import cv2
import numpy as np

# 读取图像（以灰度模式加载）
# 作用：将 '1.jpg' 图像读入内存，转换为单通道灰度图，便于后续图像处理
# 注意：如果路径错误或文件不存在，image 将为 None，导致后续报错
image = cv2.imread('1.jpg', cv2.IMREAD_GRAYSCALE)

# 检查图像是否成功加载
if image is None:
    raise FileNotFoundError("无法读取图像，请检查文件路径是否正确：'1.jpg'")

# 均值滤波，滤波核大小为7x7
# 作用：对图像进行平滑处理，去除高频噪声（如随机噪点）
# 原理：用每个像素周围7x7邻域的平均值替换该像素值，使图像更“柔和”
blurred = cv2.blur(image, (7, 7))

# 使用局部自适应阈值进行图像分割
# 作用：将图像二值化，突出比局部背景更暗的区域（如划痕、凹坑等缺陷）
# 参数说明：
#   - cv2.ADAPTIVE_THRESH_MEAN_C：阈值基于局部邻域的平均值
#   - 11：邻域大小（奇数），决定局部范围
#   - 2：从均值中减去的常数，用于微调灵敏度
#   - cv2.THRESH_BINARY_INV：反转结果，缺陷区域为白色（255），背景为黑色（0）
thresholded = cv2.adaptiveThreshold(
    blurred, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
    cv2.THRESH_BINARY_INV, 11, 2
)

# 查找图像中的轮廓
# 作用：检测二值图像中所有连通的白色区域（即潜在缺陷）
# 返回值：
#   - contours: 所有轮廓的坐标点列表
#   - _ : 轮廓的层级关系（此处不需要）
# 方法选择：
#   - cv2.RETR_LIST：提取所有轮廓，不建立层级
#   - cv2.CHAIN_APPROX_SIMPLE：压缩水平/垂直/对角线方向的轮廓点，节省内存
contours, _ = cv2.findContours(thresholded, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

# 创建一个彩色图像用于结果显示
# 作用：将原始灰度图转换为BGR三通道图像，以便用不同颜色绘制检测结果
output_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)

# 对每个检测到的轮廓进行面积筛选
# 作用：过滤掉太小（可能是噪声）或太大（可能是背景干扰）的区域
# 设置面积阈值范围：250 ~ 1000 像素
min_area, max_area = 250, 1000
for contour in contours:
    area = cv2.contourArea(contour)  # 计算轮廓包围的面积
    if min_area < area < max_area:
        # 绘制符合条件的轮廓
        # 颜色：绿色 (0, 255, 0)，线宽：2
        cv2.drawContours(output_image, [contour], -1, (0, 255, 0), 2)

# 形态学膨胀操作
# 作用：扩大二值图像中的白色区域，连接邻近的断裂缺陷（如断开的划痕）
# 结构元素：椭圆形（模拟圆形），大小为7x7
# iterations=1：执行一次膨胀
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
dilated = cv2.dilate(thresholded, kernel, iterations=1)


# 骨架化处理（细化为单像素宽的中心线）
# 作用：将膨胀后的缺陷区域“细线化”，便于分析划痕的路径和长度
# 注意：OpenCV 无内置骨架化函数，这里使用经典的Zhang-Suen细化算法简化版
def thinning(img):
    skel = np.zeros(img.shape, np.uint8)  # 存储骨架结果
    size = np.size(img)
    element = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))  # 3x3十字结构元
    done = False

    while not done:
        # 重复执行：腐蚀 → 膨胀 → 差分 → 累加到骨架
        eroded = cv2.erode(img, element)  # 腐蚀：缩小区域
        temp = cv2.dilate(eroded, element)  # 膨胀回来
        temp = cv2.subtract(img, temp)  # 得到最外层轮廓（即“剥皮”一层）
        skel = cv2.bitwise_or(skel, temp)  # 累加到骨架图像
        img = eroded.copy()  # 更新图像为腐蚀后的结果

        # 当图像完全变黑（无非零像素）时停止
        zeros = size - cv2.countNonZero(img)
        if zeros == size:
            done = True

    return skel


# 执行骨架化
skeleton = thinning(dilated)

# 显示所有中间结果和最终检测图
# 作用：可视化每一步的处理效果，便于调试和分析
cv2.imshow("Original Image", image)  # 原始灰度图
cv2.imshow("Thresholded Image", thresholded)  # 自适应阈值分割结果
cv2.imshow("Dilated Image", dilated)  # 膨胀后结果
cv2.imshow("Skeletonized Image", skeleton)  # 骨架化结果（细线）
cv2.imshow("Detected Regions", output_image)  # 最终检测结果（绿色轮廓）

# 等待按键后关闭所有窗口
cv2.waitKey(0)
cv2.destroyAllWindows()