Update controlnet_module.py

controlnet_module.py

@@ -92,16 +92,6 @@ class ControlNetProcessor:
             y2 = min(height, height/2 + size/2)
 
         return int(x1), int(y1), int(x2), int(y2)
-
-    #def _smooth_mask(self, mask_array, blur_radius=3):
-    #   """Glättet die Maske für bessere Übergänge"""
-    #    try:
-    #        if blur_radius > 0:
-    #            mask_array = cv2.medianBlur(mask_array, blur_radius*2+1)
-    #        return mask_array
-    #    except Exception as e:
-    #        print(f"⚠️ Fehler beim Glätten der Maske: {e}")
-    #        return mask_array
             
 
     def create_sam_mask(self, image, bbox_coords, mode):
@@ -1079,7 +1069,7 @@ class ControlNetProcessor:
                 raw_mask_array = mask_array.copy()
 
                 # ============================================================
-                #        POSTPROCESSING 
+                #        POSTPROCESSING auf Crop-Größe
                 # ============================================================
 
                 print("👤 POSTPROCESSING AUF CROP-GRÖSSE")
@@ -1111,6 +1101,44 @@ class ControlNetProcessor:
                     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((11, 11), np.uint8)  # Größerer Kernel für Gesicht
+                    mask_array = cv2.dilate(mask_array, kernel_dilate, iterations=1)
+
+                    # WEICHER GAUSSIAN BLUR FÜR NATÜRLICHE ÜBERGÄNGE
+                    print("   🔷 Gaussian Blur für weiche Hautübergänge (15x15, sigma=3.0)")
+                    mask_array = cv2.GaussianBlur(mask_array, (15, 15), 3.0)
+
+                    # GAMMA-KORREKTUR FÜR GLATTE, NATÜRLICHE KANTEN
+                    print("   🎨 Gamma-Korrektur (0.7) für glatte Übergänge")
+                    mask_array_float = mask_array.astype(np.float32) / 255.0
+                    mask_array_float = np.clip(mask_array_float, 0.0, 1.0)
+                    mask_array_float = mask_array_float ** 0.7  # Stärkeres Gamma für weichere Kanten
+                    mask_array = (mask_array_float * 255).astype(np.uint8)
+
+                    # NOCH EIN WEICHER BLUR FÜR EXTRA-GLÄTTE KANTEN
+                    print("   💫 Finaler weicher Blur (9x9, sigma=1.5)")
+                    mask_array = cv2.GaussianBlur(mask_array, (9, 9), 1.5)
+
+                    # SICHERSTELLEN, DASS MASKE NICHT ZU DÜNN IST (speziell für Gesicht!)
+                    print("   📏 Prüfe Maskendichte...")
+                    white_pixels = np.sum(mask_array > 128)
+                    bbox_area = (x2 - x1) * (y2 - y1)
+                    coverage_ratio = white_pixels / bbox_area if bbox_area > 0 else 0
+
+                    print(f"   📊 Aktuelle Abdeckung: {white_pixels:,}px / {bbox_area:,}px = {coverage_ratio:.1%}")
+
+                    # Wenn Maske zu dünn (unter 90% der BBox), weiter erweitern
+                    if coverage_ratio < 0.9:
+                        print(f"   ⚠️  Maske zu dünn für Gesicht (<90%)")
+                        print(f"   📈 Zusätzlicher Dilate...")
+                        kernel_extra = np.ones((15, 15), np.uint8)
+                        mask_array = cv2.dilate(mask_array, kernel_extra, iterations=1)
+    
+                        # Nochmal weichzeichnen
+                        mask_array = cv2.GaussianBlur(mask_array, (11, 11), 2.0)
+
                 # ============================================================
                 # Maske und Rohmaske auf Originalgröße transformieren
                 # ============================================================
@@ -1136,7 +1164,9 @@ class ControlNetProcessor:
                 # ============================================================
                 print("📊 FINALE MASKEN-STATISTIK")
 
-                # Weiße Pixel zählen
+                # Weiße Pixel zählen      
+                final_white = np.sum(mask_array > 128)
+                final_coverage = final_white / bbox_area if bbox_area > 0 else 0         
                 final_array = np.array(mask_original)  # ✅ Original-Größe
                 white_pixels = np.sum(final_array > 0)
                 total_pixels = final_array.size
@@ -1149,10 +1179,13 @@ class ControlNetProcessor:
                 coverage_ratio = white_pixels / original_face_area if original_face_area > 0 else 0
                 
                 print(f"   👤 GESICHTSABDECKUNG: {coverage_ratio:.1%} der ursprünglichen BBox")
-
                 print(f"   Weiße Pixel (Veränderungsbereich): {white_pixels:,} ({white_ratio:.1f}%)")
                 print(f"   Schwarze Pixel (Erhaltungsbereich): {total_pixels-white_pixels:,} ({100-white_ratio:.1f}%)")
                 print(f"   Gesamtpixel: {total_pixels:,}")
+                print(f"     • Weiße Pixel: {final_white:,}")
+                print(f"     • BBox-Fläche: {bbox_area:,}")
+                print(f"     • Abdeckung: {final_coverage:.1%}")
+                print(f"     • Empfohlen: >90% für natürliches Gesicht")
 
                 # Warnungen basierend auf Abdeckung
                 if coverage_ratio < 0.7: