
529
530       /* compare with all near images */
531       struct image_search search;
532       image_search_init(&search, &tree, &precords[i]->vec, pass1_search_dist);
533       /* FIXME: can be faster than general search in KD-tree */
534       oid_t oid2;
535       uns dist;
536       for (uns j = 0; j < pass1_search_count && image_search_next(&search, &oid2, &dist); j++)
537         {
538           if (oid < oid2)
539             {
540               struct pass1_node *node2 = pass1_node_lock(oid2);
541               DBG("comparing %d and %d", oid, oid2);
542               if (image_dup_compare(&node->dup, &node2->dup, IMAGE_DUP_TRANS_ALL))
543                 {
544                   pass1_dups++;
545                   log(L_DEBUG, "*** Found duplicates oid1=0x%x oid=0x%x", (uns)node->oid, (uns)node2->oid);
546                   log(L_DEBUG, "  %s", node->url);
547                   log(L_DEBUG, "  %s", node2->url);
548                 }
549               pass1_pairs++;
550               pass1_node_unlock(node2);
551             }
552         }
553       image_search_done(&search);
554       pass1_node_unlock(node);
555       i++;
556       if (i % 1000 == 0)
557         log(L_DEBUG, "... passed %d images", i);
558     }
559
560   /* clean up */
561   pass1_hash_cleanup();
562   pass1_buf_cleanup();
563   mp_delete(pass1_pool);
564   bclose(fb_cards);
565   bclose(fb_card_attrs);
566   buck2obj_free(buck2obj);
567   imo_decompress_thumbnails_done();
568
569   /* print statistics */
570   log(L_INFO, "%d count, %Ld lookups, %Ld reads, %Ld pairs, %Ld dups, %Ld shrinks", tree.count,
571     (long long int)pass1_lookups, (long long int)pass1_reads,
572     (long long int)pass1_pairs, (long long int)pass1_dups, (long long int)pass1_shrinks);
573 }
574
575 /*********************************************************************************/
576
577 static char *shortopts = CF_SHORT_OPTS "";
578 static struct option longopts[] =
579 {
580   CF_LONG_OPTS
581   { NULL, 0, 0, 0 }
582 };
583
584 static char *help = "\
585 Usage: image-indexer [<options>]\n\
586 \n\
587 Options:\n" CF_USAGE;
588
589 static void NONRET
590 usage(byte *msg)
591 {
592   if (msg)
593   {
594     fputs(msg, stderr);
595     fputc('\n', stderr);
596   }
597   fputs(help, stderr);
598   exit(1);
599 }
600
601
602 int
603 main(int argc UNUSED, char **argv)
604 {
605   int opt;
606
607   log_init(argv[0]);
608   while ((opt = cf_getopt(argc, argv, shortopts, longopts, NULL)) >= 0)
609     switch (opt)
610     {
611       default:
612       usage("Invalid option");
613     }
614   if (optind != argc)
615     usage("Invalid usage");
616
617   srgb_to_luv_init();
618
619   generate_signatures(20000);
620   build_kd_tree();
621   pass1();
622
623   return 0;
624 }