우리는 게임이든, 다른 것이든 이런 객체의 상태에 대해서 많이 접하게 됩니다. 상태에 따라서 같은 기능도 다르게 작동해야 하는데 위 그림도 그것을 나타내고 있습니다. 만약 우리가 상태 패턴을 모른다면 두가지 방법밖에 없습니다. 상태가 정수로 표현된다면switch문으로 case를 상태로 하여 쭈욱 늘어 뜨릴 수 있고, 상태가 정수가 아닌 문자열이나 기타 다른 조건이라면 if, else if로 복잡하게 코딩할 수 밖에 없습니다.
캐릭터 클래스의 모든 매서드의 처리를 상태객체에게 위임합니다. 위임된 기능은 상태 객체의 현재 타입에 따라 다르게 처리됩니다. 현재 타입이란 서브클래스 타입을 말하는 것이죠.이 자체가 상태가 됩니다. 위임된 처리를 수행하는 방법은 캐릭터 클래스내에서 상태 객채를 접근 가능하게 한뒤, 상태 객체는 캐릭터 객체를 매개변수로 받아서 처리를 구현합니다. 이것은 마치 캐릭터 객체를 대신 해서 동작하는 느낌입니다. 상태를 바꿀때도 이런 방법을 사용합니다. 단, 상태 객체는 내부 데이터 변수가 없기 때문에 싱글톤으로 만들어 여러 캐릭터 객체가 이 상태객체의 기능을 공유할 수 있습니다.*플라이급 패턴
객체의 연산에는 알고리즘의 뼈대만을 정의하고 각 단계에서 수행할 구체적 처리는 서브클래스 쪽으로 미룹니다. 알고리즘의 구조 자체는 그대로 놔둔 채 알고리즘 각 단계처리를 서브클래스에서 재정의할 수 있게 합니다.
-GOF의 디자인패턴 중-
예를 들어 기존 커피와 차를 만드는 코드가 있는데 코코아를 만드는 코드를 만들게 되었습니다.이럴 경우 만드는 순서, 물을 끓이고 컵에 담는 동일 공정이 해야 할 것입니다.
하지만 템플릿 메서드를 사용 할 경우 동일 공정을 부모 클래스에 정의함으로써 코드의 중복과 하드 코딩을 방지 할 수 있습니다. 클래스는 부모클래스인 비버리지와 서브클래스인 커피와 티로 구성되며, 템플릿 메서드로는 음료제작에 대한 알고리즘의 골격을 정의하는 프리퍼레시피가 있습니다. 우선 부모클래스인 비버리지가 서브클래스인 커피와 티에 공통적인 행위에 대하여 정의하면, 자식클래스인 커피와 티는 서로 공통되지 않는 부분에 대하여 정의하고 있습니다. 또한 프로퍼레시피의 코디먼트는 첨가물여부에 대한 훅메소드로 구성되어 있습니다.
여기서 훅메소드는 부모 클래스에 선언되는 메소드이기는 하지만 기본적인 내용만 구현되어 있거나 아무 코드도 들어있지 않은 메소드 입니다. 이를 서브 클래스에서 선택적으로 오버라이드 하여 사용하며, 오버라이드 하지 않으면 부모클래스에서 기본으로 제공한 코드가 실행됩니다.
이러한 템플릿 메서드는 코드의 재사용성을 높일수 있다는점과 일부행동만 지정하는 프레임웍을 만다는데 유용하지만, 서브클래스가 꼭 구현해야할 매서드의 개수가 많아질수록 설계가 복잡해지고, 상속에 의존적이기 때문에 유연성이 떨어지는 단점이 있습니다.
관련패턴으로는 전략패턴이 있는데, 템플릿메서드는 동일알고리즘의 일부분이 다양한 형태를 띄도록 하기 위해 서브클래스에서 처리하고,
전략패턴은 바꿔쓸수 있는 행동을 캡슐화하고, 어떤행동을 사용할지는 서브클래스에게 위임한다는 차이점이 있습니다.
#include <iostream>
using std::cout;
using std::cin;
using std::endl;
class Beverage
{
public:
// 템플릿(틀) 메소드.
// 알고리즘의 각 단계가 파생 클래스에서 수정되는 것을 방지하기 위해 비가상으로 선언.
// 비가상인터페이스 : private 가상 함수를 감싸는 publice 비가상 함수(비가상 인터페이스)를 만들어
// 인터페이스를 단일화하는 것을 의미
// 템플릿 메소드 패턴으로 구현
void PrepareRecipe()
{
BoilWater();
Brew();
PourInCup();
if ( Condiments() ) // 후킹!
