1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
// src/edge/threshold.rs
use ndarray::ArrayView2;
use std::time::Instant;
/// 自适应阈值计算器
pub struct AdaptiveThreshold;
impl AdaptiveThreshold {
/// 基于图像直方图统计计算 Canny 高低阈值。
///
/// # 分支策略
///
/// ## 极暗场景（中位数 <= 10）
/// 大部分像素为背景黑色，中位数法失效，改用高百分位数法（p70/p85）。
///
/// ## 高亮背景场景（中位数 > 150）
/// 典型真实照片：背景为白纸/浅色桌面，中位数反映背景亮度而非边缘强度。
/// 进一步细分为极度高亮（动态范围 < 30 或高亮区集中度 < 10）和正常高亮两个子分支。
///
/// ## 正常场景（10 < 中位数 <= 150）
/// 标准中位数法：low = (1-sigma)*median，high = (1+sigma)*median，
/// 同时对 high 施加 200.0 的硬上限，防止边界情况产生过高阈值。
///
/// sigma 推荐值为 0.33。
pub fn calculate(view: &ArrayView2<'_, u8>, sigma: f32) -> (f32, f32) {
let start = Instant::now();
// 统计 256 级灰度直方图
let mut hist = [0u32; 256];
for &pixel in view.iter() {
hist[pixel as usize] += 1;
}
let total = view.len() as u32;
// 累积分布求中位数（第 50 百分位）
let mut count = 0u32;
let mut median = 127u8;
for (i, &c) in hist.iter().enumerate() {
count += c;
if count >= total / 2 {
median = i as u8;
break;
}
}
let (low, high) = if median <= 10 {
// ── 极暗/稀疏场景：使用高百分位数法 ──────────────────────────────
// 中位数 <= 10 说明大部分像素为背景黑色（如白纸上的黑色文字扫描件），
// 此时中位数法失效，改用高百分位数法保证边缘能被检测到。
// 取第 70 百分位作为 low 阈值基准，第 85 百分位作为 high 阈值基准。
let p70 = Self::percentile(&hist, total, 70);
let p85 = Self::percentile(&hist, total, 85);
// 若高百分位仍为 0（全黑图），使用固定保底阈值
let low = if p70 > 0 {
(p70 as f32 * (1.0 - sigma)).max(1.0)
} else {
10.0
};
let high = if p85 > 0 {
(p85 as f32).max(low + 1.0)
} else {
30.0
};
log::debug!(
"[Edge::Threshold] - Sparse scene (median={}), percentile method: \
p70={}, p85={}, low={:.2}, high={:.2}",
median, p70, p85, low, high
);
(low, high)
} else if median > 150 {
// ── 高亮背景场景：使用直方图差分近似梯度分布 ────────────────────────
//
// 核心问题：p75=242, p90=245 相差仅 3，说明直方图极度集中在高亮区。
// 此时像素亮度百分位与 Sobel 梯度幅值完全脱钩，不能用来估算 Canny 阈值。
//
// 修复策略：
// 1. 计算直方图的"集中度"指标：p90 - p10（亮度动态范围）
// 2. 若动态范围 < 30（极度高亮/低对比度场景），切换到固定低阈值模式
// 3. 否则使用改进的 p25/p75 百分位（聚焦暗区，捕捉文档边缘弱梯度）
let p10 = Self::percentile(&hist, total, 10);
let p25 = Self::percentile(&hist, total, 25);
let p75 = Self::percentile(&hist, total, 75);
let p90 = Self::percentile(&hist, total, 90);
let dynamic_range = p90 as i32 - p10 as i32;
// 高亮区集中度：p90 与 p75 之差越小说明高亮区越集中
let highlight_spread = p90 as i32 - p75 as i32;
let (low, high) = if dynamic_range < 30 || highlight_spread < 10 {
// 极度高亮场景（白纸拍白桌）：整个图像对比度极低，
// 文档边缘的 Sobel 梯度幅值极小，必须使用固定低阈值才能检测到。
// 经验值：文档边缘在此类场景下梯度幅值通常在 10~40 之间。
let low = 5.0f32;
let high = 20.0f32;
log::debug!(
"[Edge::Threshold] - Extreme highlight scene (median={}, dynamic_range={}, \
highlight_spread={}), using fixed low thresholds: low={:.2}, high={:.2}",
median, dynamic_range, highlight_spread, low, high
);
(low, high)
} else {
// 正常高亮背景（有足够对比度）：使用 p25/p75 聚焦暗区
// p25 通常落在文档内容区（文字、印章），p75 对应边缘过渡区
let low = (p25 as f32 * (1.0 - sigma)).max(1.0).min(60.0);
let high = (p75 as f32 * (1.0 - sigma * 0.5))
.max(low + 5.0)
.min(150.0);
log::debug!(
"[Edge::Threshold] - Bright background scene (median={}, dynamic_range={}), \
p25/p75 method: p25={}, p75={}, low={:.2}, high={:.2}",
median, dynamic_range, p25, p75, low, high
);
(low, high)
};
(low, high)
} else {
// ── 正常场景：标准中位数法 + 硬上限 ──────────────────────────────
// 中位数在 10~150 之间，图像亮度分布适中，标准中位数法有效。
// 对 high 施加 200.0 的硬上限（P0 修复），防止中位数偏高时
// high 被截断到 255，导致与高亮背景场景相同的边缘丢失问题。
let low = (0.0f32.max((1.0 - sigma) * median as f32)).min(255.0);
let high = (255.0f32.min((1.0 + sigma) * median as f32))
.max(low + 1.0)
.min(200.0); // P0 修复：hard cap，防止 high 过高
(low, high)
};
log::debug!(
"[Edge::Threshold] - Thresholds: low={:.2}, high={:.2}, median={}, \
sigma={:.2}. Elapsed: {}µs",
low,
high,
median,
sigma,
start.elapsed().as_micros()
);
(low, high)
}
/// 从直方图中计算指定百分位数对应的像素值。
///
/// # 参数
/// - `hist`：256 级灰度直方图
/// - `total`：总像素数
/// - `percent`：百分位（0~100）
fn percentile(hist: &[u32; 256], total: u32, percent: u32) -> u8 {
// 目标累积像素数
let target = (total as u64 * percent as u64 / 100) as u32;
let mut cumulative = 0u32;
for (i, &c) in hist.iter().enumerate() {
cumulative += c;
if cumulative >= target {
return i as u8;
}
}
255
}
/// 辅助方法：快速计算近似中值（用于低功耗场景）。
///
/// 以步长 4 采样，牺牲精度换取速度，适用于实时预览帧。
pub fn fast_median(view: &ndarray::ArrayView2<'_, u8>) -> u8 {
let sample_step = 4;
let mut hist = [0u32; 256];
let mut count = 0u32;
for row in view.rows().into_iter().step_by(sample_step) {
for &pixel in row.iter().step_by(sample_step) {
hist[pixel as usize] += 1;
count += 1;
}
}
if count == 0 {
return 127;
}
let mut cumulative = 0u32;
for (i, &c) in hist.iter().enumerate() {
cumulative += c;
if cumulative >= count / 2 {
return i as u8;
}
}
127
}
}