考虑下重新设计这个系统-CSDN博客

本文链接：https://blog.csdn.net/kofsky/article/details/2053821

1、核心数据类 KxVector , KxMatrix 以及其操作为整个系统的核心
KxVector 以一维数组封装向量数据
KxMatrix 以二维数组封装矩阵数据
定义对 KxVector,KxMatrix 的数学操作为全局函数
包括向量的加减乘除、向量连接、取对数、倒数等
矩阵的加减乘除、取对数、倒数等
以及矩阵与向量、向量与矩阵、矩阵与常数、向量与常数等的计算操作
（也可以将操作封装到向量或者矩阵里面，但当操作过多的时候，一个类的内容似乎过多以致感觉out of control？）

2、图像核心类 KxImage
应封装图像的数据以及对图像的常规数据存取操作

这三个类应该是整个系统的核心。后面的所有操作与计算都基于这三个基本类。

后面开始按功能分类

1、边缘检测
abstract class KxEdgeMask // 边缘检测的模板
KxSobelMask extends KxEdgeMask // sobel 算子
KxPrewittMask extends KxEdgeMask // prewitt 算子
KxLogMask extends KxEdgeMask // LoG 算子
....等等

KxEdgeDetect
定义一个接口：edge( const KxImage,KxEdgeMask mask);
edge( const KxImage,const char* mask);

对外提供边缘检测服务时候，可采用 Facade ，也可以采用 Factory

2、颜色空间
abstract class ColorSpace( KxImage );
HSIColorSpace extends ColorSpace
YIQColorSpace extends ColorSpace
等等。直接在构造函数里面进行转换!

3、特征提取
   特征向量类：KxFeature extends KxVector
   这里面就复杂许多了。
   细分如下：
A、颜色特征     KxColorFeature
B、灰度共生矩阵 KxGLCM
C、灰度-梯度共生矩阵 KxGGLCM
D、灰度行程长度 KxGRLS
E、灰度差分统计 KxGDSM
。。。

4、识别策略
abstract class KxReocognizeStrategy
// 滑动窗口识别
KxMoveWindowingRecognize extends KxReocognizeStrategy
// 金字塔分析识别
KxPyramidAnalysisRecognize extends KxReocognizeStrategy
// 基于窗口合并的识别
KxWindowCombineRecognize extends KxReocognizeStrategy

5、识别算法：即分类器

abstract class KxClassfier

KxAdaBoost extends KxClassfier

KxRealBoost extends KxClassfier

KxCascadeAdaBoost extends KxClassfier

KxBayes exnteds KxClassfier

KxDecisionTree extends KxClassfier

6、显示策略

abstract class KxDispTargetResult

//显示图像效果：在目标区域上画矩形框
class KxDispTargetRectLine:public KxDispTargetResult

//显示图像效果：改变目标区域颜色
class KxDispTargetColor:public KxDispTargetResult

//显示图像效果：修改背景区域颜色，目标区域颜色不变
class KxDispBgColor:public IDispTargetResul