通讯编程

开发平台：
Visual C++

gb_lisa.w：源码内容
							% This file is part of the Stanford GraphBase (c) Stanford University 1993
@i boilerplate.w %<< legal stuff: PLEASE READ IT BEFORE MAKING ANY CHANGES!
@i gb_types.w
deftitle{GB_,LISA}
prerequisites{GB_,GRAPH}{GB_,IO}
@* Introduction. This GraphBase module contains the |lisa| subroutine,
which creates rectangular matrices of data based on Leonardo da Vinci's
@^Vinci, Leonardo da@>
{sl Gioconda/} (aka Mona Lisa). It also contains the |plane_lisa|
subroutine, which constructs undirected planar graphs based on |lisa|,
and the |bi_lisa| subroutine, which constructs undirected bipartite graphs.
Another example of the use of |lisa| can be
found in the demo program {sc ASSIGN_LISA}.
@d plane_lisa p_lisa /* abbreviation for Procrustean external linkage */
@(gb_lisa.h@>=
#define plane_lisa p_lisa
extern long* lisa();
extern Graph *plane_lisa();
extern Graph *bi_lisa();
@ The subroutine call |lisa(m,n,d,m0,m1,n0,n1,d0,d1,area)|
constructs an $mtimes n$ matrix of integers in the range
$[0,.,.,dmskip1mu]$,
based on the information in .{lisa.dat}. Storage space for the matrix is
allocated in the memory area called |area|, using the normal GraphBase
conventions explained in {sc GB_,GRAPH}.
The entries of the matrix can be regarded as pixel data, with
0~representing black and $d$~representing white, and with intermediate
values representing shades of gray.
The data in .{lisa.dat} has 360 rows and 250 columns. The rows are numbered
0 to 359 from top to bottom, and the columns are numbered 0 to 249 from left
to right. The output of |lisa| is generated from a rectangular section
of the picture consisting of |m1-m0| rows and |n1-n0| columns; more
precisely, |lisa| uses the data in positions $(k,l)$ for
|m0<=k<m1| and |n0<=l<n1|.
One way to understand the process of mapping |M=m1-m0| rows and |N=n1-n0|
columns of input into |m|~rows and |n|~columns of output is to imagine
a giant matrix of $mM$ rows and $nN$ columns in which the original input
data has been replicated as an $Mtimes N$ array of submatrices of
size $mtimes n$; each of the submatrices contains $mn$ identical pixel
values. We can also regard the giant matrix as an $mtimes n$ array of
submatrices of size $Mtimes N$. The pixel values to be output are obtained
by averaging the $M_{}N$ pixel values in the submatrices of this second
interpretation.
More precisely, the output pixel value in a given row and column is obtained
in two steps. First we sum the $M_{}N$ entries in the corresponding submatrix
of the giant matrix, obtaining a value $D$ between 0 and~$255M_{}N$. Then we
scale the value~$D$ linearly into the desired final range
$[0,.,.,dmskip1mu]$ by
setting the result to~0 if |D<d0|, to~$d$ if |D>=d1|, and to
$lfloor d(D-|d0|)/(|d1|-|d0|)rfloor$ if |d0<=D<d1|.
@d MAX_M 360 /* the total number of rows of input data */
@d MAX_N 250 /* the total number of columns of input data */
@d MAX_D 255 /* maximum pixel value in the input data */
@ Default parameter values are automatically substituted when |m|, |n|, |d|,
|m1|, |n1|, and/or |d1| are given as~0: If |m1=0| or |m1>360|,
|m1|~is changed to 360; if |n1=0| or |n1>250|, |n1|~is
changed to~250. Then if |m| is zero, it is changed
to~|m1-m0|; if |n| is zero, it is changed to~|n1-n0|.
If |d| is zero, it is changed to~255.
If |d1| is zero, it is changed to |255(m1-m0)(n1-n0)|.
