在上一篇博客里我用Java创建了一个简单的Ascii 字符画生成器（可以从GitHub上获取）, 文章发布之后我收到了很多反馈。所以今天我打算继续在这个项目上添加一些新特性，期待能受到更多欢迎。我重新设计了核心部分，目的是增加扩展性以便测试不同的算法以及产生多样化的结果。 在ITJS的这篇文章中，我会展示本项目的全新架构，方便您整合进自己的项目中以及根据需要进行扩展。
架构
AsciiImgCache
在任何ascii字符渲染发生前，我们需要创建一个此类的实例。 它需要一个字体和字符列表作为参数，然后它将为每个字符生成一个图片的Map。如果你嫌麻烦，也有默认的字符列表提你选择。
提供给对此感兴趣的读者：
private static final char[] defaultCharacters =
"$@B%8&WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft///|()1{}[] -_+~<>i!lI;:,/"^`'. "
示例
// use only '/' '/' and ' '
AsciiImgCache mediumBlackAndWhiteCache = AsciiImgCache.
create(new Font("Courier", Font.BOLD, 10), new char[] {'//', ' ', '/'});
// use default list
AsciiImgCache largeFontCache = AsciiImgCache.
create(new Font("Courier",Font.PLAIN, 16));
BestCharacterFitStrategy
这是一个算法的抽象，用来判断源图像与每个字符的相似度。该抽象只有一个方法：
float calculateError(final GrayscaleMatrix character, final GrayscaleMatrix tile);
对于具体的实现来说，它应该比较两个图片并返回浮点格式的偏差值。每个字符都会被用来进行比较，最终采用返回最小偏差值的字符。目前有两种实现：
ColorSquareErrorFitStrategy
这个实现非常容易理解。 它比较每个像素然后计算灰度差异的均方误差（Mean squared error）。
数学表达式如下：
其中n代表像素的数量， C和T分别代表字符和tile图像的像素。
StructuralSimilarityFitStrategy
结构相似性（SSIM）索引算法声称能还原人类视角，其目标是提升传统的诸如MSE的算法。此处我不打算详细解释其原理，如果你感兴趣可以在Wikipedia上阅读相关资料。我自己也进行了一些尝试并实现了一个版本，似乎能在我们的用例中获得不错的结果。
AsciiConverter
这是整个流程的核心，它包含源图像取样（tiling）的逻辑，调用具体实现计算出最匹配的字符。然而，它并不知道如何创建ascii 字符 – 这需要子类来实现。 目前有两个实现：AsciiToImageConverter and AsciiToStringConverter – 顾名思义，它们分别输出图像和字符串。
示例用法：
正所谓埋头苦干胜于纸上谈兵，下面就整合各个部分，给大家展示整个流程：
// initialize cache
AsciiImgCache cache = AsciiImgCache.create(new Font("Courier",Font.BOLD, 6));
// load image
BufferedImage portraitImage = ImageIO.read(new File("image.png"));
// initialize converters
AsciiToImageConverter imageConverter =
new AsciiToImageConverter(cache, new ColorSquareErrorFitStrategy());
AsciiToStringConverter stringConverter =
new AsciiToStringConverter(cache, new StructuralSimilarityFitStrategy());
// image output
ImageIO.write(imageConverter.convertImage(portraitImage), "png",
new File("ascii_art.png"));
// string converter, output to console
System.out.println(stringConverter.convertImage(portraitImage));
下面还有一些通过设置不同参数产生的图片：
原始图片
16 pts字体，MSE
16 pts字体， SSIM
10 pts字体3字符，MSE
10 pts字体3字符，SSIM
6 pts字体，MSE
6 pts字体，SSIM
下一步工作
下面是对未来工作的一些想法：
研究并实现更多的图像比较算法。 对图片重新处理达到更佳效果（改进对比度，使用边缘监测等）。 通过并行处理改进图像处理效果，根据结果评估是否值得改进。 增加一些转换格式（比如html输出）。 支持输出带颜色的字符。 为项目添加测试。对代码有建议或者发现任何问题，欢迎通过GitHub评论和提交！