本文基于ImagePy作者给群友回答问题的讨论中整理而来，阅读需要发散思维，如有不解，可以查看代码链接。
正文：
ImagePy的canvas解耦对程序员是好事，然后imagepy可以再与后面的深度学习结合，这对小白是好事，因为深度学习有很多的工作是前面对图像的处理，比如裁剪、旋转以及标注等。现在的深度学习库着眼于后面的训练，前面的图像操作是一般用的是第三方库，比如cv，两者是分离的。
其实imagepy有个问题是，开发者用容易喧宾夺主。基础功能太多了，自己加的插件都不太起眼。如果能解耦，又能快速集成，就会有开发者愿意选择.就是打开没那么多功能，就只有自己加的少数功能,就是把现有的插件都干掉，只保留框架。
我能深刻体会这句话，之前就想用imagepy做开发，但是工具太多了，给别人用也找不到,分成两个项目，一个空壳，一个插件系统。
不是重量问题，有一些开发者的目的是，树立品牌概念。做一个插件太不起眼，没动力。
如果基础组件能像plt和napari那样使用，然后又可以在空壳上快速搭建插件应用，就比较好了。
其实现在的imagepy只要把menus菜单里面的东西删光，也是一样的。那就变成了带标记和显示功能的ui。
1 sciwx初步完成
sciwx是类似matplotlib的一套绘图库，不同的是组件化更好，可以快速搭建上层应用。
其实就是把imagepy里面的canvas，3dmyvi，gridtable，markdown，还有直方图，曲线面板，鹰眼什么的做成了独立控件。各种组件，画布，表格，参数对话框生成，都放到sciwx里面了。
主要是imagepy里面的ui部分，独立出来了。
又加了一个matplotlib式的用法。现在imagepy里面的三维，二维面板，都可以类似matplotlib的简单语法独立调用了。还可以通过实现接口，set给工具栏实现交互。
除了napari的三维功能，其他的把imagepy的canvas独立出来，都可以实现。其实napari也是用了一个比较成熟的三维可视化工具包装的。
画图和普通的处理有点区别，其他的处理可以用很长时间做处理，最后刷新一次。但是画图是动一下鼠标就要更新一次，就要不停的从cpu送显存。所以napari那种用显卡可视化的，就有问题了。
除非开发局部纹理节点更新，这个水就深了。图像在opengl里面是纹理。画图如果高效一些，应该局部更新纹理数据。这个应该不是python层面可以解决的问题了。
Amira优化的似乎还不错，不过是商业软件了，没法比。路线不同，napari是gpu渲染，我现在的是cpu渲染。
不过优化得还不错了，最近支持了复数，对数展示。
复数，不是提前求模，log送过去的。画布实时做采样，求模，对数。依然有上百帧率。全屏状态下40帧。
其实z和c的支持都已经很成熟了，独立出来应该还是有用。就像plt那样，三五行，show出来，多图层多通道，可以设置假彩色。canvas里面都是很极端的代码，一切性能优先。
box只是控制显示区域逻辑，还不涉及太多性能。imutil里面，写法都是在我能力范围内，优化到极致了。复数的场景是用在什么地方？傅里叶变换吧，其他的我也没想到。
2 toolbar重构
这次重构的目的是
1. 组件可以当成wx的panel，放在其他UI项目中使用
2. 可以像plt，napari那样，简短的代码show出图像或表格
3. 测试插件或工具可以不需要拷贝到特定目录，可以用代码快捷加载测试
4. 可以从纯净版环境快速搭建特定的简单应用，比如标记工具
5. 现有插件全部以一个插件管理项目外部加载到纯净版
简单应用如果不想准备图标，可以用一个字母代替作为工具的logo。imagepy的定位可以是“一站式图像处理及智能识别库”。
cellpose这个例子很好，imagepy正好作为胶水框架，把整个流程串起来:前端提供缩放、裁剪、标注、显示，后端集成深度学习模型，提供训练和预测
现在只是一个训练的模型，然后cellpose自己也带一个简单的ui，上面有标记功能，很简陋。先把这个提交了，然后问一下作者标记之后怎么用。
cellpose的那个UI，如果在ImagePy里面做，很轻松的。插件做好了，最多再做一个widget，就可以做到很定制化的程度了。
不过他这个我记得半径那个参数挺重要的，有些比较难的例子还需要调一下
那个不是磁性套索，就是鼠标轨迹。不过感觉不是用来修复的。
他们这个工作有几个非常简单的点比较有意思，第一个是他们的训练数据不是一个类别的，是非常多，非常广块状物体，第二个是他们输入之前的缩放，针对不同块状物体，可以先缩放大小再输入，输出再缩放回来。
他们好像就是用的cellprofiler+cellpose标记的他们自己的数据。
for i in range(n):
mask = img==n
xxxx 找mask的轮廓
这么写，如果图很大，并且里面标记又多，就非常慢了。
mask = img==n 这一句要反复分配大内存。没有工程化的优化思维的。
毕竟重点在机器学习
不过那个写法真的不是电脑好能抢回来的。如果图像2048平方，里面1024个碎片。这个目测就几十秒了。
为了分析一个小块label，先复制整个图像，然后做成bool掩膜。
我估计他们可能不care这些，所以问了一下需不需要帮忙优化。用的话就套个近乎，不用就算了。
3 github图看不到问题
https://github.com/Image-Py/cellpose-plgs 我刚写的，七牛云，我这里看不到图，不知道什么原因。
github做图床，怎么拿到绝对链接呢
在issue里传图，传完后就有个markdown格式的链接
githubusercontent.com 可能被墙了
