"""图片工具模块。
该模块提供将图片转换为Pymunk物理形状的工具函数，支持透明背景图和实色背景图的智能处理。
"""
import pymunk
from pymunk.autogeometry import march_soft, simplify_vertexes, convex_decomposition
from PIL import Image, ImageFilter, ImageOps
import numpy as np
[docs]
def get_normalized_convex_polygons(
pixel_array, base_px_width=512.0, target_cell_size=4, img_manim_w=8, img_manim_h=14.22
):
"""从像素数组中提取规范化的凸多边形集合。
该函数通过marchingSquares算法和凸分解，从图片中智能提取
碰撞用的凸多边形。支持透明背景和实色背景的自动识别。
Args:
pixel_array (np.ndarray): 输入图片的像素数组[H, W, C]。
base_width (float, optional): 采样基准宽度，默认为512.0。
用于控制采样精度。
target_cell_size (float, optional): 目标单元格大小，默认为4。
控制marchingSquares的网格密度。
frame_w (float, optional): Manim框架宽度，默认为8。
用于坐标映射。
frame_h (float, optional): Manim框架高度，默认为14.22。
用于坐标映射。
Returns:
list: Manim坐标系中的凸多边形列表，每个多边形为顶点坐标列表。
"""
# 1. 基础维度获取
orig_h, orig_w = pixel_array.shape[:2]
is_rgba = pixel_array.shape[2] == 4 if len(pixel_array.shape) > 2 else False
actual_base_width = min(base_px_width, orig_w)
scale_factor = orig_w / actual_base_width
actual_base_height = int(orig_h / scale_factor)
# 2. 智能判断：这是"透明背景图"还是"带Alpha通道的实色图"？
use_alpha_mask = False
if is_rgba:
alpha_channel = pixel_array[:, :, 3]
# 计算透明像素占比：如果透明像素超过 1%，通常认为它是抠好图的透明背景
transparent_ratio = np.mean(alpha_channel < 32)
if transparent_ratio > 0.1:
use_alpha_mask = True
# 3. 根据判断结果生成 Mask
if use_alpha_mask:
# --- 路径 A: 透明背景处理 ---
# 直接使用 Alpha 通道，这比任何颜色分析都准
img_obj = Image.fromarray(pixel_array[:, :, 3]).convert("L")
img_resized = img_obj.resize(
(int(actual_base_width), actual_base_height), Image.Resampling.LANCZOS
)
mask_np = np.where(np.array(img_resized) > 128, 255, 0).astype(np.uint8)
else:
# --- 路径 B: 实色背景处理 (保留你原有的对比度拉伸逻辑) ---
img_rgb = Image.fromarray(pixel_array[:, :, :3].astype("uint8")).convert("L")
img_obj = ImageOps.autocontrast(img_rgb, cutoff=0.5)
img_resized = img_obj.resize(
(int(actual_base_width), actual_base_height), Image.Resampling.LANCZOS
)
img_np = np.array(img_resized)
# 环形边缘采样逻辑
border_pixels = np.concatenate(
[img_np[0, :], img_np[-1, :], img_np[:, 0], img_np[:, -1]]
)
bg_color = np.median(border_pixels)
bg_std = np.std(border_pixels)
diff = np.abs(img_np.astype(np.int16) - bg_color)
dynamic_threshold = max(10, bg_std * 3)
mask_np = np.where(diff > dynamic_threshold, 255, 0).astype(np.uint8)
# 4. 后处理与采样
mask = Image.fromarray(mask_np)
# 闭运算：连接断裂的高光位
mask = mask.filter(ImageFilter.MaxFilter(3)).filter(ImageFilter.MinFilter(3))
def sample_func(point):
"""采样函数：根据坐标返回Mask值。
Args:
point (tuple): (x, y)坐标。
Returns:
int: 该点的Mask值（0或255）。
"""
x, y = int(point[0]), int(point[1])
if 0 <= x < actual_base_width and 0 <= y < actual_base_height:
return mask.getpixel((x, y))
return 0
bb = pymunk.BB(0, 0, actual_base_width - 1, actual_base_height - 1)
x_samples = max(20, int(actual_base_width / target_cell_size))
y_samples = max(20, int(actual_base_height / target_cell_size))
pl_set = march_soft(bb, x_samples, y_samples, 128.0, sample_func)
# 4. 顶点映射还原
pixel_polygons = []
for polyline in pl_set:
simplified = simplify_vertexes(polyline, 0.4)
if len(simplified) > 3:
try:
parts = convex_decomposition(simplified, 0.1)
for part in parts:
pixel_polygons.append(
[(p[0] * scale_factor, p[1] * scale_factor) for p in part]
)
except:
continue
# 坐标转换
manim_polygons = map_polygons_to_manim(
pixel_polygons,
img_px_w=orig_w,
img_px_h=orig_h,
img_manim_w=img_manim_w,
img_manim_h=img_manim_h,
)
return manim_polygons
[docs]
def map_polygons_to_manim(polygons, img_px_w, img_px_h, img_manim_w, img_manim_h):
"""将像素坐标系中的多边形映射到Manim坐标系。
执行坐标系转换：从图片像素坐标转换为Manim的笛卡尔坐标系。
Args:
polygons (list): 像素坐标系中的多边形列表。
img_w (float): 图片宽度（像素）。
img_h (float): 图片高度（像素）。
frame_w (float): Manim框架宽度。
frame_h (float): Manim框架高度。
Returns:
list: Manim坐标系中的多边形列表。
"""
manim_polygons = []
for poly in polygons:
manim_vertices = []
for x, y in poly:
# 执行坐标映射
m_x = (x / img_px_w - 0.5) * img_manim_w
m_y = (0.5 - y / img_px_h) * img_manim_h
manim_vertices.append([m_x, m_y])
manim_polygons.append(manim_vertices)
return manim_polygons