Update controlnet_module.py

controlnet_module.py

@@ -1138,40 +1138,59 @@ class ControlNetProcessor:
                 # ============================================================
                 #        POSTPROCESSING unterschiedlich für Crop/Original
                 # ============================================================
+
+                labeled_array, num_features = ndimage.label(mask_array)
+                
+                if num_features > 0:
+                    # ERSTER SCHRITT: Nur Komponenten behalten, die in/nah der HEURISTIK-BBOX liegen
+                    regions = measure.regionprops(labeled_array)
+                    valid_regions = []
+                    
+                    for region in regions:
+                        centroid_y, centroid_x = region.centroid
+                        bbox_distance = np.sqrt((centroid_x - bbox_center[0])**2 + 
+                                               (centroid_y - bbox_center[1])**2)
+                        
+                        # Maximaler Abstand: 50% der BBox-Diagonale
+                        max_distance = np.sqrt(bbox_width**2 + bbox_height**2) * 0.5
+                        
+                        if bbox_distance <= max_distance:
+                            valid_regions.append(region)
+                    
+                    if valid_regions:
+                        # Größte valide Region finden
+                        largest_region = max(valid_regions, key=lambda r: r.area)
+                        mask_array = np.where(labeled_array == largest_region.label, mask_array, 0)
+                        print(f"   ✅ {len(valid_regions)}/{num_features} Regionen in/nah BBox, größte behalten")
+                    else:
+                        print(f"   ⚠️  Keine Region in/nah BBox gefunden, alle behalten")
+                
+                # Binärmaske für Inpaint speichern (VOR weiteren Operationen!)
+                inpaint_binary_mask = mask_array.copy()
+              
                 if use_crop_strategy:
                     print("👤 POSTPROCESSING AUF CROP-GRÖSSE")
         
-                    # 1. Größte zusammenhängende Komponente finden
-                    labeled_array, num_features = ndimage.label(mask_array)
-        
-                    if num_features > 0:
-                        print(f"   🔍 Gefundene Komponenten: {num_features}")
+                               
+                    # MORPHOLOGISCHE OPERATIONEN FÜR SAUBEREN KOPF
+                    print("   ⚙️  Morphologische Operationen für sauberen Kopf")
             
-                        sizes = ndimage.sum(mask_array, labeled_array, range(1, num_features + 1))
-                        largest_component_idx = np.argmax(sizes) + 1
-            
-                        print(f"   👑 Größte Komponente: Nr. {largest_component_idx} mit {sizes[largest_component_idx-1]:,} Pixel")
-            
-                        # NUR die größte Komponente behalten (der Kopf)
-                        mask_array = np.where(labeled_array == largest_component_idx, mask_array, 0)
-            
-                        # MORPHOLOGISCHE OPERATIONEN FÜR SAUBEREN KOPF
-                        print("   ⚙️  Morphologische Operationen für sauberen Kopf")
-            
-                        # Zuerst CLOSE, um kleine Löcher im Kopf zu füllen
-                        kernel_close = np.ones((7, 7), np.uint8)
-                        mask_array = cv2.morphologyEx(mask_array, cv2.MORPH_CLOSE, kernel_close, iterations=1)
-                        print("     • MORPH_CLOSE (7x7) - Löcher im Kopf füllen")
+                        
+                    # Zuerst CLOSE, um kleine Löcher im Kopf zu füllen
+                    kernel_close = np.ones((7, 7), np.uint8)
+                    mask_array = cv2.morphologyEx(mask_array, cv2.MORPH_CLOSE, kernel_close, iterations=1)
+                    print("     • MORPH_CLOSE (7x7) - Löcher im Kopf füllen")
             
-                        # Dann OPEN, um kleine Ausreißer zu entfernen
-                        kernel_open = np.ones((5, 5), np.uint8)
-                        mask_array = cv2.morphologyEx(mask_array, cv2.MORPH_OPEN, kernel_open, iterations=1)
-                        print("     • MORPH_OPEN (5x5) - Rauschen entfernen")
+                    # Dann OPEN, um kleine Ausreißer zu entfernen
+                    kernel_open = np.ones((5, 5), np.uint8)
+                    mask_array = cv2.morphologyEx(mask_array, cv2.MORPH_OPEN, kernel_open, iterations=1)
+                    print("     • MORPH_OPEN (5x5) - Rauschen entfernen")
 
-                        # LEICHTER DILATE FÜR MEHR ABDECKUNG (wichtig für Gesicht!)
-                        print("   🔲 Leichter Dilate für natürliche Abdeckung")
-                        kernel_dilate = np.ones((5, 5), np.uint8)  # Größerer Kernel für Gesicht
-                        mask_array = cv2.dilate(mask_array, kernel_dilate, iterations=1)
+                        
+                    # LEICHTER DILATE FÜR MEHR ABDECKUNG (wichtig für Gesicht!)
+                    print("   🔲 Leichter Dilate für natürliche Abdeckung")
+                    kernel_dilate = np.ones((5, 5), np.uint8)  # Größerer Kernel für Gesicht
+                    mask_array = cv2.dilate(mask_array, kernel_dilate, iterations=1)
 
 
                     #Speicherung der Binärmaske für Inpaint da keine Graupixel