图形图像算法中必须要了解的设计模式(1)
图形图像算法中必须要了解的设计模式(1)
随着信息的多元化，信息的概念不仅仅指的是文字，它还包含图片、声音、视频等其它丰富的信息。文字信息越来越多地被图片、声音、视频信息所替代，而视频又是由一针一针的图像组成的，因此图形图像的处理变得越来越热门和重要，众多的专家、学者、工程师投入到这个领域。
作为一个图像算法的研究者，写出一手高级算法当然是令人兴奋的一件事！但你是否有时会有这种感觉：
- 写的算法很难通用于所有的数据类型！每来一个新类型的数据，又得改一下算法，或新加一个方法来支持这种类型。
- 有时候多个算法需要灵活组合，甚至每个算法的顺序不一样都会产生不一样的效果；每一种组合都要为其构建一个新算法，即累又麻烦。
- 算法越来越多，自建的算法库也越来越庞大而难于管理；
这个时候，让你的算法具有更好通用性、拓展性就显得极为重要！因此，你必须要掌握几个重要的设计模式来解决这些问题。今天介绍其中一个最重要的设计模式——装饰模式。
装饰模式
装饰模式（Decorator Pattern）：动态地给一个对象增加一些额外的职责（Responsibility），就增加对象功能来说，装饰模式比生成子类实现更为灵活。
- 装饰模式可以动态地给一个对象附加更多的功能。
- 用不同的算法作为装饰器进行多重装饰，可以达到不同算法的灵活组合；装饰的顺序不同，可能产生不同的效果。
应用案例
静态图像其实就是一个二维的像素数组，对图像的处理其实就是对一个二维坐标像素数据的处理。在图像处理中，图像的灰度化、梯度化（锐化）、边缘化、二值化都是图像处理的基本算法，在进行真正的核心算法之前，经常需要进行这些预处理。
如我曾经在开发的一个用于医疗影像领域的细胞检测和识别项目时，就用到这样的一些处理过程：
- 将图像规格化(将所有图片缩放到 800*600)
- 平滑去噪处理
- 图像的灰度化
- 图像的梯度化
- 图像的二值化
- 真正的识别处理，进行ORI区域识别。
这些预处理算法的顺序不同，将对结果产生很大的影响。
下面我们将以图像的边缘提取算法为例演示整个处理过程，为简单起见，假设有两个预处理过程(灰度化、梯度化)和一个核心算法(二值化边缘提取)。有两种处理顺序，分别如下：
- 灰度化 --> 梯度化 --> 核心算法:边缘提取算法：
- 梯度化 --> 灰度化 --> 核心算法:边缘提取算法：
如果你来实现，代码会怎么实现呢？ ... ... 也许你会说那还不简单！立马就能想到针对两个处理顺序分别写两个方法：
def imageProcessing1():
print("算法逻辑")
# todo Something
def imageProcessing2():
print("算法逻辑")
# todo Something那问题来了，如果预处理的过程不止2种，而是有5种；那就会有5! = 120种排列，难道你要写120个方法？想想都可怕！
如果你用装饰模式，那上面这个问题只要两行代码就能搞定：
resultImg1 = GrayProcessor(GradientProcessor(EdgeExtractionProcessor())).processing(img)
resultImg2 = GradientProcessor(GrayProcessor(EdgeExtractionProcessor())).processing(img)两种处理顺序的图片预览效果如下： 原图
处理顺序1：灰度化 --> 梯度化 --> 核心算法:边缘提取算法
灰度化：
梯度化：
边缘提取
处理顺序2：梯度化 --> 灰度化 --> 核心算法:边缘提取算法
梯度化：
灰度化：
边缘提取：
这里两种不同的预处理顺序，结果是有略微不同的。想知道我是如何将这个代码精简到两行的吗？这都得归功于装饰模式，下面就一起看看装饰模式的实现方式吧！(下面这段代码用OpenCv for Python实现，Python 3.6.3，opencv-3.4.1，numpy-1.14.5)
from abc import ABCMeta, abstractmethod
# 引入ABCMeta和abstractmethod来定义抽象类和抽象方法
class ImageProcessor(metaclass=ABCMeta):
"图像处理的接口类"
@abstractmethod
def processing(self, img):
"图像处理的抽象方法"
pass
class EdgeExtractionProcessor(ImageProcessor):
"边缘提取算法"
def processing(self, img):
super().processing(img)
print("真正的核心算法:边缘提取算法")
newImg = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 5, 10)
return newImg
class ImageDecorator(ImageProcessor):
"图像装饰器"
def __init__(self, processor):
self._decorator = processor
def processing(self, img):
tmpImg = self.preProcessing(img)
return self._decorator.processing(tmpImg)
@abstractmethod
def preProcessing(self, img):
"预处理方法，由子类实现"
pass
class GrayProcessor(ImageDecorator):
"灰度化处理器"
def __init__(self, processor):
super().__init__(processor)
def preProcessing(self, img):
print("灰度化处理...")
return cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换了灰度化
class GradientProcessor(ImageDecorator):
"梯度化处理器"
def __init__(self, processor):
super().__init__(processor)
def preProcessing(self, img):
print("梯度化处理...")
x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
y = cv2.Sobel(img, cv2.CV_16S, 0, 1)
absX = cv2.convertScaleAbs(x) # 转回uint8
absY = cv2.convertScaleAbs(y)
return cv2.addWeighted(absX, 0.5, absY, 0.5, 0)测试代码如下：
def testImageProcessing():
img = cv2.imread("E:\\TestImages\\bird.jpg")
print("灰度化 --> 梯度化 --> 核心算法:边缘提取算法：")
resultImg1 = GrayProcessor(GradientProcessor(EdgeExtractionProcessor())).processing(img)
print()
print("梯度化 --> 灰度化 --> 核心算法:边缘提取算法：")
resultImg2 = GradientProcessor(GrayProcessor(EdgeExtractionProcessor())).processing(img)
print()
cv2.imshow("The result of image process1", resultImg1)
cv2.imshow("The result of image process2", resultImg2)
cv2.waitKey(0)
cv2.destroyAllWindows()结果如下：
灰度化 --> 梯度化 --> 核心算法:边缘提取算法：
灰度化处理...
梯度化处理...
真正的核心算法:边缘提取算法
梯度化 --> 灰度化 --> 核心算法:边缘提取算法：
梯度化处理...
灰度化处理...
真正的核心算法:边缘提取算法Get到技能点了吗？
腾讯云开发者
