测试驱动开发从零开始：图像处理项目中的真实落地

上周帮朋友改一个老图像裁剪工具，他用 OpenCV 写了段逻辑：自动识别图中人脸区域，再按比例裁成正方形。结果上线后用户反馈，部分侧脸照片裁得只剩半只眼睛。他翻代码、加日志、反复试，折腾两天才定位到是 cv2.minAreaRect 在低对比度图像里返回了退化矩形——但问题修复前，他已经不敢动核心函数了，怕牵一发而动全身。

先写测试，再写功能，不是添麻烦

这其实是图像处理项目里特别典型的困境：算法依赖强、边界情况多、视觉效果难量化。这时候，“测试驱动开发（TDD）从零开始”不是教条，而是给自己搭一条安全绳。不追求一步到位，就从最硌手的那个小函数开始。

比如你刚写完一个灰度直方图均衡化的函数：

def equalize_histogram(img: np.ndarray) -> np.ndarray:
    # 实现逻辑

别急着塞进主流程。先想：给一张全黑图（像素值全为 0），输出应该还是全黑；给一张均匀分布的 8-bit 图（0–255 各出现一次），输出应该拉伸到满范围。这些就是可写的、确定的、不用看图就能断言的测试点。

动手写第一个测试，三步走

用 pytest，建个 test_histogram.py：

import numpy as np
import pytest

def test_equalize_histogram_all_zeros():
    img = np.zeros((10, 10), dtype=np.uint8)
    result = equalize_histogram(img)
    assert np.array_equal(result, img)

def test_equalize_histogram_uniform_8bit():
    # 构造一个含 0–255 各一个像素的扁平图
    flat_data = np.arange(256, dtype=np.uint8)
    img = flat_data.reshape((16, 16))
    result = equalize_histogram(img)
    # 均衡后应覆盖整个 0–255 范围
    assert result.min() == 0
    assert result.max() == 255

跑一下，失败。因为函数还没实现。这时候才去补函数体，直到测试绿掉。过程中你会自然发现：输入必须是 uint8，输出类型要一致，空图怎么处理……这些细节不是靠拍脑袋，而是被测试逼出来的。

图像处理里，测试不是“截图比对”

有人觉得：“图像输出得看图，怎么自动化？” 其实大可不必比像素。重点测行为边界：输入合法范围、异常输入（None、负数、非整数）、内存占用突增、执行耗时是否稳定。比如缩放函数，传入 (10000, 10000) 大图，测试它会不会卡死或 OOM；边缘检测函数，传入纯色图，验证输出是否全零。

真正需要视觉验证的部分，留给人——但只在自动化测试通过后做。这样，每次改算法，你心里有底：至少已知的坑没再踩。

在数码世界里，图像处理不是炫技，是让每张图都稳稳落地。测试驱动开发从零开始，不是为了写更多代码，而是让每次 Ctrl+S 都更安心一点。