{
AddCondiments();
}
}
private:
// 모든 가상 메소드를 정의 해야만 한다.
//가상메소드 정의 (Brew & AddCondiments)
virtual void Brew()=0;
virtual void AddCondiments()=0;
// 후크연산 기본적으로 부모연산은 아무행동도 정의하지 않는다.
// 기본 클래스에 있는 템플릿 메소드의 알고리즘 단계에 파생 클래스가 여러가지 방식으로 개입할 수 있게 된다.
전략패턴의 핵심은 객체의 내부에서 나타날 수 있는 행동을 따로 분리하여 여러개로 확장하여 일일이 서브클래스마다 행동에 대한 하드코딩을 피한다는 것입니다.
하드코딩을 하지않는 대신, 생성자를 통해 매뉴얼(전략)을 선택하여 집어넣으면
끝입니다.
위 상황은 단순한 상황입니다. 이전 설계 할 때 모든 유닛 오브젝트는Att을 할꺼로 예상하고 베이스 오브젝트에 그 가상함수를 넣어놨습니다.
그리고 3개의 하위 클래스를 설계합니다. Marin,Medic,Tank 근데 문제가하나 있습니다. Medic은 예상을 벗어나 Att에 대한 행동을 정의할 수 없게 되었습니다. 해병은 총을 쏘고, 탱크는 캐논샷을 쏘지만 메딕은 공격을 하지 못합니다. 그래서 설계한 방법으로 베이스 클래스의 Att함수를 오버라이딩해서 {} 이렇게 빈칸으로 두기로 했습니다. 하지만 이런식으로 베이스 클래스의 가상함수가 늘어날수록 동작을 하지 않아야 되는 함수들을 일일이 오버라이딩으로 처리하여 코딩하는 것은 상당히 귀찮은 일입니다. 문법때문에 어쩔수 없다는 생각을 가져도 만약 1000개의 오브젝트에서 그런 하드코딩을 하라면….. 더불어 코딩이 실제로 들어가므로 유지보수때도 신경쓸 수 밖에 없습니다. 예를들어 베이스클래스의 기능이 10가지 인데 메딕은 그중에 3가지 밖에 쓰지 않는다고 가정해 봅시다. 그럼 나머지 7개를 빈칸으로 오버라이딩 할 수 밖에 없는 것이죠
이때 전략패턴을 사용하면 이런 수고를 덜 수 있을 뿐더러 다른 행동까지도 동적으로 정의할 수 있는 유연성이 생깁니다.
위 그림에서 같이 전략패턴에서 전략을 나타내는 객체를 매뉴얼이라고 표현했습니다. 제가 생각하기에는 매뉴얼이 전략패턴의 컨셉과 잘 맞는것 같습니다. 전략 패턴의 핵심은 객체의 내부에서나타날 수 있는 행동을 따로 분리하여 여러 개로 확장하여 일일이 서브클래스마다 행동에 대한 하드코딩을 피한다는 것입니다. 하드코딩을 하지 않는 대신, 생성자를 통해 매뉴얼(전략)을 선택하여 집어넣으면 끝입니다. 위에서 Att함수는 그 내부에서 매뉴얼을 참조해서 행동하므로 다른 Att행동을 취할 수 있습니다. 만약 생성자에 매뉴얼을 넣지 않을때 Att함수는 아무일도 하지않게 설계하면 메딕을 생성하는데 문제가 없습니다.
하나는 매개변수를 직접 마련하여 전달하는 형식이고 다른 하나는 객체 자신을 매개변수로 넘겨 접근권한을 주고 처리하게 하는 형식입니다. 전자는 매개변수 인터페이스에 맞춰서 전략객체의 기능을 사용하기때문에 매개변수를 위한 준비가 필요합니다. 그 인터페이스가 많은 서브클래스들을 고려하여 너무 복잡하다면 어떤 서브 객체에게는 쓰이지 않게 되는 매개변수가 생길 수도 있습니다.
후자는 매개변수에 객체 자신의 참조자를 넘겨 처리하는 방법입니다. 이는 상태패턴과 동일한 방법이라고 하는데요 본객체와 전략객체간의 겹합도가 높아지게 되는 방법이기도 한데 강결합으로해야 효율이 나올 수 밖에 없는 경우외에는 별로임
핸드 트래킹을 통해 손의 제스쳐를 이용해 컴퓨터를 제어할 수 있는 프로그램제작을 위한 예광탄을 만들었다.
RGB 컬러모델을 HSV로 변환하여 피부영역을 구하고, 해당 피부영역의 최대 면적의 영역을 남긴다. 해당 영역의 윤곽을 구하고 영역 중의 가장 긴 부분을 손가락으로 판정하였으며, 판정 결과 오차와 정확한 손가락 검출이 불가능하여 손의 무게중심을 이용하는 방법으로 테스트 해봐야 할 것 같다.
