/*
 * ============================================================
 * 实验 4：Canny 边缘检测
 * 知识点：cv::Canny
 * ============================================================
 *
 * 【实验目标】
 *   1. 理解什么是"边缘"——图像中亮度急剧变化的地方
 *   2. 掌握 Canny 边缘检测算法的原理和参数
 *   3. 观察不同阈值对边缘检测结果的影响
 *
 * 【生活化比喻】
 *   边缘检测就像用铅笔"描边"：
 *   - 给你一张彩色照片，让你把照片中所有物体的轮廓描出来
 *   - Canny 算法就是一个"自动描边机器人"
 *   - threshold1 像是"最低标准"：低于这个的统统不是边缘
 *   - threshold2 像是"最高标准"：高于这个的绝对是边缘
 *   - 介于两者之间的，看它是否和已确认的边缘连着（连着的算，孤立的忽略）
 *
 *   这就是所谓的"迟滞阈值"（Hysteresis Threshold）：
 *   - 高于高阈值 → 肯定是边缘（强边缘）
 *   - 低于低阈值 → 肯定不是边缘（直接丢弃）
 *   - 介于中间   → 如果和强边缘相邻，就算是边缘；否则丢弃
 *   - 这就像"朋友的朋友也是朋友"——只要你能通过边缘连到确认真边缘，你就是边缘
 *
 * 【Canny 算法的五个步骤（了解即可）】
 *   1. 高斯滤波：去除噪声（因为噪声会被误检测为边缘）
 *   2. 计算梯度：找到亮度变化最大的方向和大小
 *   3. 非极大值抑制：只保留梯度方向上最大的那个像素（细化边缘）
 *   4. 双阈值检测：用两个阈值筛选强弱边缘
 *   5. 边缘连接：通过滞后阈值连接断开的边缘
 *
 * 【函数详解】
 *   cv::Canny(src, dst, threshold1, threshold2, apertureSize, L2gradient)
 *
 *   src           ：输入图像（必须是 8 位单通道灰度图！）
 *   dst           ：输出图像（二值图，边缘为白色 255，非边缘为黑色 0）
 *   threshold1    ：低阈值（用于弱边缘判断）
 *   threshold2    ：高阈值（用于强边缘判断）
 *                   推荐比例：threshold2 ≈ 2× threshold1 或 3× threshold1
 *   apertureSize  ：Sobel 算子的孔径大小（默认 3，一般不用改）
 *   L2gradient    ：是否使用更精确的 L2 范数计算梯度（默认 false）
 */

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

int main()
{
    // ==========================================
    // 第一部分：生成测试图片
    // ==========================================
    std::cout << "[步骤 1] 正在生成测试图片（包含各种边缘结构）..." << std::endl;

    // 创建一个 400×500 的白色画布
    cv::Mat image(400, 500, CV_8UC3, cv::Scalar(255, 255, 255));

    // 画各种几何图形 —— 这些都有清晰的边缘
    cv::circle(image, cv::Point(100, 100), 60, cv::Scalar(50, 50, 50), -1);     // 深灰实心圆
    cv::rectangle(image, cv::Point(220, 40), cv::Point(420, 160),
                  cv::Scalar(100, 100, 100), -1);                                // 灰实心矩形
    cv::rectangle(image, cv::Point(300, 60), cv::Point(360, 140),
                  cv::Scalar(200, 200, 200), -1);                                // 浅灰小矩形(内嵌)

    // 画一些粗细不等的线条
    cv::line(image, cv::Point(20, 200), cv::Point(480, 200),
             cv::Scalar(0, 0, 0), 2);        // 细横线
    cv::line(image, cv::Point(20, 250), cv::Point(480, 250),
             cv::Scalar(0, 0, 0), 8);        // 粗横线
    cv::line(image, cv::Point(250, 200), cv::Point(250, 380),
             cv::Scalar(0, 0, 0), 2);        // 细竖线
    cv::line(image, cv::Point(100, 300), cv::Point(400, 380),
             cv::Scalar(50, 50, 50), 4);     // 斜线