After these substitutions have been made, the parameters must satisfy
$$hbox{|m0<m1|, qquad|n0<n1|, qquad and qquad |d0<d1|.}$$
Examples: The call |@t\{lisa_pix}@>=lisa(0,0,0,0,0,0,0,0,0,area)|
is equivalent to the call
|@t\{lisa_pix}@>=lisa(360,250,255,0,360,0,250,0,255*360*250,area)|;
this special case delivers the original .{lisa.dat} data as a
$360times250$ array of integers in the range $[0,.,.,255]$. You
can access the pixel in row~$k$ and column~$l$ by writing
$$hbox{|*(@[@t\{lisa_pix}@>@]+n*k+l)|},,$$ where |n| in this case is
250. A square array extracted from the top part of the picture,
leaving out Mona's hands at the bottom, can be obtained by calling
|lisa(250,250,255,0,250,0,250,0,0,area)|.
The call |lisa(36,25,25500,0,0,0,0,0,0,area)| gives a $36times25$ array
of pixel values in the range $[0,.,.,25500]$, obtained by summing
$10times10$ subsquares of the original data.
The call |lisa(100,100,100,0,0,0,0,0,0,area)| gives a $100times100$ array
of pixel values in the range $[0,.,.,100]$; in this case the original
data is effectively broken into subpixels and averaged appropriately.
Notice that each output pixel in this example comes from 3.6 input
rows and 2.5 input columns; therefore the image is being distorted
(compressed vertically). However, our GraphBase applications are generally
interested more in combinatorial test data, not in images per~se.
If |(m1-m0)/m=(n1-n0)/n|, the output of |lisa| will represent ``square
pixels.'' But if |(m1-m0)/m<(n1-n0)/n|, a halftone generated from the
output will be compressed in the horizontal dimension; if
|(m1-m0)/m>(n1-n0)/n|, it will be compressed in the vertical dimension.
If you want to reduce the original image to binary data, with the value~0
wherever the original pixels are less than some threshold value~|t|
and the value~1 whenever they are |t| or more, call
|lisa(m,n,1,m0,m1,n0,n1,@t}penalty0{@>0,t*(m1-m0)*(n1-n0),area)|.
The subroutine call |lisa(1000,1000,255,0,250,0,250,0,0,area)| produces a
million pixels from the upper part of the original image. This matrix
contains more entries than the original data in .{lisa.dat}, but of course
it is not any more accurate; it has simply been obtained by linear
interpolation---in fact, by replicating the original
data in $4times4$ subarrays.
Mona Lisa's famous smile appears in the $16times32$ subarray defined by
|m0=94|, |m1=110|, |n0=97|, |n1=129|. The |smile| macro makes this
easily accessible. (See also |eyes|.)
A string |lisa_id| is constructed, showing the actual parameter values
used by |lisa| after defaults have been supplied.
The |area| parameter is omitted from this string.
@<gb_lisa.h@>=
#define smile @tquad@> m0=94,m1=110,n0=97,n1=129 /* $16times32$ */
#define eyes @tquad@> m0=61,m1=80,n0=91,n1=140 /* $20times50$ */
extern char lisa_id[];
@ @<Global variables@>=
char lisa_id[]=
  "lisa(360,250,9999999999,359,360,249,250,9999999999,9999999999)";
@ If the |lisa| routine encounters a problem, it returns |NULL|
(.{NULL}), after putting a nonzero number into the external variable
|panic_code|. This code number identifies the type of failure.
Otherwise |lisa| returns a pointer to the newly created array. (The
external variable |panic_code| is defined in {sc GB_,GRAPH}.)
@d panic(c) @+{@+panic_code=c;@+gb_trouble_code=0;@+return NULL;@+}
@ The CEE/ file .{gb_lisa.c} begins as follows. (Other subroutines
come later.)