플러드필은 영상에서 특정 영역을 고립시키거나 구분할 때 사용되는 기능이며, 영상 처리 및 영상 분석 등의 전처리 과정으로 널리 사용된다. 플러드필은 입력 영상으로부터 마스크를 만드는 용도로 사용될 수 있는데, 이러한 마스크는 추후 제한된 영역에서만 연산을 수행하도록 하여 전체 연산 속도를 향살시키는 용도로 사용될 수 있다.마스트는 Cv.FloodFill() 함수의인자로도사용될수있으며, 이경우채우기가완료된곳을제어하는용도로사용된다.
첫 번째 인자 image는 입력 영상이며, 8비트 또는 실수형이고, 1또는 3채널 영상이다. 플러드필은 씨앗점에서 시작하고, 추후 선택된 영역은 newVal값으로 색칠한다. 특정 픽셀값이 이미 색칠되어 있는 이웃 픽셀의 밝기값에서 lo_diff를 뺀 값보다 같거나 크고, up_Diff를 더한 값보다는 같거나 작을 경우, 이 픽셀을 newVal 값으로 색칠한다. 만약flags 인자에 CV_FLOODFILL_FIXED_RANGE 값이 포함되어 있따면, 인접한 이웃 픽셀과 값을 비교하지 않고 씨앗점의 픽셀값과 비교한다. comp인자가 null이 아니면, 채워진 영역에 대한 통계 정보를 담고 있는 CvConnectedComp 구조체를 가리킨다.
씨앗점으로 (흰색)지정
mask 인자는 cvFloodFill() 함수의 입력으로도 작용하고, 출력으로도 사용된다. 입력으로 사용될 경우에는 채우기가 적용될 영역을 제한하는 역할을 담당하고, 출력으로 사용될 경우에는 실제 채워진 영역을 가리키는 용도로 사용된다. Mask가 null이 아니라면, 입력 영상보다 가로, 세로 방향으로 2픽셀 더 큰, 8비트 1채널 영상이어야 한다. 입력영상보다 큰 영상으로 mask를 설정하는 이유는 내부 작업을 쉽고 빠르게 수행하기 위함이다. Mask 영상에서(x+1,y+1)위치의 픽셀은 입력 영상의 (x,y)좌표의 픽셀과 대응된다. Flags의 하위 8비트는 4또는 8값을 가질 수 있다. 이 값은 채우기 알고리즘에서 연결성을 제어하는 용도로 사용된다. 이 값이 8이면, 양쪽 대각선 방향으로 인접한 픽셀들도 이웃 픽셀로 간주도니다. 상위 8비트(16~23)는 CV_FLOODFILL_FIXED_RANGE 또는 CV_FLOODFILL_MASK_ONLY 값을 가질 수 있다. CV_FLOODFILL_FIXED_RANGE가 설정되면, 채우기 알고리즘에서 이웃 픽셀의 값과 비교하는 대신 씨앗점 픽셀값과 비교한다. CV_FLOODFILL_MASK_ ONLY가 설정되면 원본 영상에 채우기 결과를 설정하는 대신mask 영상에만 결과를 표현한다. CV_FLOODFILL_MASK_ONLY를 설정하는 경우 반드시 mask 인자값을 설정해 주어야 한다.
열기와 닫기 연산은 침식과 팽창 연산을 조합하여 사용함으로써 이루어진다. 열기 연산의 경우, 침식 연산을 수행한 후 팽창 연산을 수행한다. 열기 연산은 종종 이진 영상에서 독립된 영역들의 개수를 세기 위해서 사용된다. 예를 들어, 현미경으로 관찰한 세포 영상을 임계값을 이용하여 이진화한 후, 열기 연산을 수행하여 가까이 붙어 있는 세포들을 서로 떨어뜨리려 놓고 나서 세포의 수를 세곤 한다. 닫기 연산은 팽창을 먼저 하고 침식 연산을 수행한다. 닫기 연산은 연결된 구성 요소 알고리즘 등에서 잡음에 의한 원치 않은 분할을 최소한으로 줄이고자 사용한다. 연결된 구성 요소 레이블링을 수행하기 위해 보통 침식 또는 닫기 연산을 수행하여 잡음을 먼저 제거하고, 열기 연산을 수행하여 다시 가까이 인접한 큰 영역들을 합쳐준다. 열기 또는 닫기 연산의 결과는 침식 또는 팽창 연산의 결과와 유사하지만, 열기 및 닫기 연산이 연결된 영역을 보다 정확하게 보존해준다.
