import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# 二值圖像就是將灰度圖轉(zhuǎn)化成黑白圖，沒有灰，在一個值之前為黑，之后為白
# 有全局和局部兩種
# 在使用全局閾值時，我們就是隨便給了一個數(shù)來做閾值，那我們怎么知道我們選取的這個數(shù)的好壞呢？答案就是不停的嘗試。
# 如果是一副雙峰圖像（簡 單來說雙峰圖像是指圖像直方圖中存在兩個峰）呢？
# 我們豈不是應該在兩個峰之間的峰谷選一個值作為閾值？這就是 Otsu 二值化要做的。
# 簡單來說就是對 一副雙峰圖像自動根據(jù)其直方圖計算出一個閾值。
# （對于非雙峰圖像，這種方法 得到的結果可能會不理想）。


def threshold_demo(image):
  gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

  # 這個函數(shù)的第一個參數(shù)就是原圖像，原圖像應該是灰度圖。
  # 第二個參數(shù)就是用來對像素值進行分類的閾值。
  # 第三個參數(shù)就是當像素值高于（有時是小于）閾值時應該被賦予的新的像素值
  # 第四個參數(shù)來決定閾值方法，見threshold_simple()
  # ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)
  ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
  print("threshold value: %s"%ret)
  cv.imshow("threshold_demo", binary)


def threshold_simple(image):
  img = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
  ret, thresh1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
  ret, thresh2 = cv.threshold(img, 127, 255, cv.THRESH_BINARY_INV)
  ret, thresh3 = cv.threshold(img, 127, 255, cv.THRESH_TRUNC)
  ret, thresh4 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO)
  ret, thresh5 = cv.threshold(img, 127, 255, cv.THRESH_TOZERO_INV)
  titles = ['Original Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
  images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

  for i in range(6):
    plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray') # 將圖像按2x3鋪開
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

  plt.show()


# 在前面的部分我們使用是全局閾值，整幅圖像采用同一個數(shù)作為閾值。
# 當時這種方法并不適應與所有情況，尤其是當同一幅圖像上的不同部分的具有不同亮度時。
# 這種情況下我們需要采用自適應閾值。此時的閾值是根據(jù)圖像上的 每一個小區(qū)域計算與其對應的閾值。
# 因此在同一幅圖像上的不同區(qū)域采用的是不同的閾值，從而使我們能在亮度不同的情況下得到更好的結果。
# 這種方法需要我們指定三個參數(shù)，返回值只有一個
# _MEAN_C：閾值取自相鄰區(qū)域的平均值,_GAUSSIAN_C：閾值取值相鄰區(qū)域 的加權和，權重為一個高斯窗口。
# Block Size - 鄰域大?。ㄓ脕碛嬎汩撝档膮^(qū)域大小）。
# C - 這就是是一個常數(shù)，閾值就等于的平均值或者加權平均值減去這個常數(shù)。

def threshold_adaptive(image):
  img = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
  # 中值濾波
  img = cv.medianBlur(img,5)

  ret, th1 = cv.threshold(img, 127, 255, cv.THRESH_BINARY)
  # 11 為 Block size, 2 為 C 值
  th2 = cv.adaptiveThreshold(img, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 11, 2)
  th3 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)

  titles = ['Original Image', 'Global Threshold (v = 127)', 'Adaptive Mean Threshold', 'Adaptive Gaussian Threshold']
  images = [img, th1, th2, th3]

  for i in range(4):
    plt.subplot(2, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

  plt.show()


def threshold_custom(image):
  gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
  h, w = gray.shape[:2]
  m = np.reshape(gray, [1, w*h])
  mean = m.sum() / (w*h) # 求出整個灰度圖像的平均值
  print("mean:", mean)
  ret, binary = cv.threshold(gray, mean, 255, cv.THRESH_BINARY)
  cv.imshow("threshold_custom", binary)


# 將大圖片拆分成小圖片后再用自適應局部閾值比較好
def big_image_demo(image):
  print(image.shape)
  cw = 200
  ch = 200
  h, w = image.shape[:2]
  gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
  cv.imshow("big_image_demo_gray", gray)

  # 將一張圖片每隔ch * cw分成一份
  for row in range(0, h, ch):
    for col in range(0, w, cw):
      roi = gray[row:row+ch, col:col+cw]
      dst = cv.adaptiveThreshold(roi, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 127, 2)
      gray[row:row + ch, col:col + cw] = dst
      print(np.std(dst), np.mean(dst))

  cv.imwrite("../images/result_big_image.png", gray)


def main():
  img = cv.imread("../images/02.jpg")
  # threshold_demo(img)
  # threshold_simple(img)
  # threshold_adaptive(img)
  # threshold_custom(img)
  src = cv.imread("../images/big_image.jpg")
  big_image_demo(src)
  cv.waitKey(0) # 等有鍵輸入或者1000ms后自動將窗口消除，0表示只用鍵輸入結束窗口
  cv.destroyAllWindows() # 關閉所有窗口


if __name__ == '__main__':
  main()