Update controlnet_module.py

controlnet_module.py

@@ -644,12 +644,14 @@ class ControlNetProcessor:
                 print(f"   🔄 Konvertiert zu Float32 im Bereich [0, 1]. Neuer min/max: {mask_array.min():.3f}/{mask_array.max():.3f}")
                 print(f"   ⚙️  Gamma-Korrektur (0.85) angewendet. Neuer min/max: {mask_array.min():.3f}/{mask_array.max():.3f}")
                 print(f"   ✅ Zurück zu uint8 [0, 255]. Final min/max: {mask_array.min()}/{mask_array.max()}")
-                
+
+            
             elif mode == "environment_change":
                 print("🌳 ENVIRONMENT-CHANGE POSTPROCESSING")
                 
                 # Für environment_change: Originalbildgröße beibehalten
                 if image.size != original_image.size:
+                    print(f"   ⚠️  Bildgröße angepasst: {image.size} → {original_image.size}")
                     temp_mask = Image.fromarray(mask_array).convert("L")
                     temp_mask = temp_mask.resize(original_image.size, Image.Resampling.NEAREST)
                     mask_array = np.array(temp_mask)
@@ -657,16 +659,32 @@ class ControlNetProcessor:
                 mask_array = 255 - mask_array  # Invertiere Maske
                 print("   ✅ Maske invertiert (Person schwarz, Hintergrund weiß)")
                 
+                # Weiße Punkte in der Person (schwarz) entfernen
+                kernel_open = np.ones((3,3), np.uint8)
+                mask_array = cv2.morphologyEx(mask_array, cv2.MORPH_OPEN, kernel_open, iterations=3)
+                print("   ✅ MORPH_OPEN entfernt weiße Punkte in der Person")
+                
                 # Morphologische Operationen für saubere Umgebung
-                kernel = np.ones((5,5), np.uint8)
-                mask_array = cv2.morphologyEx(mask_array, cv2.MORPH_CLOSE, kernel)
+                kernel_close = np.ones((5,5), np.uint8)
+                mask_array = cv2.morphologyEx(mask_array, cv2.MORPH_CLOSE, kernel_close)
                 print("   ✅ MORPH_CLOSE für zusammenhängende Umgebung")
-
-            # QUALITÄTSKONTROLLE
-            white_pixels = np.sum(mask_array > 127)
-            total_pixels = mask_array.size
-            white_ratio = white_pixels / total_pixels * 100
-            
+                
+                # Weiche Ränder für bessere Integration der Person
+                mask_array = cv2.GaussianBlur(mask_array, (9, 9), 2.0)
+                print("   ✅ Gaussian Blur für weiche Übergänge")
+                
+                # Gamma-Korrektur für präzisere Ränder
+                mask_array = mask_array.astype(np.float32) / 255.0
+                mask_array = np.clip(mask_array, 0.0, 1.0)
+                mask_array = mask_array ** 0.85
+                mask_array = (mask_array * 255).astype(np.uint8)
+                print("   ✅ Gamma-Korrektur (0.85) gegen milchige Ränder")
+
+                # QUALITÄTSKONTROLLE
+                white_pixels = np.sum(mask_array > 127)
+                total_pixels = mask_array.size
+                white_ratio = white_pixels / total_pixels * 100  
+                                     
             print("-" * 60)
             print("📊 MASKEN-STATISTIK (FINAL)")
             print(f"   Weiße Pixel (Veränderungsbereich): {white_pixels:,} ({white_ratio:.1f}%)")