/*
 * ============================================================
 * 实验 8：综合流水线 (Pipeline)
 * 知识点：串联前面 7 个实验的所有技术
 * ============================================================
 *
 * 【实验目标】
 *   1. 将前面学到的所有技术串联成一个完整流程
 *   2. 理解图像处理中"预处理 → 提取 → 后处理"的标准套路
 *   3. 为 RoboMaster 灯条检测打下完整基础
 *
 * 【生活化比喻】
 *   一条完整的图像处理流水线就像工厂的"生产流水线"：
 *   - 原材料进厂（读取图像）
 *   - 清洗处理（模糊去噪、颜色转换）
 *   - 核心加工（颜色提取 inRange）
 *   - 精修打磨（形态学操作去掉毛刺）
 *   - 质检包装（边缘检测找轮廓、画框标记）
 *   - 成品出厂（保存结果图片）
 *
 *   每一步都依赖前一步的输出，整个流程像一个多米诺骨牌，
 *   任何一个环节出问题，最终结果都会受影响。
 *
 * 【RoboMaster 灯条检测的标准流水线】
 *   1. 读取摄像头采集的图像
 *   2. BGR → HSV 颜色空间转换
 *   3. inRange 提取目标颜色（红/蓝）
 *   4. 形态学操作（开运算去噪、闭运算填充）
 *   5. 轮廓检测与筛选（按面积、长宽比、角度过滤）
 *   6. 画出灯条的位置框
 *
 *   本实验完整演示整个流程！
 */

#include <opencv2/opencv.hpp>
#include <iostream>

int main()
{
    std::cout << "===== 实验 8：综合流水线 开始 =====\n" << std::endl;

    // ==========================================
    // 阶段 1：生成模拟场景的测试图片
    // ==========================================
    std::cout << "[阶段 1/6] 生成模拟 RoboMaster 场景的测试图片..." << std::endl;

    // 600×450 画布，深灰色背景（模拟比赛场地的昏暗环境）
    cv::Mat scene(450, 600, CV_8UC3, cv::Scalar(40, 40, 40));

    // --- 先画背景噪点（必须在灯条之前！否则噪点会覆盖在灯条上）---
    for (int i = 0; i < 200; i++)
    {
        int x = rand() % 600;
        int y = rand() % 450;
        uchar noise_color = static_cast<uchar>(rand() % 128 + 60);
        cv::circle(scene, cv::Point(x, y), 1,
                   cv::Scalar(noise_color, noise_color, noise_color), -1);
    }

    // 画一些干扰物（场地上可能有其他颜色的物体）
    cv::circle(scene, cv::Point(100, 100), 30, cv::Scalar(255, 0, 0), -1);    // 蓝色干扰圆
    cv::rectangle(scene, cv::Point(450, 300), cv::Point(550, 380),
                  cv::Scalar(0, 255, 0), -1);                                  // 绿色干扰矩形
    cv::circle(scene, cv::Point(80, 350), 40, cv::Scalar(0, 255, 255), -1);   // 黄色干扰圆

    // 画装甲板的中间横梁（深灰色，不会被 inRange 误检为红色）
    // 注意：横梁必须在灯条之前画！这样红色灯条覆盖在横梁上方，
    //       保证灯条从顶到底都是纯红色，不被横梁切断
    cv::rectangle(scene, cv::Point(200, 180), cv::Point(400, 220),
                  cv::Scalar(80, 80, 80), -1);  // 深灰色横梁

    // 在上面画红色灯条（最后画，确保不被其他元素覆盖）
    // 灯条是竖直的细长矩形，模拟 RoboMaster 装甲板侧面的 LED 灯条
    // 左灯条
    cv::rectangle(scene, cv::Point(200, 120), cv::Point(240, 280),
                  cv::Scalar(0, 0, 255), -1);  // 纯红色竖直矩形 (B=0,G=0,R=255)
    // 右灯条
    cv::rectangle(scene, cv::Point(360, 120), cv::Point(400, 280),
                  cv::Scalar(0, 0, 255), -1);  // 纯红色竖直矩形

    cv::imwrite("01_original_scene.jpg", scene);
    std::cout << "  -> 已保存 01_original_scene.jpg（原始场景图）" << std::endl;

