Line data    Source code

       1             : /**
       2             :  * @file test_LInfNorm.cpp
       3             :  *
       4             :  * @brief Tests for the LInfNorm class
       5             :  *
       6             :  * @author Matthias Wieczorek - initial code
       7             :  * @author David Frank - rewrite
       8             :  * @author Tobias Lasser - modernization
       9             :  */
      10             : 
      11             : #include <doctest/doctest.h>
      12             : 
      13             : #include "testHelpers.h"
      14             : #include "LInfNorm.h"
      15             : #include "LinearResidual.h"
      16             : #include "Identity.h"
      17             : #include "VolumeDescriptor.h"
      18             : #include "TypeCasts.hpp"
      19             : 
      20             : using namespace elsa;
      21             : using namespace doctest;
      22             : 
      23             : TYPE_TO_STRING(complex<float>);
      24             : TYPE_TO_STRING(complex<double>);
      25             : 
      26             : TEST_SUITE_BEGIN("functionals");
      27             : 
      28             : TEST_CASE_TEMPLATE("LInfNorm: Testing without residual", TestType, float, double, complex<float>,
      29             :                    complex<double>)
      30          24 : {
      31          24 :     using Vector = Eigen::Matrix<TestType, Eigen::Dynamic, 1>;
      32             : 
      33          24 :     GIVEN("just data (no residual)")
      34          24 :     {
      35          12 :         IndexVector_t numCoeff(2);
      36          12 :         numCoeff << 8, 15;
      37          12 :         VolumeDescriptor dd(numCoeff);
      38             : 
      39          12 :         WHEN("instantiating")
      40          12 :         {
      41          12 :             LInfNorm<TestType> func(dd);
      42             : 
      43          12 :             THEN("the functional is as expected")
      44          12 :             {
      45           4 :                 REQUIRE_EQ(func.getDomainDescriptor(), dd);
      46             : 
      47           4 :                 auto& residual = func.getResidual();
      48           4 :                 auto* linRes = downcast_safe<LinearResidual<TestType>>(&residual);
      49           4 :                 REQUIRE_UNARY(linRes);
      50           4 :                 REQUIRE_UNARY_FALSE(linRes->hasDataVector());
      51           4 :                 REQUIRE_UNARY_FALSE(linRes->hasOperator());
      52           4 :             }
      53             : 
      54          12 :             THEN("a clone behaves as expected")
      55          12 :             {
      56           4 :                 auto lInfClone = func.clone();
      57             : 
      58           4 :                 REQUIRE_NE(lInfClone.get(), &func);
      59           4 :                 REQUIRE_EQ(*lInfClone, func);
      60           4 :             }
      61             : 
      62          12 :             THEN("the evaluate, gradient and Hessian work as expected")
      63          12 :             {
      64           4 :                 Vector dataVec(dd.getNumberOfCoefficients());
      65           4 :                 dataVec.setRandom();
      66           4 :                 DataContainer<TestType> dc(dd, dataVec);
      67             : 
      68           4 :                 REQUIRE_UNARY(checkApproxEq(func.evaluate(dc), dataVec.array().abs().maxCoeff()));
      69           4 :                 REQUIRE_THROWS_AS(func.getGradient(dc), LogicError);
      70           4 :                 REQUIRE_THROWS_AS(func.getHessian(dc), LogicError);
      71           4 :             }
      72          12 :         }
      73          12 :     }
      74             : 
      75          24 :     GIVEN("a residual with data")
      76          24 :     {
      77          12 :         IndexVector_t numCoeff(3);
      78          12 :         numCoeff << 3, 7, 13;
      79          12 :         VolumeDescriptor dd(numCoeff);
      80             : 
      81          12 :         Vector randomData(dd.getNumberOfCoefficients());
      82          12 :         randomData.setRandom();
      83          12 :         DataContainer<TestType> dc(dd, randomData);
      84             : 
      85          12 :         Identity<TestType> idOp(dd);
      86             : 
      87          12 :         LinearResidual<TestType> linRes(idOp, dc);
      88             : 
      89          12 :         WHEN("instantiating")
      90          12 :         {
      91          12 :             LInfNorm<TestType> func(linRes);
      92             : 
      93          12 :             THEN("the functional is as expected")
      94          12 :             {
      95           4 :                 REQUIRE_EQ(func.getDomainDescriptor(), dd);
      96             : 
      97           4 :                 auto& residual = func.getResidual();
      98           4 :                 auto* lRes = downcast_safe<LinearResidual<TestType>>(&residual);
      99           4 :                 REQUIRE_UNARY(lRes);
     100           4 :                 REQUIRE_EQ(*lRes, linRes);
     101           4 :             }
     102             : 
     103          12 :             THEN("a clone behaves as expected")
     104          12 :             {
     105           4 :                 auto lInfClone = func.clone();
     106             : 
     107           4 :                 REQUIRE_NE(lInfClone.get(), &func);
     108           4 :                 REQUIRE_EQ(*lInfClone, func);
     109           4 :             }
     110             : 
     111          12 :             THEN("the evaluate, gradient and Hessian work as expected")
     112          12 :             {
     113           4 :                 Vector dataVec(dd.getNumberOfCoefficients());
     114           4 :                 dataVec.setRandom();
     115           4 :                 DataContainer<TestType> x(dd, dataVec);
     116             : 
     117           4 :                 REQUIRE_UNARY(checkApproxEq(
     118           4 :                     func.evaluate(x), (dataVec - randomData).template lpNorm<Eigen::Infinity>()));
     119           4 :                 REQUIRE_THROWS_AS(func.getGradient(x), LogicError);
     120           4 :                 REQUIRE_THROWS_AS(func.getHessian(x), LogicError);
     121           4 :             }
     122          12 :         }
     123             : 
     124             :         // TODO: add the rest with operator A=scaling, vector b=1 etc.
     125          12 :     }
     126          24 : }
     127             : 
     128             : TEST_SUITE_END();