首先NDK文档中的Op.h头文件中已经有了相关概念的解释，摘录翻译如下：
/*! \fn const OutputContext& Op::outputContext() const;
The current context that this Op is supposed to produce a picture
for. This includes the frame number, the view, etc.
*/
const OutputContext& outputContext() const { return outputContext_; }
即当前Op进行图像处理的一个实时环境，这个环境包括了帧数，视角(包括main视角，left视角，right视角，等)。
Op会对当前帧的画面进行处理，通过_validate()方法去确认图像相关信息，通过Knobs机制去读取工程文件中的属性参数并存储到knobs中，通过_requenst()去逐行请求图像信息，继而通过engine()方法综合现有数据进行图像处理。这是Op的一个简单的机制，一个Op实例只能处理一幅画面。那么Op该处理哪一帧图像呢？处理这一帧图像的哪一个视角呢（exr图像的header表中会记录视角信息）？这一切都由OutputContext机制决定。该机制会更早于Op属性实例化。OutputContext()机制启动后确定处理环境后才会实例化Op来进行下一步工作。
下面分析几个案例来解释这个机制：
默认的split_input()和OutputContext()方法是这样的：
virtual int split_input(int inputNo) const
{
return 1;
}
virtual const OutputContext& inputContext(int n, int offset, OutputContext& oc) const
{
return outputContext();
}
一：
如果你希望input arrow在时间轴上的任何帧上都只进入第一帧（例如FrameHold），那么你需要这样重定义：
virtual const OutputContext& inputContext(int n, int offset, OutputContext& oc) const {
oc = outputContext();
oc.frame(1);
return oc;
}
第二行表示oc指向当前已经存在outputContext(),inputContext()方法中这样指认实际上表示inputContext()与outputContext()一致，即：输入哪一帧，处理哪一帧。第三行显式的为oc赋值1，表示无论何时只输入第一帧。第四行返回修改后的oc对象。
通过这种方式即可实现framehold的效果，无论时间轴怎样拖动，只显示指定的某一帧。
二：
如果你有一个Op想使用两个以上的输入帧来进行操作（比如FrameBlend），那你就需要重新定义split_input()。
virtual int split_input(int inputNo) const
{
if (inputNo == 0)
return 2;
return 1;
}
virtual const OutputContext& inputContext(int n, int offset, OutputContext& oc) const
{
oc = outputContext();
if (inputNo == 0 && offset == 1)
oc.frame(oc.frame() + 1);
return oc;
}
第一个方法表示将第一个input arrow分出两个子input，每个input对应一个独立Op；第二个方法表示在第二个子input上输入下一帧的内容。即input（0,1）对应的Op处理input（0,0）应对Op处理帧的下一帧。这样就是在input（0）上同时处理生成两个Op来进行串帧处理了。inputContext(int n,int offset,OutputContext&oc)中n代表当前帧，offset代表当前input下的子input，oc表示当前outputContext()对象。
三：
virtual int split_input(int inputNo) const
{
return 11;
}
virtual const OutputContext& inputContext(int n, int offset, OutputContext& oc) const
{
oc = outputContext();
oc.frame(oc.frame() - 5 + offset);
return oc;
}
在这个案例中通过split_input()方法为每个input定义了11个子inputs，目的是为每一个input都生成11个op，在每一帧都调用附近的11帧来生成图像。之后又定义了inputContext()方法，该方法继承了outputContext()方法，之后将当前帧向前偏移5帧，以oc.frame()-5为基准来添加offset，offset范围为0-10，这样就会生成oc.frame()-5到oc.frame()+5这个范围的input。每一帧的计算都会调用这个范围的input数据。通过这种结构，engine机制能够很容易的生成多帧混合图像。
但是这个机制有个缺陷，我们的原素材范围framerange假设为[1-100],经过这个机制之后framerange就变成[-4,105]了，这样会造成不必要的读写，于是nuke引入一个新的机制inputUIcontext().该机制同样继承自outputContext()，目的是在修复inputContext产生的帧数范围错误。我们只需要重新定义一下该函数即可：
virtual const OutputContext* inputUIContext(int n, OutputContext&) const
{
return &outputContext();
}
这样就可以将错误的范围重新指认回原来的应该的帧数范围了。
通过这OutputContext机制的这三个方法可以很轻松的解决时间线上多帧操作的问题，nuke的程序思路非常明确：
一个input对应一个op，多帧运算就实例化多个op，在engine方法中构建对应于多个input的row即可。
例如：
void TemporalMedian::engine ( int y, int x, int r,
ChannelMask channels, Row& row )
{
row.get(input0(), y, x, r, channels);
Row prevrow(x, r);
Row nextrow(x, r);
prevrow.get(input1(), y, x, r, channels);
nextrow.get(*input(2), y, x, r, channels);
该例子中就实例化了三个input，即：input0(),input1(),*input(2)，每一个input的读写row实例即：row，preview，nextrow。
总结一下：
学习到这里Nuke的读写运算机制就很清晰了，剩下的就是算法移植了。希望自己的数学底子不要拖后腿。勤能补拙，再接再厉。