    // ==========================================
    // 阶段 2：颜色空间转换 BGR → HSV
    // ==========================================
    std::cout << "[阶段 2/6] BGR → HSV 颜色空间转换..." << std::endl;

    cv::Mat hsv;
    cv::cvtColor(scene, hsv, cv::COLOR_BGR2HSV);
    cv::imwrite("02_hsv.jpg", hsv);
    std::cout << "  -> 已保存 02_hsv.jpg" << std::endl;

    // ==========================================
    // 阶段 3：高斯模糊（去噪预处理）
    // ==========================================
    std::cout << "[阶段 3/6] 高斯模糊（减少噪点对后续处理的影响）..." << std::endl;

    cv::Mat hsv_blurred;
    // 使用 5×5 的高斯核对 HSV 图像进行模糊
    // 为什么在 inRange 之前模糊？
    // - 噪点在 HSV 空间中也可能落在红色范围内，产生误检
    // - 先模糊可以平滑掉这些随机噪点，减少误检
    // 注意：核不要太大（5~7 比较合适），否则会模糊掉灯条的边缘
    cv::GaussianBlur(hsv, hsv_blurred, cv::Size(5, 5), 0);
    cv::imwrite("03_hsv_blurred.jpg", hsv_blurred);
    std::cout << "  -> 已保存 03_hsv_blurred.jpg（模糊后的 HSV 图）" << std::endl;

    // ==========================================
    // 阶段 4：颜色提取（inRange 提取红色）
    // ==========================================
    std::cout << "[阶段 4/6] inRange 提取红色区域..." << std::endl;

    // 红色需要两个范围（如实验 7 所述）
    cv::Scalar lower_red1(0,   100, 100);
    cv::Scalar upper_red1(10,  255, 255);
    cv::Scalar lower_red2(160, 100, 100);
    cv::Scalar upper_red2(180, 255, 255);

    cv::Mat mask1, mask2, red_mask;
    cv::inRange(hsv_blurred, lower_red1, upper_red1, mask1);
    cv::inRange(hsv_blurred, lower_red2, upper_red2, mask2);
    cv::bitwise_or(mask1, mask2, red_mask);

    cv::imwrite("04_red_mask_raw.jpg", red_mask);
    std::cout << "  -> 已保存 04_red_mask_raw.jpg（原始红色 mask）" << std::endl;

    // ==========================================
    // 阶段 5：形态学后处理（清理 mask）
    // ==========================================
    std::cout << "[阶段 5/6] 形态学操作清理 mask..." << std::endl;

    // 创建结构元素（5×5 矩形核）
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(5, 5));

    // 步骤 5a：开运算（先腐蚀再膨胀）—— 消除小白点噪声
    // 那些随机噪点中落在红色范围内的，经过腐蚀会消失
    cv::Mat mask_opened;
    cv::erode(red_mask, mask_opened, kernel);
    cv::dilate(mask_opened, mask_opened, kernel);
    cv::imwrite("05a_mask_opened.jpg", mask_opened);
    std::cout << "  -> 已保存 05a_mask_opened.jpg（开运算：去除噪点）" << std::endl;

    // 步骤 5b：闭运算（先膨胀再腐蚀）—— 填充灯条内部的小黑洞
    cv::Mat mask_cleaned;
    cv::dilate(mask_opened, mask_cleaned, kernel);
    cv::erode(mask_cleaned, mask_cleaned, kernel);
    cv::imwrite("05b_mask_cleaned.jpg", mask_cleaned);
    std::cout << "  -> 已保存 05b_mask_cleaned.jpg（闭运算：填充内部空洞）" << std::endl;

    // ==========================================
    // 阶段 6：在原始场景上展示检测结果
    // ==========================================
    std::cout << "[阶段 6/6] 在原图上标记检测结果..." << std::endl;

