🚀 Podsumowanie Wymagań Projektu

Parametr	Wybór	Uwagi
Metoda Krawędzi	Dowolna (np. Canny)	Zastosujemy standardową procedurę OpenCV.
Źródło Zdjęć	Ścieżka do pliku	Aplikacja jako skrypt przyjmujący argument.
Kolory	Biały, Czarny, Szary	Krawędzie będą czarne, a cieniowanie użyje białego i szarego.
Wykrywanie Cienia	Bazujące na analizie głębi/kontrastu	Największe wyzwanie techniczne.
Grubość Krawędzi	Stała (1px)	Dla prostoty i czytelności.
Mechanizm Cieniowania	Na podstawie kontrastu/jasności	Symulacja cieniowania (shading) na podstawie danych źródłowych.
Maska głównych obiektów	Adaptacyjne progowanie + połączone komponenty	Wycinamy tło (liście, trawę), pozostawiamy największe bryły.
Biblioteki	Tylko OpenCV i NumPy	Minimalizacja zależności.
Przygotowanie Obrazu	Tak (Skala Szarości, Rozmycie)	Standardowa procedura.
Format Zapisu	PNG/JPEG	Opcja zapisu.
Priorytet	Prostota i Czytelność Kodu

---

💡 Plan Działania: Symulacja Cieniowania (Shading)

W odpowiedzi na punkt 4, gdzie zależy Ci na cieniowaniu w obszarach, gdzie naturalnie występowałby cień (pod szyją, na zgięciach rąk), należy zastosować bardziej zaawansowane podejście niż proste wypełnianie obszarów zamkniętych konturów.

Biblioteki OpenCV i NumPy nie posiadają wbudowanych, prostych funkcji do rozumienia głębi sceny (jak to robią zaawansowane modele Deep Learning). Musimy więc zasymulować efekt cieniowania, wykorzystując informację o jasności (luminancji) oryginalnego obrazu.

1. Dwa Etapy Transformacji

Etap	Opis Funkcjonalny	Użycie Kolorów
Wykrycie Krawędzi	Użycie Canny'ego na przetworzonym obrazie.	Krawędzie będą koloru Czarnego.
Symulacja Cieniowania	Konwersja oryginalnego obrazu (skala szarości) na dwa poziomy jasności (dla uproszczenia) za pomocą progowania (cv2.threshold).	Jasne obszary otrzymają kolor Biały, a ciemne obszary otrzymają kolor Szary.
Maskowanie Tła	Adaptacyjne progowanie + analiza komponentów (connectedComponentsWithStats).	Zostawiamy tylko największe bryły (np. sylwetki ludzi).

2. Implementacja (Pseudokod)

1. Wczytanie i Konwersja: Wczytaj obraz, przekształć go na skalę szarości (L).
2. Maska głównych obiektów:
   • Wygładź obraz filtrem bilateralnym (zostaw krawędzie, usuń szum liści).
   • Zastosuj progowanie adaptacyjne (cv2.adaptiveThreshold) i domknięcie morfologiczne.
   • Użyj connectedComponentsWithStats, aby wybrać tylko największe komponenty (domyślnie dwie sylwetki).
   • Powstaje maska M, którą później nałożymy na cieniowanie i krawędzie.
3. Symulacja Cienia (Dwa Kolory Wnętrza):
   • Zastosuj globalne progowanie na obrazie w skali szarości (L). Prog ustali, które piksele są "jasne" (cieńsze, oświetlone) i które są "ciemne" (zacienione).
   • Piksele jaśniejsze od progu wypełnij kolorem Białym.
   • Piksele ciemniejsze od progu wypełnij kolorem Szarym.
   • Wynikiem będzie wstępnie pokolorowany obraz (tylko biały i szary), nazwijmy go T.
   • Na tym etapie ustaw piksele poza maską M na biało, aby tło nie generowało "bałaganu".
4. Wykrycie Krawędzi:
   • Zastosuj rozmycie Gaussa na obrazie L.
   • Zastosuj algorytm Canny'ego na rozmyciu, uzyskując mapę krawędzi binarnych K.
   • Wyzeruj krawędzie poza maską M, dzięki czemu liście/tło nie będą rysowane.
5. Kompozycja:
   • Nałóż mapę krawędzi K na obraz T. Wszędzie tam, gdzie na mapie K jest krawędź (piksel ma wartość 1), ustaw ten piksel na obrazie T na kolor Czarny.

