数字旗手

电气化、自动化、数字化、智能化、智慧化

0%

ImagePy解析:9 -- Filter引擎及其衍生的图像取反插件

参考文献:
Filter 插件
ImagePy开发文档 —— 滤波器引擎

Filter引擎是最重要的一类插件,用于对二维图像进行滤波,也是图像处理中最基础、最普遍的一类应用(语出上面的参考文献)。
这一篇分析Filter引擎的功能,并通过基于它所编写的图像取反插件来深入理解。

Filter引擎

Filter引擎的基本类结构如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
class Filter:
title = 'Filter'
modal = True
note = []
para, view = None, None

def __init__(self, ips=None):
#...
def show(self):
#...
def run(self, ips, snap, img, para = None):
#...
def check(self, ips):
#...
def preview(self, para):
#...
def load(self, ips):
#...
def start(self, para=None):
#...

可以看出,其基本框架与前面分析的Free引擎类似,毕竟都属于引擎一族。

初始化函数

先看它的初始化函数:

1
2
3
4
def __init__(self, ips=None):
if ips==None:ips = IPy.get_ips()
self.dialog = None
self.ips = ips

即会首先通过IPy的get_ips()将ImagePlus图像传给self.ips(IPy是调用了框架的ImageManager管理器),如果没有图像,那么显然这个值就是None。

note属性

1
2
note = []
'all, 8-bit, 16-bit, int, rgb, float, not_channel, not_slice, req_roi, auto_snap, auto_msk, preview, 2int, 2float'

note属性决定了该Filter的运行特性,其内的字符串可以分为两类:
(1)一类用于检查时:
all表示该滤镜能处理所有类型的图像、8-bit表示该滤镜能处理8位灰度图像、16-bit表示能处理16位灰度图像、int表示能处理32位整型灰度图像、rgb表示能处理RGB彩色图像、float表示能处理浮点图像,req_roi表示该滤镜需要选区。具体检查原理就是在check()方法中形如:

1
2
3
elif ips.get_imgtype()=='8-bit' and not '8-bit' in note:
IPy.alert('Do not surport 8-bit image')
return False

(2)一类用于运行时:
preview:是否需要提供预览功能、auto_snap:是否需要执行前自动快照、auto_msk:是否要支持选区、not_channel:是否在处理彩色图像时自动处理每个通道(如不填写为是)、not_slice:是否在处理图像栈的时候询问,从而处理每个层(如不填写为是)、2int:如果精度低于16位整数,是否在处理之前把图像转为16位整数(一些运算会产生负数或溢出)、2float:如果精度低于32位浮点,是否在处理之前把图像转为32位浮点(一些运算需要在浮点上做才能保证质量)(语出上面的参考文献)

modal属性

当 modal 为 True 时,参数对话框将以模态展示,这也是默认情况,这满足大多数的使用场景。

para和view属性

核心函数需要用到的参数,以及他们的交互方式,默认为 None,代表不需要交互。

check()方法

check根据note标识,对当前图像是否存在、选区是否存在、图像类型等进行检查,如果不满足,则调用IPy的alert()弹窗警告。

load()方法

这里默认是没有做什么操作。但是可以在load()里做一些准备工作,比如获取当前图像的像素直方图等,也可以用作进一步的检查,比如检查图像是否为二值图像。返回 True,则继续执行后续流程,返回 False,则终止。

start()方法

前面分析Free引擎时已提到,start()方法是引擎的启动函数:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
def start(self, para=None, callafter=None):
ips = self.ips
if not self.check(ips):return
if not self.load(ips):return
if 'auto_snap' in self.note:ips.snapshot()

if para!=None:
self.ok(self.ips, para, callafter)
elif self.view==None:
if not self.__class__.show is Filter.show:
if self.show():
self.ok(self.ips, para, callafter)
else: self.ok(self.ips, para, callafter)
elif self.modal:
if self.show():
self.ok(ips, None, callafter)
else:self.cancel(ips)
self.dialog.Destroy()
else: self.show()

可以看到,首先就是调用check()方法做必要的“体检”,检查项目包括图像本身、ROI、类型检查等。然后执行load()方法。
如果note属性里设置了auto_snap,就会调用ImagePlus对象的snapshot()方法将图像的快照存下来。这里插一句,查看这个方法的源码:
1
2
3
4
def snapshot(self):
if self.snap is None:
self.snap = self.img.copy()
else: self.snap[...] = self.img

发现里面有个省略号的符号,Python中的省略号代表未指定的其余数组维度的占位符,可以把它看作是代表它所放置的位置中所有尺寸的完整切片,因此a[…,0]在3d数组中与a[:,:,0]相同,在4d数组中与a[:,:,:,0]相同。具体的参考文章有:
What does the Python Ellipsis object do?
Python 的 Ellipsis 对象
然后判断para是否为None,参数 para 如果有值,则直接执行 run。(菜单点击的方式下都是传入的 None,而运行宏的时候,可以传入 para 参数)
如果para为None,则还要经过其他判断,比如是否veiw有值、是否模态对话框等,接着会调用self.show()方法(即生成参数对话框)或者self.ok()方法,具体不同以后再分析。下面以最简单的图像取反操作来分析具体流程。

