add cloud

tools/img_gemini/split_cloud.py

@@ -0,0 +1,127 @@
+import os
+import numpy as np
+from PIL import Image, ImageFilter, ImageChops
+
+def split_cloud_smart():
+    input_path = os.path.join(os.path.dirname(__file__), 'origin', 'cloud.jpg')
+    output_dir = os.path.join(os.path.dirname(__file__), 'clouds')
+    
+    if not os.path.exists(output_dir):
+        os.makedirs(output_dir)
+        
+    print(f"Processing {input_path}...")
+    
+    try:
+        img = Image.open(input_path).convert("RGBA")
+    except Exception as e:
+        print(f"Error opening image: {e}")
+        return
+
+    # 1. 智能采样背景色 (Smart Sampling)
+    # 取图像四周边缘的像素来计算背景特征，比只取一个角更稳健
+    width, height = img.size
+    # 提取上、下、左、右四条边的像素
+    top_edge = np.array(img.crop((0, 0, width, 1)))
+    bottom_edge = np.array(img.crop((0, height-1, width, height)))
+    left_edge = np.array(img.crop((0, 0, 1, height)))
+    right_edge = np.array(img.crop((width-1, 0, width, height)))
+    
+    # 合并边缘像素
+    edges = np.concatenate([
+        top_edge.reshape(-1, 4), 
+        bottom_edge.reshape(-1, 4), 
+        left_edge.reshape(-1, 4), 
+        right_edge.reshape(-1, 4)
+    ])
+    
+    # 计算背景色的平均值和标准差，用于确定容差范围
+    bg_mean = np.mean(edges, axis=0)
+    print(f"Smart sampled background color (RGBA): {bg_mean}")
+
+    # 2. HSV 色彩空间分离 (HSV Separation)
+    # 将图片转为 HSV，利用饱和度(S)和亮度(V)来区分云(通常S低V高)和深色背景(通常S高V低)
+    hsv_img = img.convert("HSV")
+    hsv_data = np.array(hsv_img)
+    rgb_data = np.array(img)
+    
+    # 提取通道
+    H, S, V = hsv_data[:,:,0], hsv_data[:,:,1], hsv_data[:,:,2]
+    R, G, B = rgb_data[:,:,0], rgb_data[:,:,1], rgb_data[:,:,2]
+    
+    # 计算 RGB 欧氏距离 (针对平均背景色)
+    # 只比较 RGB 前三个通道
+    diff_r = R.astype(float) - bg_mean[0]
+    diff_g = G.astype(float) - bg_mean[1]
+    diff_b = B.astype(float) - bg_mean[2]
+    rgb_distance = np.sqrt(diff_r**2 + diff_g**2 + diff_b**2)
+    
+    # 定义阈值
+    # RGB 容差：允许背景有一定的颜色波动
+    rgb_tolerance = 60.0 
+    
+    # HSV 辅助判断：
+    # 背景通常是深紫色：需要保护云朵(白色/灰色)，云朵的特征是低饱和度(Low S)
+    # 如果一个像素离背景色有点远，但它饱和度很高且偏紫，那它可能还是背景(渐变区)
+    # 如果一个像素离背景色很近，但它饱和度极低(它是灰色的云边缘)，那应该保留
+    
+    # 创建 Alpha Mask (0 为完全透明/背景，255 为完全不透明/云)
+    # 初始 Mask：距离背景色越近，Alpha 越小
+    alpha_mask = np.zeros_like(H, dtype=np.float32)
+    
+    # 核心逻辑：
+    # 1. 主要是背景：RGB 距离 < 容差
+    # 2. 渐变增强：对于边缘区域，使用 Sigmoid 函数做软过渡，而不是硬切
+    
+    # 归一化距离，距离越小越接近背景
+    normalized_dist = np.clip(rgb_distance / rgb_tolerance, 0, 1)
+    
+    # 简单的线性映射翻转：距离越小(背景)，Alpha越小(透明)
+    # 使用平滑函数 (Smoothstep) 让过渡更自然: 3x^2 - 2x^3
+    alpha_mask = np.clip((normalized_dist - 0.2) / 0.6, 0, 1) # 0.2到0.8之间过渡
+    alpha_mask = alpha_mask * alpha_mask * (3 - 2 * alpha_mask)
+    
+    # 3. 保护云朵核心 (Cloud Core Protection)
+    # 如果像素很亮(V高)且饱和度很低(S低)，强制认为是云，设为不透明
+    # 假设云是白色的，背景是深色的
+    is_cloud_core = (V > 150) & (S < 60) 
+    alpha_mask[is_cloud_core] = 1.0
+    
+    # 4. 转换回 0-255 并应用羽化
+    final_alpha = (alpha_mask * 255).astype(np.uint8)
+    
+    # 创建蒙版图像
+    mask_img = Image.fromarray(final_alpha, mode='L')
+    
+    # 边缘羽化 (Matte Refinement)
+    # 对蒙版进行轻微模糊，消除锯齿
+    mask_img = mask_img.filter(ImageFilter.GaussianBlur(radius=1.5))
+    
+    # 将处理好的 Alpha 通道应用回原图
+    r, g, b, a = img.split()
+    img_transparent = Image.merge('RGBA', (r, g, b, mask_img))
+
+    # 切割逻辑保持不变
+    width, height = img.size
+    cell_width = width // 3
+    cell_height = height // 3
+    
+    count = 0
+    for r in range(3):
+        for c in range(3):
+            left = c * cell_width
+            top = r * cell_height
+            right = left + cell_width
+            bottom = top + cell_height
+            
+            cell = img_transparent.crop((left, top, right, bottom))
+            
+            output_filename = f"cloud_{count}.png"
+            output_path = os.path.join(output_dir, output_filename)
+            cell.save(output_path)
+            print(f"Saved {output_path}")
+            count += 1
+            
+    print("Smart split done!")
+
+if __name__ == "__main__":
+    split_cloud_smart()