To podejście w naturalny sposób przeniesie cieniowanie (w postaci jasnych i ciemnych obszarów) z oryginalnego zdjęcia, bez potrzeby skomplikowanej analizy głębi obiektów.

---

🐍 Propozycja Struktury Kodu

Poniżej przedstawiam funkcjonalną strukturę kodu w Pythonie. Możemy przejść do generowania poszczególnych fragmentów przez LLM.

import cv2
import numpy as np
import sys
import os

# --- 1. Funkcja Główna ---
def process_image(input_path, output_path, shadow_color, light_color, edge_color, threshold_value):
    # Wczytywanie obrazu
    # Konwersja do skali szarości (L)
    # --- 2. Symulacja Cieniowania (T) ---
    # Zastosowanie progowania (cv2.threshold) na L
    # Zastąpienie pikseli jasnych (powyżej progu) kolorem light_color
    # Zastąpienie pikseli ciemnych (poniżej progu) kolorem shadow_color
    # --- 3. Wykrywanie Krawędzi (K) ---
    # Rozmycie Gaussa i Canny (cv2.Canny)
    # --- 4. Kompozycja ---
    # Nałożenie krawędzi K na obraz cieniowany T
    # --- 5. Zapis i Wyświetlanie ---
    # Zapis wyniku (cv2.imwrite) i opcjonalne wyświetlenie (cv2.imshow)
    pass

# --- 6. Uruchomienie Skryptu ---
if __name__ == "__main__":
    # Obsługa argumentów wejściowych (ścieżka do pliku)
    # Definicja stałych kolorów (RGB/BGR dla OpenCV)
    # Wywołanie process_image
    pass

▶️ Uruchomienie

1. cd /Users/aleksandrakaminska/Documents/Projekty-moje/edgeFinder
2. source venv/bin/activate
3. python edge_finder.py /absolutna/sciezka/do_obrazu.jpg

Domyślnie wynik zapisuje się w output/<nazwa_pliku_wejściowego>_processed.png. Jeśli chcesz podać własną ścieżkę docelową, użyj parametru -o /sciezka/docelowa.png. Pozostałe flagi (-t, --canny-low, --canny-high, --blur, --show) działają bez zmian.

🎯 Jak pozbyć się "bałaganu" z liści?

Nowa część pipeline'u pozwala zachować tylko największe obiekty (domyślnie dwie największe sylwetki). Sterujemy tym dwoma parametrami:

• --main-area-ratio 0.02 — minimalny udział pojedynczego obiektu w powierzchni zdjęcia (np. 0.02 = 2%). Zwiększ, jeśli wciąż łapią się liście; zmniejsz, gdy obiekt jest mały.
• --max-components 2 — ile największych obiektów zachować. Dla jednej osoby ustaw 1, dla pary 2, dla całej grupy 3+.

Przykład uruchomienia dla zdjęcia z drzewami:

python edge_finder.py ./fotos/mama_i_syn.jpg \
  --main-area-ratio 0.025 \
  --max-components 2 \
  --canny-low 40 --canny-high 120 \
  --threshold 135

Jeśli maska obetnie fragmenty postaci, zmniejsz --main-area-ratio lub zwiększ --max-components. Gdy liście wrócą, zrób odwrotnie. Dzięki temu końcowy obraz zawiera tylko główne sylwetki, a nie każdy listek w tle.