@p
#include "gb_io.h" /* we will use the {sc GB_,IO} routines for input */
#include "gb_graph.h" /* we will use the {sc GB_,GRAPH} data structures */
@h@#
@<Global variables@>@;
@<Private variables@>@;
@<Private subroutines@>@;
@#
long *lisa(m,n,d,m0,m1,n0,n1,d0,d1,area)
  unsigned long m,n; /* number of rows and columns desired */
  unsigned long d; /* maximum pixel value desired */
  unsigned long m0,m1; /* input will be from rows $[|m0|,.,.,|m1|)$ */
  unsigned long n0,n1; /* and from columns $[|n0|,.,.,|n1|)$ */
  unsigned long d0,d1; /* lower and upper threshold of raw pixel scores */
  Area area; /* where to allocate the matrix that will be output */
{@+@<Local variables for |lisa|@>@;@#
  @<Check the parameters and adjust them for defaults@>;
  @<Allocate the matrix@>;
  @<Read .{lisa.dat} and map it to the desired output form@>;
  return matx;
}
@ @<Local variables for |lisa|@>=
long *matx=NULL; /* the matrix constructed by |lisa| */
register long k,l; /* the current row and column of output */
register long i,j; /* all-purpose indices */
long cap_M,cap_N; /* |m1-m0| and |n1-n0|, dimensions of the input */
long cap_D; /* |d1-d0|, scale factor */
@ @<Check the param...@>=
if (m1==0 || m1>MAX_M) m1=MAX_M;
if (m1<=m0) panic(bad_specs+1); /* |m0| must be less than |m1| */
if (n1==0 || n1>MAX_N) n1=MAX_N;
if (n1<=n0) panic(bad_specs+2); /* |n0| must be less than |n1| */
cap_M=m1-m0;@+cap_N=n1-n0;
if (m==0) m=cap_M;
if (n==0) n=cap_N;
if (d==0) d=MAX_D;
if (d1==0) d1=MAX_D*cap_M*cap_N;
if (d1<=d0) panic(bad_specs+3); /* |d0| must be less than |d1| */
if (d1>=0x80000000) panic(bad_specs+4); /* |d1| must be less than $2^{31}$ */
cap_D=d1-d0;
sprintf(lisa_id,"lisa(%lu,%lu,%lu,%lu,%lu,%lu,%lu,%lu,%lu)",
   m,n,d,m0,m1,n0,n1,d0,d1);
@ @<Allocate the matrix@>=
matx=gb_typed_alloc(m*n,long,area);
if (gb_trouble_code) panic(no_room+1); /* no room for the output data */
@ @<Read .{lisa.dat} and map it to the desired output form@>=
@<Open the data file, skipping unwanted rows at the beginning@>;
@<Generate the $m$ rows of output@>;
@<Close the data file, skipping unwanted rows at the end@>;
@* Elementary image processing.
As mentioned in the introduction, we can visualize the input as a giant
$mMtimes nN$ matrix, into which an $Mtimes N$ image is placed by replication
of pixel values, and from which an $mtimes n$ image is derived by summation
of pixel values and subsequent scaling. Here |M=m1-m0| and |N=n1-n0|.
Let $(kappa,lambda)$ be a position in the giant matrix, where $0lekappa<mM$
and $0lelambda<nN$. The corresponding indices of the input image are
then $bigl(|m0|+lfloorkappa/mrfloor, |n0|+lfloorlambda/nrfloorbigr)$,
and the corresponding indices of the output image are
$bigl(lfloorkappa/Mrfloor,lfloorlambda/Nrfloorbigr)$. Our main job
is to compute the sum of all pixel values that lie in each given row~|k|
and column~|l| of the output image. Many elements are repeated in
the sum, so we want to use multiplication instead of simple addition whenever
possible.
