# -*- coding: utf-8 -*-
"""
Created on Sun May 25 19:13:37 2025

@author: galax
"""

# 導(dǎo)入必要的庫(kù)
import cv2
import numpy as np
from skimage.feature import graycomatrix, graycoprops
from matplotlib import pyplot as plt


# 讀取PNG圖像
#"C:\Users\galax\Desktop\數(shù)據(jù)Data\p\Vesta03.png"
#image_path = '/kaggle/input/asteroids-pngtest/Bennu02.png'
image_path = r'C:\Users\galax\Desktop\Data\p\Vesta03.png'
image = cv2.imread(image_path, cv2.IMREAD_UNCHANGED)

# 檢查圖像是否加載成功
if image is None:
    raise ValueError("無法加載圖像！請(qǐng)檢查文件路徑")

# 顯示原始圖像信息
print("[調(diào)試信息] 原始圖像形狀:", image.shape)  # 應(yīng)顯示 (1024, 1024)
print("[調(diào)試信息] 圖像數(shù)據(jù)類型:", image.dtype)  # 應(yīng)顯示 uint8

# 灰度圖像專用處理流程 ---------------------------------------------------
# 直接使用原始灰度圖像（無需轉(zhuǎn)換）
if len(image.shape) == 2:
    gray = image  # 直接使用原始灰度數(shù)據(jù)
    print("[調(diào)試信息] 檢測(cè)到灰度圖像，跳過通道轉(zhuǎn)換")
else:
    # 如果意外出現(xiàn)彩色圖像則轉(zhuǎn)換為灰度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 01: 提取顏色特征（灰度直方圖）
color_hist = cv2.calcHist([gray], [0], None, [256], [0, 256])  # 單通道直方圖
color_hist = cv2.normalize(color_hist, None).flatten()  # 修正歸一化參數(shù)

# 02：提取紋理特征（GLCM）
glcm = graycomatrix(gray, 
                   distances=[1], 
                   angles=[0, np.pi/4, np.pi/2],  # 增加角度多樣性
                   levels=256,
                   symmetric=True, 
                   normed=True)
contrast = np.mean(graycoprops(glcm, 'contrast'))
homogeneity = np.mean(graycoprops(glcm, 'homogeneity'))
energy = np.mean(graycoprops(glcm, 'energy'))

# 03: 優(yōu)化邊緣檢測(cè)參數(shù)
edges = cv2.Canny(gray, threshold1=50, threshold2=150)  # 調(diào)整閾值適應(yīng)太空?qǐng)D像

# 可視化設(shè)置
plt.figure(figsize=(15, 5))

# 原始灰度圖像
plt.subplot(131)
plt.imshow(gray, cmap='gray')
plt.title('原始灰度圖像')

# 顏色直方圖（灰度分布）
plt.subplot(132)
plt.bar(range(256), color_hist.ravel()[:256], width=1.0)  # 顯示前256個(gè)bin
plt.title('灰度直方圖分布')
plt.xlim([0, 256])

# 邊緣檢測(cè)結(jié)果
plt.subplot(133)
plt.imshow(edges, cmap='gray')
plt.title('優(yōu)化邊緣檢測(cè)')

plt.tight_layout()
plt.show()

# 特征輸出
print("\n特征提取結(jié)果：")
print(f"直方圖維度: {len(color_hist)} (0-255灰度級(jí)分布)")
print(f"紋理特征 - 平均對(duì)比度: {contrast:.2f}")
print(f"         平均同質(zhì)性: {homogeneity:.2f}")
print(f"         平均能量: {energy:.2f}")
print(f"邊緣特征 - 邊緣像素占比: {np.mean(edges > 0)*100:.1f}%")