business-card-scanner/app/segment.py

"""Visitenkarten aus einem Foto freistellen.

Reine Geometrie, kein Modell: Kanten finden, Rechtecke mit Kartenformat
behalten, perspektivisch entzerren. Der Inhalt der Karte spielt hier keine
Rolle - den liest spaeter das Vision-Modell aus dem Zuschnitt.
"""
import cv2
import numpy as np

# ISO 7810 ID-1: 85,6 x 54 mm. Toleranz nach unten fuer abweichende Formate.
CARD_RATIO = 85.6 / 54.0
RATIO_MIN, RATIO_MAX = 1.25, 2.05

OUT_WIDTH = 1400   # Obergrenze; kleinere Karten werden nicht hochskaliert
MIN_WIDTH = 600
OUT_HEIGHT = round(OUT_WIDTH / CARD_RATIO)

DETECT_EDGE = 1600          # Aufloesung, auf der gesucht wird
MIN_AREA_FRACTION = 0.004   # kleiner ist Rauschen, kein Kartenfund
MAX_AREA_FRACTION = 0.60    # groesser ist der Tisch, nicht die Karte
MIN_FILL = 0.80             # Kontur muss ihr eigenes Rechteck fuellen


def _masks(gray: np.ndarray) -> list[np.ndarray]:
    """Mehrere Binaerbilder, weil je nach Untergrund ein anderes traegt."""
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))

    edges = cv2.dilate(cv2.Canny(blurred, 40, 120), kernel, iterations=2)
    edges = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel, iterations=2)

    adaptive = cv2.adaptiveThreshold(
        blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 51, 10
    )
    adaptive = cv2.morphologyEx(adaptive, cv2.MORPH_CLOSE, kernel, iterations=2)

    _, otsu = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    return [edges, adaptive, otsu, cv2.bitwise_not(otsu)]


def _candidates(mask: np.ndarray, image_area: float) -> list[tuple]:
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    found = []
    for contour in contours:
        rect = cv2.minAreaRect(contour)
        (_, _), (width, height), _ = rect
        if width < 24 or height < 24:
            continue
        long_side, short_side = max(width, height), min(width, height)
        if not RATIO_MIN <= long_side / short_side <= RATIO_MAX:
            continue
        rect_area = width * height
        if not MIN_AREA_FRACTION * image_area <= rect_area <= MAX_AREA_FRACTION * image_area:
            continue
        fill = cv2.contourArea(contour) / rect_area
        if fill < MIN_FILL:
            continue
        found.append((rect, fill))
    return found


def _deduplicate(candidates: list[tuple]) -> list[tuple]:
    """Dieselbe Karte wird von mehreren Masken gefunden - besten Treffer behalten."""
    kept: list[tuple] = []
    for rect, fill in sorted(candidates, key=lambda c: -c[1]):
        (cx, cy), (width, height), _ = rect
        radius = min(width, height) * 0.5
        duplicate = False
        for other_rect, _ in kept:
            (ox, oy), _, _ = other_rect
            if np.hypot(cx - ox, cy - oy) < radius:
                duplicate = True
                break
        if not duplicate:
            kept.append((rect, fill))
    return kept


def _order_quad(points: np.ndarray) -> np.ndarray:
    """Ecken als oben-links, oben-rechts, unten-rechts, unten-links."""
    total = points.sum(axis=1)
    diff = points[:, 1] - points[:, 0]
    ordered = np.array(
        [
            points[np.argmin(total)],   # oben links
            points[np.argmin(diff)],    # oben rechts
            points[np.argmax(total)],   # unten rechts
            points[np.argmax(diff)],    # unten links
        ],
        dtype="float32",
    )
    # Hochkant liegende Karte um 90 Grad drehen, damit der Zuschnitt quer ist.
    width = np.linalg.norm(ordered[1] - ordered[0])
    height = np.linalg.norm(ordered[3] - ordered[0])
    if height > width:
        ordered = np.roll(ordered, -1, axis=0)
    return ordered


def _reading_order(rects: list) -> list:
    """Zeilenweise sortieren, damit die Reihenfolge dem Tisch entspricht."""
    if not rects:
        return rects
    row_height = np.median([min(r[1]) for r in rects]) * 0.7
    return sorted(rects, key=lambda r: (round(r[0][1] / row_height), r[0][0]))


def segment(image: np.ndarray) -> tuple[list[np.ndarray], bool]:
    """Liefert die entzerrten Kartenbilder und ob auf das Gesamtbild
    zurueckgefallen wurde (kein Kartenrechteck gefunden)."""
    height, width = image.shape[:2]
    scale = DETECT_EDGE / max(height, width) if max(height, width) > DETECT_EDGE else 1.0
    small = (
        cv2.resize(image, None, fx=scale, fy=scale, interpolation=cv2.INTER_AREA)
        if scale < 1.0
        else image
    )
    gray = cv2.cvtColor(small, cv2.COLOR_BGR2GRAY)
    image_area = float(small.shape[0] * small.shape[1])

    candidates: list[tuple] = []
    for mask in _masks(gray):
        candidates.extend(_candidates(mask, image_area))

    rects = [rect for rect, _ in _deduplicate(candidates)]
    if not rects:
        return [_fit_whole(image)], True

    crops = []
    for rect in _reading_order(rects):
        quad = _order_quad(cv2.boxPoints(rect)) / scale  # zurueck auf volle Aufloesung
        width, height = _target_size(quad)
        target = np.array(
            [[0, 0], [width, 0], [width, height], [0, height]], dtype="float32"
        )
        matrix = cv2.getPerspectiveTransform(quad, target)
        crops.append(
            cv2.warpPerspective(image, matrix, (width, height), flags=cv2.INTER_CUBIC)
        )
    return crops, False


def _target_size(quad: np.ndarray) -> tuple:
    """Zuschnitt so gross wie die Vorlage, hoechstens OUT_WIDTH.

    Auf einem Stapelfoto ist eine Karte nur ein paar hundert Pixel breit.
    Sie auf 1400 hochzurechnen erzeugt vier Mal so viele Pixel ohne ein
    Quentchen mehr Information - und kostet Speicher, Bildgroesse und
    Bildtokens beim Modellaufruf.
    """
    long_edge = max(
        np.linalg.norm(quad[1] - quad[0]), np.linalg.norm(quad[2] - quad[3])
    )
    width = int(min(OUT_WIDTH, max(MIN_WIDTH, round(long_edge))))
    return width, round(width / CARD_RATIO)


def _fit_whole(image: np.ndarray) -> np.ndarray:
    """Ohne Fund: das ganze Bild als eine Karte behandeln."""
    height, width = image.shape[:2]
    if width < height:  # Hochformat drehen
        image = cv2.rotate(image, cv2.ROTATE_90_CLOCKWISE)
        height, width = image.shape[:2]
    scale = min(OUT_WIDTH / width, OUT_HEIGHT / height, 1.0)
    if scale < 1.0:
        image = cv2.resize(image, None, fx=scale, fy=scale, interpolation=cv2.INTER_AREA)
    return image