For example, let's consider the inner loop first, the loop on $l$ and
$lambda$.  Suppose $n=3$, and suppose the input pixels in the current
row of interest are $langle a_0,ldots,a_{N-1}rangle$. Then if $N=3$,
we want to compute the output pixels $langle3a_0,3a_1,3a_2rangle$;
if $N=4$, we want to compute
$langle3a_0+a_1,2a_1+2a_2,a_2+3a_3rangle$; if $N=2$, we want to
compute $langle2a_0,a_0+a_1,2a_1rangle$. The logic for doing this
computation with the proper timing can be expressed conveniently in
terms of four local variables:
@<Local variables for |lisa|@>=
long *cur_pix; /* current position within |in_row| */
long lambda; /* right boundary in giant for the input pixel in |cur_pix| */
long lam; /* the first giant column not yet used in the current row */
long next_lam; /* right boundary in giant for the output pixel in column~|l| */
@ @<Process one row of pixel sums, multiplying them by~|f|@>=
lambda=n;@+cur_pix=in_row+n0;
for (l=lam=0; l<n; l++) {@+register long sum=0;
  next_lam=lam+cap_N;
  do@+{@+register long nl; /* giant column where something new might happen */
    if (lam>=lambda) cur_pix++,lambda+=n;
    if (lambda<next_lam) nl=lambda;
    else nl=next_lam;
    sum+=(nl-lam)*(*cur_pix);
    lam=nl;
  }@+while (lam<next_lam);
  *(out_row+l)+=f*sum;
}
@ The outer loop (on $k$ and $kappa$) is similar but slightly more
complicated, because it deals with a vector of sums instead of a single
sum and because it must invoke the input routine when we're done
with a row of input data.
%Generate them rows...
@<Generate the $m$ rows of output@>=
kappa=0;
out_row=matx;
for (k=kap=0; k<m;k++) {
  for (l=0;l<n;l++) *(out_row+l)=0; /* clear the vector of sums */
  next_kap=kap+cap_M;
  do@+{@+register long nk; /* giant row where something new might happen */
    if (kap>=kappa) {
      @<Read a row of input into |in_row|@>;
      kappa+=m;
    }
    if (kappa<next_kap) nk=kappa;
    else nk=next_kap;
    f=nk-kap;
    @<Process one...@>;
    kap=nk;
  }@+while (kap<next_kap);
  for (l=0; l<n; l++,out_row++) /* note that |out_row| will advance by~|n| */
    @<Scale the sum found in |*out_row|@>;
}
@ @<Local variables for |lisa|@>=
long kappa; /* bottom boundary in giant for the input pixels in |in_row| */
long kap; /* the first giant row not yet used */
long next_kap; /* bottom boundary in giant for the output pixel in row~|k| */
long f; /* factor by which current input sums should be replicated */
long *out_row; /* current position in |matx| */
@* Integer scaling.
Here's a general-purpose routine to compute $lfloor na/brfloor$ exactly
without risking integer overflow, given integers $nge0$ and $0<ale b$.
The idea is to solve the problem first for $n/2$, if $n$ is too large.
We are careful to precompute values so that integer overflow cannot
occur when $b$ is very large.
@d el_gordo 0x7fffffff /* $2^{31}-1$, the largest single-precision |long| */
@<Private sub...@>=
static long na_over_b(n,a,b)
  long n,a,b;
{@+long nmax=el_gordo/a; /* the largest $n$ such that $na$ doesn't overflow */
  register long r,k,q,br;
  long a_thresh, b_thresh;
  if (n<=nmax) return (n*a)/b;
  a_thresh=b-a;
  b_thresh=(b+1)>>1; /* $lceil b/2rceil$ */
  k=0;
  do@+{@+bit[k]=n&1; /* save the least significant bit of $n$ */
    n>>=1; /* and shift it out */
    k++;
  }@+while (n>nmax);
  r=n*a;@+ q=r/b;@+ r=r-q*b;
  @<Maintain quotient |q| and remainder |r| while increasing |n|
    back to its original value $2^kn+(|bit|[k-1]ldots |bit|[0])_2$@>;
  return q;
}
@ @<Private var...@>=
static long bit[30]; /* bits shifted out of |n| */
@ @<Maintain quotient...@>=
do@+{@+k--;@+ q<<=1;
  if (r<b_thresh) r<<=1;
  else q++,br=(b-r)<<1,r=b-br;
  if (bit[k]) {
    if (r<a_thresh) r+=a;
    else q++,r-=a_thresh;
  }
}@+while (k);
@ @<Scale the sum found in |*out_row|@>=
if (*out_row<=d0) *out_row=0;
else if (*out_row>=d1) *out_row=d;
else *out_row=na_over_b(d,*out_row-d0,cap_D);
@* Input data format.