    // 画一些文字
    cv::putText(image, "Canny", cv::Point(150, 370),
                cv::FONT_HERSHEY_SIMPLEX, 1.5, cv::Scalar(0, 0, 0), 3);

    cv::imwrite("original.jpg", image);
    std::cout << "  -> 原始图片已保存为 original.jpg" << std::endl;

    // ==========================================
    // 第二部分：转为灰度图（Canny 输入必须是灰度图！）
    // ==========================================
    std::cout << "[步骤 2] 转换为灰度图..." << std::endl;
    cv::Mat gray;
    cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);
    cv::imwrite("gray.jpg", gray);
    std::cout << "  -> 灰度图已保存为 gray.jpg" << std::endl;

    // ==========================================
    // 第三部分：Canny 边缘检测 —— 不同阈值对比
    // ==========================================

    // --- Canny 场景 1：低阈值 (50, 150) ---
    // threshold1=50  意味着：强度大于 50 的可能是弱边缘
    // threshold2=150 意味着：强度大于 150 的绝对是强边缘
    // 由于两个阈值都相对较低，会检测出很多细节（包括一些纹理和噪声）
    std::cout << "[步骤 3] Canny 边缘检测 (阈值 50 / 150)..." << std::endl;
    cv::Mat edges_low;
    cv::Canny(gray, edges_low, 50, 150);
    cv::imwrite("edges_low.jpg", edges_low);
    std::cout << "  -> 已保存为 edges_low.jpg（低阈值，细节丰富）" << std::endl;

    // --- Canny 场景 2：中等阈值 (100, 200) ---
    // 这是比较常用的阈值范围，能平衡"检测到足够边缘"和"抑制噪声"
    std::cout << "[步骤 4] Canny 边缘检测 (阈值 100 / 200)..." << std::endl;
    cv::Mat edges_mid;
    cv::Canny(gray, edges_mid, 100, 200);
    cv::imwrite("edges_mid.jpg", edges_mid);
    std::cout << "  -> 已保存为 edges_mid.jpg（中等阈值，适中结果）" << std::endl;

    // --- Canny 场景 3：高阈值 (200, 400) ---
    // 两个阈值都很高，只有灰度变化非常剧烈的地方才会被检测为边缘
    // 结果：只保留最强的边缘，细节大量丢失
    std::cout << "[步骤 5] Canny 边缘检测 (阈值 200 / 400)..." << std::endl;
    cv::Mat edges_high;
    cv::Canny(gray, edges_high, 200, 400);
    cv::imwrite("edges_high.jpg", edges_high);
    std::cout << "  -> 已保存为 edges_high.jpg（高阈值，只保留强边缘）" << std::endl;

    // --- Canny 场景 4：先模糊再做边缘检测 ---
    // 这是实际应用中最常见的做法：先高斯模糊去噪，再做 Canny
    // 对比 edges_low 的结果，你会发现先模糊后边缘更"干净"
    std::cout << "[步骤 6] 先高斯模糊，再 Canny 边缘检测..." << std::endl;
    cv::Mat blurred;
    cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);
    cv::Mat edges_blurred;
    cv::Canny(blurred, edges_blurred, 50, 150);
    cv::imwrite("blurred.jpg", blurred);
    cv::imwrite("edges_after_blur.jpg", edges_blurred);
    std::cout << "  -> 已保存为 blurred.jpg（高斯模糊后）" << std::endl;
    std::cout << "  -> 已保存为 edges_after_blur.jpg（模糊后再做 Canny，边缘更干净）" << std::endl;

    // 总结
    std::cout << std::endl;
    std::cout << "===== 实验 4 完成 =====" << std::endl;
    std::cout << "你学会了：" << std::endl;
    std::cout << "  1. Canny 是一种经典的边缘检测算法" << std::endl;
    std::cout << "  2. threshold1 和 threshold2 控制检测灵敏度" << std::endl;
    std::cout << "  3. 输入必须是灰度图（单通道！）" << std::endl;
    std::cout << "  4. 先模糊 + 再 Canny = 更干净的边缘" << std::endl;

    return 0;
}