    // 步骤 6a：用 mask 提取原图中的红色区域
    cv::Mat red_only;
    cv::bitwise_and(scene, scene, red_only, mask_cleaned);
    cv::imwrite("06a_red_extracted.jpg", red_only);
    std::cout << "  -> 已保存 06a_red_extracted.jpg（仅保留红色区域）" << std::endl;

    // 步骤 6b：用 Canny 边缘检测在 mask 上找灯条边缘
    // 这样可以看到灯条的轮廓是否被正确提取
    cv::Mat mask_edges;
    cv::Canny(mask_cleaned, mask_edges, 50, 150);
    cv::imwrite("06b_mask_edges.jpg", mask_edges);
    std::cout << "  -> 已保存 06b_mask_edges.jpg（mask 的边缘检测结果）" << std::endl;

    // 步骤 6c：使用 findContours 找到灯条的轮廓并画框（进阶内容预览）
    // 这是 RoboMaster 视觉的下一步：从 mask 中提取灯条的位置
    // findContours: 在二值图中寻找所有白色区域的轮廓
    std::vector<std::vector<cv::Point>> contours;
    // RETR_EXTERNAL: 只检索最外层轮廓
    // CHAIN_APPROX_SIMPLE: 压缩水平/垂直/对角线，只保留端点
    cv::findContours(mask_cleaned, contours, cv::RETR_EXTERNAL,
                     cv::CHAIN_APPROX_SIMPLE);

    // 创建结果图：在原图上画检测框
    cv::Mat result = scene.clone();  // clone() 创建一个完全相同的副本

    std::cout << "  -> 共找到 " << contours.size() << " 个轮廓" << std::endl;

    int valid_count = 0;  // 统计有效灯条的个数
    for (size_t i = 0; i < contours.size(); i++)
    {
        // 用 boundingRect 获取能包围轮廓的最小直立矩形
        cv::Rect bbox = cv::boundingRect(contours[i]);

        // 筛选条件：灯条应该是细长竖直的矩形
        // - 面积不能太小（过滤残留的噪点）
        double area = bbox.width * bbox.height;
        if (area < 100) continue;  // 面积小于 100 像素，忽略

        // - 高度应该大于宽度（竖直灯条的特征）
        if (bbox.height < bbox.width * 2) continue;  // 不满足"细长"条件，忽略

        // 通过筛选，画框标记
        cv::rectangle(result, bbox, cv::Scalar(0, 255, 0), 3);  // 绿色边框，线宽 3
        valid_count++;

        // 在框上方写标签
        cv::putText(result, "Target " + std::to_string(valid_count),
                    cv::Point(bbox.x, bbox.y - 10),
                    cv::FONT_HERSHEY_SIMPLEX, 0.6,
                    cv::Scalar(0, 255, 0), 2);
    }

    cv::imwrite("06c_result.jpg", result);
    std::cout << "  -> 已保存 06c_result.jpg（最终结果：绿灯条框标记 = 检测到的灯条）" << std::endl;
    std::cout << "  -> 共检测到 " << valid_count << " 个有效灯条" << std::endl;

    // ==========================================
    // 总结
    // ==========================================
    std::cout << std::endl;
    std::cout << "===== 实验 8 完成 =====" << std::endl;
    std::cout << "流水线回顾（你完整的加工步骤）：" << std::endl;
    std::cout << "  1. 读取 / 生成图像" << std::endl;
    std::cout << "  2. BGR → HSV 颜色空间转换" << std::endl;
    std::cout << "  3. 高斯模糊（去噪）" << std::endl;
    std::cout << "  4. inRange 提取目标颜色" << std::endl;
    std::cout << "  5. 形态学操作（清理 mask）" << std::endl;
    std::cout << "  6. 轮廓检测 + 画框（定位目标）" << std::endl;
    std::cout << std::endl;
    std::cout << "恭喜你！这已经是一个简化的 RoboMaster 灯条检测流程了！" << std::endl;
    std::cout << "接下来的课程将学习：颜色空间调参、轮廓筛选优化、以及用工业相机实时处理" << std::endl;

    return 0;
}