The file .{lisa.dat} contains 360 rows of pixel data, and each row
appears on five consecutive lines of the file. The first four lines contain
the data for 60 pixels; each sequence of four pixels is represented by five
radix-85 digits, using the |icode| mapping of {sc GB_,IO}.
The fifth and final line of each row contains $4+4+2=10$ more pixels,
represented as $5+5+3$ radix-85 digits.
@<Open the data file, skipping unwanted rows at the beginning@>=
if (gb_open("lisa.dat")!=0)
  panic(early_data_fault); /* couldn't open the file; |io_errors| tells why */
for (i=0;i<m0;i++)
  for (j=0;j<5;j++) gb_newline(); /* ignore one row of data */
@ @<Close the data file, skipping unwanted rows at the end@>=
for (i=m1;i<MAX_M;i++)
  for (j=0;j<5;j++) gb_newline(); /* ignore one row of data */
if (gb_close()!=0)
  panic(late_data_fault);
   /* checksum or other failure in data file; see |io_errors| */
@ @<Read a row of input into |in_row|@>=
{@+register long dd;
  for (j=15,cur_pix=&in_row[0];;cur_pix+=4) {
    dd=gb_digit(85);@+dd=dd*85+gb_digit(85);@+dd=dd*85+gb_digit(85);
    if (cur_pix==&in_row[MAX_N-2]) break;
    dd=dd*85+gb_digit(85);@+dd=dd*85+gb_digit(85);
    *(cur_pix+3)=dd&0xff;@+dd=(dd>>8)&0xffffff;
    *(cur_pix+2)=dd&0xff;@+dd>>=8;
    *(cur_pix+1)=dd&0xff;@+*cur_pix=dd>>8;
    if (--j==0) gb_newline(),j=15;
  }
  *(cur_pix+1)=dd&0xff;@+*cur_pix=dd>>8;@+gb_newline();
}
@ @<Private var...@>=
static long in_row[MAX_N];
@* Planar graphs. We can obtain a large family of planar graphs based on
digitizations of Mona Lisa by using the following simple scheme: Each matrix
of pixels defines a set of connected regions containing pixels of the same
value. (Two pixels are considered adjacent if they share an edge.)
These connected regions are taken to be vertices of an undirected graph;
two vertices are adjacent if the corresponding regions have at least
one pixel edge in common.
We can also state the construction another way. If we take any planar
graph and collapse two adjacent vertices, we obtain another planar
graph. Suppose we start with the planar graph having $mn$ vertices
$[k,l]$ for $0le k<m$ and $0le l<n$, where $[k,l]$ is adjacent to
$[k,l-1]$ when $l>0$ and to $[k-1,l]$ when $k>0$. Then we can attach
pixel values to each vertex, after which we can repeatedly collapse
adjacent vertices whose pixel values are equal. The resulting planar
graph is the same as the graph of connected regions that was described
in the previous paragraph.
The subroutine call |plane_lisa(m,n,d,m0,m1,n0,n1,d0,d1)| constructs
the planar graph associated with the digitization produced by |lisa|.
The description of |lisa|, given earlier, explains the significance of
parameters |m|, |n|, |d|, |m0|, |m1|, |n0|, |n1|, |d0|, and |d1|. There will
be at most $mn$ vertices, and the graph will be simply an $mtimes n$
grid unless |d| is small enough to permit adjacent pixels to have
equal values. The graph will also become rather trivial if |d| is
too small.
Utility fields |first_pixel| and |last_pixel| give, for each vertex,
numbers of the form $k*n+l$, identifying the topmost/leftmost
and bottommost/rightmost positions $[k,l]$ in the region corresponding
to that vertex. Utility fields |matrix_rows| and |matrix_cols| in
the |Graph| record contain the values of |m| and~|n|; thus, in particular,
the value of |n| needed to decompose |first_pixel| and |last_pixel| into
individual coordinates can be found in |g->matrix_cols|.
The original pixel value of a vertex is placed into its |pixel_value|
utility field.
