7、图像修改测试与全覆盖测试套件生成方法解析

图像修改测试与全覆盖测试套件生成方法解析

1. 图像修改测试研究

在计算机视觉应用测试中，图像修改方式的选择对测试结果有着重要影响。此次研究聚焦于基于程序的图像修改和手动修改之间的差异，旨在明确测试中使用的模拟是否足够准确以揭示故障或得出其他结论，尤其关注依赖自动化图像修改框架的计算机视觉应用测试，以肋条检查工具为例进行了相关实验。

实验对比了手动旋转肋条和使用图像旋转计算得到的结果，发现有几个影响结果的参数。一方面，手动旋转的精度无法始终保证，这明显会影响分析结果；另一方面，自动旋转会产生一些影响，比如出现空白区域。不过，考虑到这些潜在问题后，计算结果并没有实质性差异。而且，初步实验表明，使用图像修改运算符可以揭示故障与其影响之间的潜在关系，例如图像修改已显示出图像旋转对肋条检查工具结果的影响，但存在高估的情况。总体而言，使用图像修改进行计算机视觉测试能提供良好的结果，足以满足实际应用需求。

2. 全覆盖测试套件生成方法——Seeding Contradiction

在软件测试领域，回归测试套件对于管理程序演变至关重要，它需要达到 100% 或接近 100% 的覆盖率才具有实用价值。然而，手动设计测试套件非常繁琐，现有的自动化方法往往效率低下。“Seeding Contradiction” 方法应运而生，它通过在程序的每个基本块中插入错误指令，使基于 SMT 的 Hoare 风格证明器为程序的每个分支生成反例，并从所有这些反例的集合中生成测试套件。该方法具有静态、快速且覆盖率高的优点。

2.1 方法概述

在现代软件工程中，测试与代码在软件生产中具有同等重要的地位。一个部署的程序应配备具有高分支覆盖率的回归测试套