图像取反

图像取反插件是基于Filter引擎的最简单的一个例子:

1
2
3
4
5
6
7
8
from imagepy.core.engine import Filter

class Plugin(Filter):
title = 'Invert Demo'
note = ['all', 'auto_msk', 'auto_snap']

def run(self, ips, snap, img, para = None):
return 255-snap

我们看看这个插件的运行路径。
因为该插件没有定义para和view,因此,start()就执行到这里了:
1
2
3
4
5
6
7
8
9
print("self.__class__ = ", self.__class__)
if not self.__class__.show is Filter.show:
print(" __class__.show is not Filter.show")
if self.show():
self.ok(self.ips, para, callafter)
else:
print(" __class__.show is Filter.show")
print("Execcute directly~~")
self.ok(self.ips, para, callafter)

然后就判断show()方法是该取反插件自己的还是Filter基类的,因为取反插件没有定义show(),所以它就默认调用的是Filter的show,因此实际就执行的else情形的代码。
插一句,关于class的用法,见:
python中的class
那么,就看ok()方法干了啥。其实ok()的主要作用就是根据不同情形决定调用process_one()还是process_stack(),即处理单张图像,还是一个图像栈。
查看一下这两者的不同。先看两者的原始声明:
1
2
def process_one(plg, ips, src, img, para, callafter=None)
def process_stack(plg, ips, src, imgs, para, callafter=None)

再看它们实际调用时:
1
2
process_one(self, ips, ips.snap, ips.img, para, callafter)
process_stack(self, ips, ips.snap, ips.imgs, para, callafter)

分析一下实参和形参的对应关系:
(1)self就是当前插件的指针,传给了它们俩的plg形参,因此可以在plg中调用插件的各个属性和方法;
(2)ips作为整个图像的封装,传给了ips形参,注意ips与下面的src和img的关系,ips是一个统一封装,src和img仅是它的一部分;
(3)ips.snap就是对图像的快照,如前所述,如果在note中设置了auto_snap,则提前就将图像copy一份到snap中,它传给了src形参;
(4)ips.img或ips.imgs充分反映了两个函数的不同点:如果是处理一张图像,则传入ips.img,如前所述,这是调用了ImagePlus的img属性,它与当前的游标self.cur有关;如果是处理一个图像栈,则传入ips.imgs。将它们传给了img或imgs形参。注意src与img的区别,src是图像在处理前的一个copy,在代码中也是使用的copy()函数,所以src创建了一个新的对象,与源图像已没有关系;而img或imgs还是原来对象的引用。这里插一句,拷贝有深拷贝和浅拷贝的区别,同时python的拷贝与numpy的拷贝也有不同(这里查看snapshot()源码可知,snapshot是作用于单张图像上,所以是numpy的copy(),而不是python的copy包的copy()):
Python numpy 中的 copy 问题详解
理解 Python 引用、浅拷贝和深拷贝
(5)para就是参数,注意它与self.para的区别,将它传给了para形参;
(6)callafter:目前看就是默认None,没有对它进行改变,也是正常传给了para形参。

这两个函数又都调用了process_channels()方法,即对通道进行处理。
先来看该方法的声明:

1
def process_channels(plg, ips, src, des, para)

再来看process_one()和process_stack()调用它时:
1
2
3
4
# 对于一张图像
rst = process_channels(plg, ips, src, buf if transint or transfloat else img, para)
# 对于一个图像栈
rst = process_channels(plg, ips, src, buf if transint or transfloat else i, para)

这样的实参与形参对应时,需要注意的就是buf实参与des形参的对应,如果note中表明了2int或2float,即需要转成int型或float型,就要先调用numpy的astype转换一下数据格式。然后实际process_channels中的des就是之前的self.img或self.imgs。

再来看取反插件中的run()是怎样与Filter引擎进行对应的。对于取反插件:

1
2
def run(self, ips, snap, img, para = None):
return 255-snap

在Filter引擎中(以单通道为例):
1
rst = plg.run(ips, src, des, para)

对应关系就是ips传给ips,src传给snap,des传给img,para传给para。
经过上面分析,这四个实参:ips是通过IPy调用ImageManager获得的,src和des都是ips中的属性,para追根溯源是从取反插件的para属性中传入的,即下面这个赋值语句(即如果是菜单点击的话,在插件中直接将para=None就是将插件的para属性传给了run()方法):
1
2
3
def ok(self, ips, para=None, callafter=None):
if para == None:
para = self.para

所以对于插件的编写,只需要在重载run()方法时正确地写上这些参数,不需要考虑怎样给它们赋值,而是只定义逻辑操作即可,比如这里的直接用255减去snap的值。