@d pixel_value x.I
@d first_pixel y.I
@d last_pixel z.I
@d matrix_rows uu.I
@d matrix_cols vv.I
@p Graph *plane_lisa(m,n,d,m0,m1,n0,n1,d0,d1)
  unsigned long m,n; /* number of rows and columns desired */
  unsigned long d; /* maximum value desired */
  unsigned long m0,m1; /* input will be from rows $[|m0|,.,.,|m1|)$ */
  unsigned long n0,n1; /* and from columns $[|n0|,.,.,|n1|)$ */
  unsigned long d0,d1; /* lower and upper threshold of raw pixel scores */
{@+@<Local variables for |plane_lisa|@>@;@#
  init_area(working_storage);
  @<Figure out the number of connected regions, |regs|@>;
  @<Set up a graph with |regs| vertices@>;
  @<Put the appropriate edges into the graph@>;
trouble: gb_free(working_storage);
  if (gb_trouble_code) {
    gb_recycle(new_graph);
    panic(alloc_fault); /* oops, we ran out of memory somewhere back there */
  }
  return new_graph;
}
@ @<Local variables for |plane_lisa|@>=
Graph *new_graph; /* the graph constructed by |plane_lisa| */
register long j,k,l; /* all-purpose indices */
Area working_storage; /* tables needed while |plane_lisa| does its thinking */
long *a; /* the matrix constructed by |lisa| */
long regs=0; /* number of vertices generated so far */
@ @<gb_lisa.h@>=
#define pixel_value @tquad@> x.I /* definitions for the header file */
#define first_pixel @tquad@> y.I
#define last_pixel @tquad@> z.I
#define matrix_rows @tquad@> uu.I
#define matrix_cols @tquad@> vv.I
@ The following algorithm for counting the connected regions considers
the array elements |a[k,l]| to be linearly ordered as they appear
in memory. Thus we can speak of the $n$ elements preceding a given
element |a[k,l]|, if $k>0$; these are the elements |a[k,l-1]|, dots,
|a[k,0]|, |a[k-1,n-1]|, dots, |a[k-1,l]|. These $n$ elements appear
in $n$ different columns.
During the algorithm, we move through the array from bottom right
to top left, maintaining an auxiliary table $langle f[0],ldots,f[n-1]
rangle$ with the following significance: Whenever two of the
$n$ elements preceding our current position $[k,l]$ are connected to
each other by a sequence of pixels with equal value, where the connecting
links do not involve pixels more than $n$ steps before our current
position, those elements will be linked together in the $f$ array.
More precisely, we will have $f[c_1]=c_2$, dots, $f[c_{j-1}]=c_j$,
and $f[c_j]=c_j$, when there are $j$ equivalent elements in columns
$c_1$, dots,~$c_j$. Here $c_1$ will be the ``last'' column and
$c_j$ the ``first,'' in wraparound order; each element with $f[c]ne c$
points to an earlier element.
The main function of the |f| table is to identify the topmost/leftmost
pixel of a region. If we are at position |[k,l]| and if we find $f[l]=l$
while $a[k-1,l]ne a[k,l]$, there is no way to connect |[k,l]| to
earlier positions, so we create a new vertex for it.
We also change the |a| matrix, to facilitate another algorithm
below. If position |[k,l]| is the topmost/leftmost pixel of a region,
we set |a[k,l]=-1-a[k,l]|; otherwise we set |a[k,l]=f[l]|, the column of
a preceding element belonging to the same region.
@<Figure out the number...@>=
a=lisa(m,n,d,m0,m1,n0,n1,d0,d1,working_storage);
if (a==NULL) return NULL; /* |panic_code| has been set by |lisa| */
sscanf(lisa_id,"lisa(%lu,%lu,",&m,&n); /* adjust for defaults */
f=gb_typed_alloc(n,unsigned long,working_storage);
if (f==NULL) {
  gb_free(working_storage); /* recycle the |a| matrix */
  panic(no_room+2); /* there's no room for the |f| vector */
}
@<Pass over the |a| matrix from bottom right to top left, looking
  for the beginnings of connected regions@>;
@ @<Local variables for |plane_lisa|@>=
unsigned long *f; /* beginning of array |f|;
                     $f[j]$ is the column of an equivalent element */
long *apos; /* the location of |a[k,l]| */
@ We maintain a pointer |apos| equal to |&a[k,l]|, so that
|*(apos-1)=a[k,l-1]| and |*(apos-n)=a[k-1,l]| when $l>0$ and $k>0$.
