# coding=utf-8
from scipy.spatial import distance as dist
from imutils import perspective
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2
import time


# 定義一個中點函數，後面會用到
def midpoint(ptA, ptB):
    return ((ptA[0] + ptB[0]) * 0.5, (ptA[1] + ptB[1]) * 0.5)


# 讀取輸入圖片
image = cv2.imread("test3.jpg")
# 建立一個黑色背景的圖片
bg_img = np.zeros((image.shape[0], image.shape[1] // 2, 3), np.uint8)

# 設定正方形的邊長
length = int(2 / 2.54 * image.shape[1] / 2)

# 畫出正方形
cv2.rectangle(bg_img, (bg_img.shape[1] // 2 - length // 2, bg_img.shape[0] // 2 - length // 2),
              (bg_img.shape[1] // 2 + length // 2, bg_img.shape[0] // 2 + length // 2), (255, 255, 255), 2)

# 將原始圖片與正方形圖案合併在一起
image = np.concatenate((bg_img, image), axis=1)
cv2.imshow('Result', image)
cv2.waitKey(0)

# 輸入圖片灰度化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 對灰度圖片執行高斯濾波
gray = cv2.GaussianBlur(gray, (7, 7), 0)

# 對濾波結果做邊緣檢測獲取目標
edged = cv2.Canny(gray, 50, 100)
# 使用膨脹和腐蝕操作進行閉合對象邊緣之間的間隙
edged = cv2.dilate(edged, None, iterations=1)
edged = cv2.erode(edged, None, iterations=1)

# 在邊緣圖像中尋找物體輪廓（即物體）
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
                        cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)

# 對輪廓按照從左到右進行排序處理
(cnts, _) = contours.sort_contours(cnts)
# 初始化 'pixels per metric'
pixelsPerMetric = None

# 循環遍歷每一個輪廓
for c in cnts:
    # 如果當前輪廓的面積太少，認為可能是噪聲，直接忽略掉
    if cv2.contourArea(c) < 100:
        continue

    # 根據物體輪廓計算出外切矩形框
    orig = image.copy()
    box = cv2.minAreaRect(c)
    box = cv2.cv.BoxPoints(box) if imutils.is_cv2() else cv2.boxPoints(box)
    box = np.array(box, dtype="int")

    # 按照top-left, top-right, bottom-right, bottom-left的順序對輪廓點進行排序，並繪製外切的BB，用綠色的線來表示
    box = perspective.order_points(box)
    cv2.drawContours(orig, [box.astype("int")], -1, (0, 255, 0), 2)

    # 繪製BB的4個頂點，用紅色的小圓圈來表示
    for (x, y) in box:
        cv2.circle(orig, (int(x), int(y)), 5, (0, 0, 255), -1)

    # 分別計算top-left 和top-right的中心點和bottom-left 和bottom-right的中心點坐標
    (tl, tr, br, bl) = box
    (tltrX, tltrY) = midpoint(tl, tr)
    (blbrX, blbrY) = midpoint(bl, br)

    # 分別計算top-left和top-right的中心點和top-righ和bottom-right的中心點坐標
    (tlblX, tlblY) = midpoint(tl, bl)
    (trbrX, trbrY) = midpoint(tr, br)

    # 繪製BB的4條邊的中心點，用藍色的小圓圈來表示
    cv2.circle(orig, (int(tltrX), int(tltrY)), 5, (255, 0, 0), -1)
    cv2.circle(orig, (int(blbrX), int(blbrY)), 5, (255, 0, 0), -1)
    cv2.circle(orig, (int(tlblX), int(tlblY)), 5, (255, 0, 0), -1)
    cv2.circle(orig, (int(trbrX), int(trbrY)), 5, (255, 0, 0), -1)

    # 在中心點之間繪製直線，用紫紅色的線來表示
    cv2.line(orig, (int(tltrX), int(tltrY)), (int(blbrX), int(blbrY)),
             (255, 0, 255), 2)
    cv2.line(orig, (int(tlblX), int(tlblY)), (int(trbrX), int(trbrY)),
             (255, 0, 255), 2)

    # 計算兩個中心點之間的歐氏距離，即圖片距離
    dA = dist.euclidean((tltrX, tltrY), (blbrX, blbrY))
    dB = dist.euclidean((tlblX, tlblY), (trbrX, trbrY))

    # 初始化測量指標值，參考物體在圖片中的寬度已經通過歐氏距離計算得到，參考物體的實際大小已知
    if pixelsPerMetric is None:
        pixelsPerMetric = dB / (1.968503 *2.54) #大約5公分=1.968503英吋

    # 計算目標的實際大小（寬和高），用英尺來表示
    dimA = dA / pixelsPerMetric
    dimB = dB / pixelsPerMetric

    # 在圖片中繪製結果
    cv2.putText(orig, "{:.1f}cm".format(dimB),
                (int(tltrX - 15), int(tltrY - 10)), cv2.FONT_HERSHEY_SIMPLEX,
                0.65, (255, 255, 255), 2)
    cv2.putText(orig, "{:.1f}cm".format(dimA),
                (int(trbrX + 10), int(trbrY)), cv2.FONT_HERSHEY_SIMPLEX,
                0.65, (255, 255, 255), 2)
    print('長：',"{:.1f}cm".format(dimB))
    print('寬：',"{:.1f}cm".format(dimA))

    now_time = time.strftime("%Y-%m-%d-%H-%M-%S", time.localtime(time.time()))
    save_pic_name = now_time + '_' + '.jpg'
    cv2.imwrite(save_pic_name, orig)

    # 顯示結果
    #cv2.namedWindow('Image', 0)
    cv2.namedWindow("Image", cv2.WINDOW_NORMAL)
    cv2.resizeWindow("Image", 800, 600)
    cv2.imshow("Image", orig)
    cv2.waitKey(0)