Sistema de Filtros de Imagen Modular

Sistema en Python para aplicar una sucesión configurable de filtros sobre imágenes.

screencapt.mp4

Uso Rápido

# Instalar dependencias
pip install opencv-python numpy

# Crear los archivos de configuración desde los ejemplos
cp samples/pipeline.json pipeline.json
cp samples/checkpoint.json checkpoint.json
cp samples/params.json params.json

# Ejecutar el configurador GUI
python param_configurator.py [ruta_a_carpeta_imagenes]

# Si no se indica ruta, usa el directorio actual
python param_configurator.py

# Limpiar todo el cache al iniciar
python param_configurator.py --clear-cache

Estructura de Archivos

image_filter_system/
├── pipeline.json           # (A) Define qué filtros aplicar y sus conexiones
├── params.json             # (B) Parámetros guardados de los filtros
├── filter_library.py       # (C) Biblioteca de filtros disponibles
├── param_configurator.py   # (D) GUI para configurar parámetros
├── checkpoint.json         # Configuración del checkpoint de cache
└── carpeta_imagenes/
    └── .cache/             # Cache de filtros (generado automáticamente)
        └── {filtro}/
            └── {imagen}.png

Controles del Configurador GUI

Tecla	Acción
a / d	Imagen anterior / siguiente
ESPACIO	Avanzar al siguiente filtro (visualización)
BACKSPACE	Retroceder al filtro anterior (visualización)
↑ / ↓	Navegar entre parámetros
← / →	Decrementar / incrementar valor del parámetro
PgUp / PgDown	Cambiar filtro a editar (sin cambiar vista)
c	Marcar/desmarcar filtro actual como checkpoint
s	Guardar parámetros en params.json
r	Recargar parámetros desde params.json
h	Mostrar ayuda del filtro actual
q / ESC	Salir

Sistema de Cache (Checkpoints)

El sistema permite marcar un filtro como "checkpoint" para acelerar el procesamiento.

Funcionamiento

1. Marcar checkpoint: Presiona c en el filtro deseado (ej: filtro 2)
2. Generación de cache: Al navegar imágenes, se guarda automáticamente el resultado del checkpoint en .cache/{filtro}/{imagen}.png
3. Uso del cache: Si estás visualizando un filtro posterior al checkpoint (ej: filtro 5), los filtros 0, 1, 2 no se ejecutan - se carga directamente desde cache

Solo un checkpoint activo

Solo puede haber un checkpoint a la vez. Si marcas otro filtro como checkpoint, el anterior se elimina junto con su cache.

Modificación de parámetros pre-checkpoint

Si modificas parámetros de un filtro anterior o igual al checkpoint:

• El cache se ignora temporalmente (verás los cambios en tiempo real)
• El cache no se borra hasta que guardes con s
• Al guardar, se muestra una advertencia y se borra el cache

Ejemplo de uso

Pipeline: [0:Resize] → [1:Grayscale] → [2:Blur] → [3:Canny] → [4:Hough] → [5:Overlay]
                                         ↑
                                    CHECKPOINT

- Visualizando filtro 5, navegando imágenes con 'a'/'d':
  → Filtros 0,1,2 NO se ejecutan (se usa cache del filtro 2)
  → Solo se ejecutan filtros 3,4,5

- Retrocediendo a filtro 1 con BACKSPACE:
  → Se ejecutan filtros 0,1 (el cache no aplica)

- Modificando parámetros del filtro 1:
  → ignore_cache = True
  → Se ejecuta todo el pipeline
  → Al guardar con 's': advertencia + borrado de cache

Archivos de Configuración

(A) pipeline.json - Configuración del Pipeline

Define la cadena de filtros a aplicar. Cada filtro tiene:

• filter_name: Nombre del filtro (debe existir en la biblioteca)
• inputs: Diccionario que mapea las entradas requeridas a salidas de filtros anteriores

Formato de referencias: "numero_filtro.nombre_output"

{
    "filters": {
        "0": {
            "filter_name": "Resize",
            "inputs": {}
        },
        "1": {
            "filter_name": "Grayscale",
            "inputs": {
                "input_image": "0.resized_image"
            }
        },
        "2": {
            "filter_name": "CannyEdge",
            "inputs": {
                "input_image": "1.grayscale_image"
            }
        }
    }
}

(B) params.json - Parámetros Guardados

Se genera/actualiza automáticamente al presionar 's'. Si no existe, los filtros usan sus valores por defecto.

checkpoint.json - Configuración del Checkpoint

{
    "checkpoint_filter": "2",
    "last_modified": "2024-01-15T10:30:00"
}

Agregar Nuevos Filtros

Para agregar un filtro a la biblioteca (filter_library.py):

class MiNuevoFiltro(BaseFilter):
    FILTER_NAME = "MiNuevoFiltro"
    DESCRIPTION = "Descripción del filtro"
    INPUTS = {
        "input_image": "image"  # Entradas requeridas
    }
    OUTPUTS = {
        "mi_output": "image",
        "sample_image": "image"  # OBLIGATORIO para visualización
    }
    PARAMS = {
        "mi_param": {
            "default": 50,
            "min": 0,
            "max": 100,
            "step": 5,
            "description": "Descripción del parámetro"
        }
    }
    
    def process(self, inputs, original_image):
        img = inputs.get("input_image", original_image)
        # ... procesamiento ...
        return {
            "mi_output": resultado,
            "sample_image": imagen_para_visualizar
        }

El filtro se registra automáticamente al definir la clase.

Filtros Disponibles

Filtro	Descripción	Inputs	Outputs
Resize	Redimensiona la imagen	-	resized_image
BrightnessContrast	Ajusta brillo y contraste	input_image	adjusted_image
Grayscale	Convierte a escala de grises	input_image	grayscale_image
GaussianBlur	Aplica desenfoque gaussiano	input_image	blurred_image
CannyEdge	Detecta bordes con Canny	input_image	edge_image
Threshold	Umbralización binaria/adaptativa	input_image	threshold_image
Histogram	Calcula y visualiza histograma	input_image	histogram_data
HoughLines	Detecta líneas con Hough	edge_image	lines_data
Morphology	Operaciones morfológicas	input_image	morphed_image
Contours	Detecta contornos	input_image	contours_data, contour_image
ColorSpace	Convierte espacios de color	input_image	converted_image
OverlayLines	Visualiza líneas sobre imagen	base_image, lines_data	overlay_image

Conceptos Clave

sample_image

Todo filtro DEBE producir un output llamado sample_image. Es lo que se muestra en el visualizador.

Filtros de Visualización

Algunos filtros no procesan realmente la imagen, solo combinan datos para visualización (ej: OverlayLines).

Flujo de Datos

Los filtros pueden tomar datos de cualquier filtro anterior, no solo del inmediato.

Requisitos

• Python 3.8+
• OpenCV (opencv-python)
• NumPy