utils.py

import numpy as np
import cv2

# --- 1. Convolution 2D (พื้นฐานของ Blur และ Sobel) ---
def convolution2d(image, kernel):
    """
    ทำ Convolution ระหว่างภาพกับ Kernel
    """
    # ดึงขนาดภาพและ Kernel
    image_h, image_w = image.shape
    kernel_h, kernel_w = kernel.shape
    
    # คำนวณ Padding (เพื่อให้ภาพผลลัพธ์ขนาดเท่าเดิม)
    pad_h = kernel_h // 2
    pad_w = kernel_w // 2
    
    # สร้างภาพที่มี Padding (ใช้ขอบเป็น 0)
    padded_image = np.pad(image, ((pad_h, pad_h), (pad_w, pad_w)), mode='constant')
    output = np.zeros_like(image)
    
    # วนลูป (Vectorized way เพื่อความเร็วที่ดีกว่า Loop ปกติ)
    # หมายเหตุ: การเขียน Loop ซ้อนกัน 2 ชั้นใน Python จะช้ามาก 
    # ตรงนี้จึงขอใช้ Numpy ช่วยในการคูณ Matrix เพื่อประสิทธิภาพ
    for y in range(image_h):
        for x in range(image_w):
            # ตัดส่วนของภาพที่ตรงกับ Kernel
            roi = padded_image[y:y+kernel_h, x:x+kernel_w]
            # คูณกันแล้วหาผลรวม (Element-wise multiplication & Sum)
            k = (roi * kernel).sum()
            output[y, x] = k
            
    return output

def gaussian_kernel(size=5, sigma=1.0):
    """ สร้าง Gaussian Kernel สำหรับทำ Smoothing """
    ax = np.linspace(-(size - 1) / 2., (size - 1) / 2., size)
    xx, yy = np.meshgrid(ax, ax)
    kernel = np.exp(-0.5 * (np.square(xx) + np.square(yy)) / np.square(sigma))
    return kernel / np.sum(kernel)

# --- 2. Sobel Edge Detection (เขียนเอง) ---
def sobel_edge_detection(image):
    # Kernel ของ Sobel แกน X และ Y
    Kx = np.array([[-1, 0, 1], 
                   [-2, 0, 2], 
                   [-1, 0, 1]], dtype=np.float32)
    
    Ky = np.array([[-1, -2, -1], 
                   [0, 0, 0], 
                   [1, 2, 1]], dtype=np.float32)
    
    # ทำ Convolution
    Ix = convolution2d(image, Kx)
    Iy = convolution2d(image, Ky)
    
    # คำนวณความแรงของขอบ (Gradient Magnitude)
    G = np.sqrt(Ix**2 + Iy**2)
    
    # Normalize ให้ค่าอยู่ช่วง 0-255
    G = (G / G.max()) * 255
    return G.astype(np.uint8)

# --- 3. Threshold (เขียนเอง) ---
def manual_threshold(image, thresh_value=100):
    """ เปลี่ยนภาพเป็น Binary (ขาว-ดำ) ตามค่า Threshold """
    binary_image = np.zeros_like(image)
    # ถ้า pixel ไหนค่ามากกว่า thresh_value ให้เป็น 255 (ขาว) นอกนั้น 0 (ดำ)
    binary_image[image > thresh_value] = 255
    return binary_image

# --- 4. Morphology - Dilation (เขียนเอง) ---
def manual_dilation(image, kernel_size=3):
    """ ขยายเส้นขอบให้หนาขึ้น (เชื่อมเส้นที่ขาด) """
    h, w = image.shape
    pad = kernel_size // 2
    padded_image = np.pad(image, ((pad, pad), (pad, pad)), mode='constant')
    output = np.zeros_like(image)
    
    # หลักการ Dilation: เลือกค่าที่ "มากที่สุด" ในหน้าต่าง Kernel
    for y in range(h):
        for x in range(w):
            roi = padded_image[y:y+kernel_size, x:x+kernel_size]
            output[y, x] = np.max(roi)
            
    return output

# --- 5. จัดเรียงจุดมุม (Perspective Transform Helper) ---
def order_points(pts):
    # (โค้ดเดิมที่เขียนเองถูกต้องแล้ว)
    rect = np.zeros((4, 2), dtype="float32")
    
    # บนซ้าย (ผลบวกน้อยสุด) / ล่างขวา (ผลบวกมากสุด)
    s = pts.sum(axis=1)
    rect[0] = pts[np.argmin(s)]
    rect[2] = pts[np.argmax(s)]
    
    # บนขวา (ผลต่างน้อยสุด) / ล่างซ้าย (ผลต่างมากสุด)
    diff = np.diff(pts, axis=1)
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]
    
    return rect

def four_point_transform(image, pts):
    rect = order_points(pts)
    (tl, tr, br, bl) = rect
    
    # คำนวณความกว้าง
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))
    
    # คำนวณความสูง
    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))
    
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")
        
    M = cv2.getPerspectiveTransform(rect, dst)
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
    return warped