IplImage tempimage = src.Clone();
IplConvKernel element = Cv.CreateStructuringElementEx(3,3, 2, 2, ElementShape.Rect, null);
모폴로지 열기 연산의 결과, 작은 크기의 밝은 영역은 사라지고, 남아 있는 밝은 역역의 크기는 유지된채 고립되어 있다.
모폴로지 닫기 연산의 결과, 밝은 영역들이 서로 합쳐졌지만 기본 크기는 유지하고 있다.
Iterations에 2를 전달하여 닫기 연산을 두 번 수행하는 것은 팽창-침식-팽창-침식 연산을 수행하는 것 같은 효과를 나타낸다. 그러나 이러한 연산은 그다지 유용하지 않다. 보통의 경우, 팽창-팽창-침식-침식 같은 연산을 원할 것이다. 팽창-팽창-침식-침식과 같은 방식으로 모폴로지 연산을 수행해야 팽창-침식을 한 번 수행하는 것보다 더 큰 잡을을 제거하는 효과가 있다.
모폴로지 그래디언트
이 연산을 이진 영상에 적용하면 영역의 외곽선만 남기는 효과가 있다.
Gradient(src) = dilate(src) - erdoe(src)
모폴로지 그래디언트 연산의 결과. 주변부 엣지가 밝게 표현된다.
그래이스케일 영상에 대한 모폴로지 그래디언트 연산 결과는 영상에서 밝기값 변화량의 정도를 알려준다. 모폴로지 그래디언트는 밝은 영역 주위를 고립시켜서 이를 하나의 객체로써 다룰 수 있도록 해준다. 영역의 완전한 외곽선은 확정된 영역으로부터 수축된 영역을 빼는 차연산을 통해 쉽게 구할 수 있다. 이는 객체의 그래디언트를 계산 하는 것과는 다르다.(그래디언트 관한 소벨, 샤르 연산)
탑-햇 연산과 블랙-햇 연산
이들 연산은 주변보다 밝거나 어두운 영역을 고립시키는 효과가 있기 때문에 특정 객체 내부에서 밝기 변화가 두드러진 부분을 찾아내기 위해 사용된다. 예를 들어, 생체조직 또는 세포를 촬영한 현미경 영상을 다룰 때 사용되기도 한다.
TopHat(src) = src - open(src)
BlackHat(src) = close(src) - src
탑-햇 연산은 입력 영상에서 열기 연산이 수행된 영상을 빼는 연산이다. 열기 연산은 영상에서 밝기값이 크게 튀는 작은 덩어리를 제거하는 효과가 있다. 그러므로 src에서open(src)를 빼게 되면 결과적으로 원본 src영상에서 주변보다 밝았던 부분만 남아서 강조되어 보인다. 이러한 효과는 커널의 크기에 의존적이다. 이와 반대로 블랙-햇 연산은 원본 영상에서 주변보다 어두운 영역만 강조한다.
OpenCV에서는 IplConvKernel 구조체를 사용하여 자체적인 모폴로지 커널을 사용할 수 있다. 이 커널은 Cv.CreateStructuringElementEx()함수를 통해서 생성하고,ReleaseStructuringElement() 함수를이용하여해제한다.
publicstaticIplConvKernel CreateStructuringElementEx(int cols, int rows, int anchor_x, int anchor_y, ElementShape shape, int[,] values);
모폴로지 커널은 컨볼루션 커널과 달리 수치값을 필요로 하지 않는다. 모폴로지 커널의 모양은 커널이 영상을 스캔하는 동안 최대값 또는 최소값 계산에 필요한 픽셀 위치를 알려주는 역할만 할 뿐이다. 고정점은 커널이 원본 영상에 어떻게 정렬되어야 하는지 알려주는 역할을 하고, 또한 모폴로지 연산의 결과값이 원본 영상의 어느 픽셀에 대입되어야 하는지 알려준다. 커널을 새로 생성하려면 구성요소를 감싸는 사각형을 표현하는 cols와 rows를 지정해주어야 한다. 그 다음으로 고정점의 좌표 (x,y)를 나타내는 anchor_x와anchor_y를 지정한다. CV_SHAPE_CUSTOM 값이 사용되면 정수형 배열 values에 의해 지정된 형태의 커널이 생성된다. 이 배열은 rows x cols 크기의 1차원 배열이며 0이 아닌 값으로 지정된 위치의 원소는 커널에서 사용되는 픽셀이다. Values가 null이면 모든 원소값이 0이 아닌 것으로 간주되어 사각형 형태의 커널이 생성된다.
