mi-task/utils/bar-sky/advanced_sky_analyzer.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import cv2
import numpy as np
import os
import argparse
import matplotlib.pyplot as plt

def analyze_sky_ratio(image_path, method="threshold", debug=False, save_result=False):
    """
    分析图片中天空占整个图片的比例，支持多种检测方法
    
    参数:
        image_path: 图片路径
        method: 检测方法，可选 "threshold"(阈值法), "kmeans"(K均值聚类), "gradient"(梯度法)
        debug: 是否显示处理过程中的图像，用于调试
        save_result: 是否保存处理结果图像
        
    返回:
        sky_ratio: 天空占比（0-1之间的浮点数）
    """
    # 读取图片
    img = cv2.imread(image_path)
    if img is None:
        raise ValueError(f"无法读取图片: {image_path}")
    
    # 获取图片文件名（不带路径和扩展名）
    filename = os.path.splitext(os.path.basename(image_path))[0]
    
    # 根据不同方法检测天空
    if method == "threshold":
        sky_mask, sky_ratio = threshold_method(img)
    elif method == "kmeans":
        sky_mask, sky_ratio = kmeans_method(img)
    elif method == "gradient":
        sky_mask, sky_ratio = gradient_method(img)
    else:
        raise ValueError(f"不支持的检测方法: {method}")
    
    # 在原图上标记天空区域
    result = img.copy()
    overlay = img.copy()
    overlay[sky_mask > 0] = [0, 255, 255]  # 用黄色标记天空区域
    cv2.addWeighted(overlay, 0.4, img, 0.6, 0, result)  # 半透明效果
    
    # 显示检测结果信息
    cv2.putText(result, f"Sky Ratio: {sky_ratio:.2%}", (10, 30), 
                cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 255), 2)
    
    # 调试模式：显示处理过程图像
    if debug:
        plt.figure(figsize=(12, 8))
        
        plt.subplot(221)
        plt.title("Original Image")
        plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
        
        plt.subplot(222)
        plt.title("Sky Mask")
        plt.imshow(sky_mask, cmap='gray')
        
        plt.subplot(223)
        plt.title("Sky Detection Result")
        plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB))
        
        # 直方图分析
        plt.subplot(224)
        plt.title("Grayscale Histogram")
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        plt.hist(gray.ravel(), 256, [0, 256])
        plt.xlim([0, 256])
        
        plt.tight_layout()
        plt.show()
    
    # 保存结果
    if save_result:
        result_dir = "results"
        os.makedirs(result_dir, exist_ok=True)
        output_path = os.path.join(result_dir, f"{filename}_{method}_result.jpg")
        cv2.imwrite(output_path, result)
        print(f"结果已保存至: {output_path}")
    
    return sky_ratio

def threshold_method(img, threshold=180):
    """使用简单阈值法检测天空"""
    # 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 使用阈值分割天空区域（天空通常是图像中较亮的部分）
    _, sky_mask = cv2.threshold(gray, threshold, 255, cv2.THRESH_BINARY)
    
    # 应用形态学操作，去除噪点
    kernel = np.ones((5, 5), np.uint8)
    sky_mask = cv2.morphologyEx(sky_mask, cv2.MORPH_OPEN, kernel)
    sky_mask = cv2.morphologyEx(sky_mask, cv2.MORPH_CLOSE, kernel)
    
    # 计算天空区域占比
    total_pixels = gray.shape[0] * gray.shape[1]
    sky_pixels = np.sum(sky_mask == 255)
    sky_ratio = sky_pixels / total_pixels
    
    return sky_mask, sky_ratio

def kmeans_method(img, k=3):
    """使用K均值聚类检测天空"""
    # 转换为RGB格式用于聚类
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    # 重塑图像为二维数组
    pixels = img_rgb.reshape((-1, 3)).astype(np.float32)
    
    # 定义K均值聚类终止条件
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
    
    # 应用K均值聚类
    _, labels, centers = cv2.kmeans(pixels, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    
    # 找出最亮的聚类中心（可能是天空）
    centers = centers.astype(np.uint8)
    brightness = np.mean(centers, axis=1)
    sky_cluster = np.argmax(brightness)
    
    # 创建掩码：仅保留最亮聚类的像素
    sky_mask = np.zeros(img_rgb.shape[:2], dtype=np.uint8)
    labels = labels.reshape(img_rgb.shape[:2])
    sky_mask[labels == sky_cluster] = 255
    
    # 应用形态学操作，去除噪点
    kernel = np.ones((5, 5), np.uint8)
    sky_mask = cv2.morphologyEx(sky_mask, cv2.MORPH_OPEN, kernel)
    sky_mask = cv2.morphologyEx(sky_mask, cv2.MORPH_CLOSE, kernel)
    
    # 计算天空区域占比
    total_pixels = sky_mask.shape[0] * sky_mask.shape[1]
    sky_pixels = np.sum(sky_mask == 255)
    sky_ratio = sky_pixels / total_pixels
    
    return sky_mask, sky_ratio

def gradient_method(img):
    """使用图像梯度检测天空（假设天空在图像上部且边缘较少）"""
    # 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 使用Sobel算子计算梯度
    sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
    sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
    
    # 计算梯度幅值
    gradient_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)
    gradient_magnitude = cv2.normalize(gradient_magnitude, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)
    
    # 假设天空区域梯度较小（纹理较少）
    _, gradient_mask = cv2.threshold(gradient_magnitude, 50, 255, cv2.THRESH_BINARY_INV)
    
    # 假设天空通常位于图像上部
    height, width = gradient_mask.shape
    sky_region_height = int(height * 0.6)  # 假设天空在上部60%的区域
    
    # 创建天空掩码
    sky_mask = np.zeros_like(gradient_mask)
    sky_mask[:sky_region_height, :] = gradient_mask[:sky_region_height, :]
    
    # 应用形态学操作
    kernel = np.ones((5, 5), np.uint8)
    sky_mask = cv2.morphologyEx(sky_mask, cv2.MORPH_OPEN, kernel)
    sky_mask = cv2.morphologyEx(sky_mask, cv2.MORPH_CLOSE, kernel)
    
    # 计算天空区域占比
    total_pixels = gray.shape[0] * gray.shape[1]
    sky_pixels = np.sum(sky_mask == 255)
    sky_ratio = sky_pixels / total_pixels
    
    return sky_mask, sky_ratio

def main():
    parser = argparse.ArgumentParser(description='分析图片中天空区域占比')
    parser.add_argument('image_path', help='图片路径')
    parser.add_argument('--method', default='threshold', choices=['threshold', 'kmeans', 'gradient'], 
                        help='天空检测方法: threshold(阈值法), kmeans(K均值聚类), gradient(梯度法)')
    parser.add_argument('--debug', action='store_true', help='显示处理过程图像')
    parser.add_argument('--save', action='store_true', help='保存处理结果图像')
    args = parser.parse_args()
    
    try:
        sky_ratio = analyze_sky_ratio(args.image_path, args.method, args.debug, args.save)
        print(f"使用{args.method}方法检测的天空区域占比: {sky_ratio:.2%}")
    except Exception as e:
        print(f"错误: {e}")

if __name__ == "__main__":
    main()