The loop that replaces $f[j]$ by $j$ can cause this algorithm to
take time $mn^2$. We could improve the worst case by using path
compression, but the extra complication is rarely worth the trouble.
@<Pass over the |a| matrix from bottom right to top left, looking
  for the beginnings of connected regions@>=
for (k=m, apos=a+n*(m+1)-1; k>=0; k--)
  for (l=n-1; l>=0; l--,apos--) {
    if (k<m) {
      if (k>0&&*(apos-n)==*apos) {
        for (j=l; f[j]!=j; j=f[j]) ; /* find the first element */
        f[j]=l; /* link it to the new first element */
        *apos=l;
      }@+else if (f[l]==l) *apos=-1-*apos,regs++; /* new region found */
        else *apos=f[l];
    }
    if (k>0&&l<n-1&&*(apos-n)==*(apos-n+1)) f[l+1]=l;
    f[l]=l;
  }
@ @<Set up a graph with |regs| vertices@>=
new_graph=gb_new_graph(regs);
if (new_graph==NULL)
  panic(no_room); /* out of memory before we're even started */
sprintf(new_graph->id,"plane_%s",lisa_id);
strcpy(new_graph->util_types,"ZZZIIIZZIIZZZZ");
new_graph->matrix_rows=m;
new_graph->matrix_cols=n;
@ Now we make another pass over the matrix, this time from top left
to bottom right. An auxiliary vector of length |n| is once again
sufficient to tell us when one region is adjacent to a previous one.
In this case the vector is called |u|, and it contains pointers to
the vertices in the $n$ positions before our current position.
We assume that a pointer to a |Vertex| takes the same amount of
memory as an |unsigned long|, hence |u| can share the space formerly
occupied by~|f|; if this is not the case, a system-dependent
change should be made here.
@^system dependencies@>
The vertex names are simply integers, starting with 0.
@<Put the appropriate edges into the graph@>=
regs=0;
u=(Vertex**)f;
for (l=0;l<n;l++) u[l]=NULL;
for (k=0,apos=a,aloc=0;k<m;k++)
  for (l=0;l<n;l++,apos++,aloc++) {
    w=u[l];
    if (*apos<0) {
      sprintf(str_buf,"%ld",regs);
      v=new_graph->vertices+regs;
      v->name=gb_save_string(str_buf);
      v->pixel_value=-*apos-1;
      v->first_pixel=aloc;
      regs++;
    }@+else v=u[*apos];
    u[l]=v;
    v->last_pixel=aloc;
    if (gb_trouble_code) goto trouble;
    if (k>0 && v!=w) adjac(v,w);
    if (l>0 && v!=u[l-1]) adjac(v,u[l-1]);
  }
@ @<Local variables for |pl...@>=
Vertex **u; /* table of vertices for previous $n$ pixels */
Vertex *v; /* vertex corresponding to position |[k,l]| */
Vertex *w; /* vertex corresponding to position |[k-1,l]| */
long aloc; /* $k*n+l$ */
@ The |adjac| routine makes two vertices adjacent, if they aren't already.
A faster way to recognize duplicates would probably speed things up.
@<Private sub...@>=
static void adjac(u,v)
  Vertex *u,*v;
{@+Arc *a;
  for (a=u->arcs;a;a=a->next)
    if (a->tip==v) return;
  gb_new_edge(u,v,1L);
}
@* Bipartite graphs. An even simpler class of Mona-Lisa-based graphs
is obtained by considering the |m| rows and |n| columns to be individual
vertices, with a row adjacent to a column if the associated pixel value
is sufficiently large or sufficiently small. All edges have length~1.
