GEF原理及实现系列(五、请求和编辑策略)

本文介绍了GEF框架中的请求和编辑策略机制,探讨了如何通过设置不同的编辑策略处理各种请求,以降低代码耦合度并提高灵活性。此外,还详细讲解了编辑策略的具体实现方式。
请求和编辑策略是GEF框架中减轻控制器的负担、减小代码耦合度而实现的一种解决方案。
1.请求和编辑策略(Request and EditPolicies) 
    请求和编辑策略对初学者来说是比较难理解的部分,但正是因为这种机制才使得GEF框架功能强大,而且非常灵活。
    在EditPart中,可以通过设置不同的编辑策略(EditPolicies)来处理不同的请求,这样,一方面,可以把代码从EditPart中解放处 理,分别由不同的EditPolicies进行处理,另一方面,用户可以着力于自己的关注点,但由此也增加了学习GEF框架的时间。
    另外,在EditPart中设置编辑策略时,要指定相应的角色(Role),角色只是一个标识,在同一个EditPart中不能存在两个相同角色的编辑策略,读者可以在GEF的联机文档( http://help.eclipse.org/help32/index.jsp?topic=/org.eclipse.gef.doc.isv/guide/guide.html )中找到详细的编辑策略、请求和角色说明。
2.编辑策略的实现
    控制器中通过createEditPolicies()方法添加编辑策略,每种编辑策略负责处理相应的请求。通常请求一般会对模型进行操作,在EditPolicies中,可以通过命令的方式操作模型,命令将在后面介绍。EditPolicies代码如下:
java 代码
 
package com.example.policies;      import org.eclipse.draw2d.geometry.Rectangle;   import org.eclipse.gef.EditPart;   import org.eclipse.gef.Request;   import org.eclipse.gef.commands.Command;   import org.eclipse.gef.editpolicies.XYLayoutEditPolicy;   import org.eclipse.gef.requests.CreateRequest;      import com.example.commands.CreateNodeCommand;   import com.example.commands.MoveNodeCommand;   import com.example.model.Diagram;   import com.example.model.Node;   import com.example.parts.NodePart;      public class DiagramLayoutEditPolicy extends XYLayoutEditPolicy {          protected Command createAddCommand(EditPart child, Object constraint) {           return null;       }       //创建模型位置改变的命令       protected Command createChangeConstraintCommand(EditPart child, Object constraint) {           //如果位置改变的不是Node则返回           if (!(child instanceof NodePart))               return null;           if (!(constraint instanceof Rectangle))               return null;              MoveNodeCommand cmd = new MoveNodeCommand();           cmd.setNode((Node) child.getModel());           //设置模型新的位置信息           cmd.setLocation(((Rectangle) constraint).getLocation());           return cmd;          }       //获得创建模型的命令       protected Command getCreateCommand(CreateRequest request) {           //判断请求创建的是否为Node           if (request.getNewObject() instanceof Node) {               //新建CreateNodeCommand               CreateNodeCommand cmd = new CreateNodeCommand();               //设置父模型               cmd.setDiagram((Diagram) getHost().getModel());               //设置当前模型               cmd.setNode((Node) request.getNewObject());               Rectangle constraint = (Rectangle) getConstraintFor(request);               //设置模型的位置信息               cmd.setLocation(constraint.getLocation());               //返回Command对象               return cmd;           }           return null;       }          protected Command getDeleteDependantCommand(Request request) {           return null;       }   }  

    通过实现此编辑策略,GEF编辑器将能够处理XYLayoutEditPolicy所能响应的相关请求,并交由相应的Command进行处理。
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值