The subroutine call |bi_lisa(m,n,m0,m1,n0,n1,thresh,c)| constructs
the bipartite graph corresponding to the $mtimes n$
digitization produced by |lisa|, using parameters |(m0,m1,n0,n1)| to
define a rectangular subpicture as described earlier.
The threshold parameter |thresh| should be between 0 and~65535.
If the pixel value in row |k| and column |l| is at least |thresh/65535| of
its maximum, vertices |k| and~|l| will be adjacent.
If |c!=0|, however, the convention is reversed; vertices are then
adjacent when the corresponding pixel value is {sl smaller/} than
|thresh/65535|. Thus adjacencies come from ``light'' areas of
da Vinci's painting when |c=0| and from ``dark'' areas when |c!=0|. There
are |m+n| vertices and up to $mtimes n$ edges.
The actual pixel value is recorded in utility field |b.I| of each arc,
and scaled to be in the range $[0,65535]$.
@p Graph *bi_lisa(m,n,m0,m1,n0,n1,thresh,c)
  unsigned long m,n; /* number of rows and columns desired */
  unsigned long m0,m1; /* input will be from rows $[|m0|,.,.,|m1|)$ */
  unsigned long n0,n1; /* and from columns $[|n0|,.,.,|n1|)$ */
  unsigned long thresh; /* threshold defining adjacency */
  long c; /* should we prefer dark pixels to light pixels? */
{@+@<Local variables for |bi_lisa|@>@;@#
  init_area(working_storage);
  @<Set up a bipartite graph with |m+n| vertices@>;
  @<Put the appropriate edges into the bigraph@>;
  gb_free(working_storage);
  if (gb_trouble_code) {
    gb_recycle(new_graph);
    panic(alloc_fault); /* oops, we ran out of memory somewhere back there */
  }
  return new_graph;
}
@ @<Local variables for |bi_lisa|@>=
Graph *new_graph; /* the graph constructed by |bi_lisa| */
register long k,l; /* all-purpose indices */
Area working_storage; /* tables needed while |bi_lisa| does its thinking */
long *a; /* the matrix constructed by |lisa| */
long *apos; /* the location of |a[k,l]| */
register Vertex *u,*v; /* current vertices of interest */
@ @<Set up a bipartite graph...@>=
a=lisa(m,n,65535L,m0,m1,n0,n1,0L,0L,working_storage);
if (a==NULL) return NULL; /* |panic_code| has been set by |lisa| */
sscanf(lisa_id,"lisa(%lu,%lu,65535,%lu,%lu,%lu,%lu",&m,&n,&m0,&m1,&n0,&n1);
new_graph=gb_new_graph(m+n);
if (new_graph==NULL)
  panic(no_room); /* out of memory before we're even started */
sprintf(new_graph->id,"bi_lisa(%lu,%lu,%lu,%lu,%lu,%lu,%lu,%c)",
   m,n,m0,m1,n0,n1,thresh,c?'1':'0');
new_graph->util_types[7]='I'; /* enable field |b.I| */
mark_bipartite(new_graph,m);
for (k=0,v=new_graph->vertices;k<m;k++,v++) {
  sprintf(str_buf,"r%ld",k); /* row vertices are called |"r0"|, |"r1"|, etc. */
  v->name=gb_save_string(str_buf);
}
for (l=0;l<n;l++,v++) {
  sprintf(str_buf,"c%ld",l); /* column vertices are called |"c0"|,
                                            |"c1"|, etc. */
  v->name=gb_save_string(str_buf);
}
@ Since we've called |lisa| with |d=65535|, the determination of
adjacency is simple.
@<Put the appropriate edges into the bigraph@>=
for (u=new_graph->vertices,apos=a;u<new_graph->vertices+m;u++)
  for (v=new_graph->vertices+m;v<new_graph->vertices+m+n;apos++,v++) {
    if (c?*apos<thresh:*apos>=thresh) {
      gb_new_edge(u,v,1L);
      u->arcs->b.I=v->arcs->b.I=*apos;
    }
  }
@* Index. As usual, we close with an index that
shows where the identifiers of \{gb_lisa} are defined and used.

						