import cv2
import numpy as np

# 1. 加载模型（人脸检测器+人脸掩码生成器）
face_cascade = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)  # 人脸检测模型（OpenCV内置）

# 2. 读取图像并检测人脸
img = cv2.imread("Linus.png")
h, w = img.shape[:2]
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)

if len(faces) == 0:
    print("未检测到人脸")
    exit()

# 3. 生成人像掩码（基于检测到的人脸区域扩展，覆盖全身）
# 简化处理：以人脸为中心扩展掩码（实际可结合人体分割模型优化）
x, y, w_face, h_face = faces[0]
mask = np.zeros_like(gray)
# 扩展掩码范围（根据人像比例调整，这里设为人脸的2倍宽高）
expand_w = w_face // 2
expand_h = h_face // 2
top = max(0, y - expand_h)
bottom = min(h, y + h_face + expand_h)
left = max(0, x - expand_w)
right = min(w, x + w_face + expand_w)
cv2.rectangle(mask, (left, top), (right, bottom), 255, -1)  # 矩形前景掩码

# 模糊强度控制：
# 卷积核大小（ksize）：数值越大，模糊越强（需为奇数，如(3,3)→弱，(21,21)→强）；
# 标准差（sigmaX/sigmaColor）：高斯模糊 / 双边模糊中，数值越大，模糊越均匀（如sigmaX=1→弱，sigmaX=10→强）。
# 边缘保留：
# 需保留边缘时，优先选择双边模糊（bilateralFilter）或中值模糊；
# 局部模糊时，对掩码进行边缘羽化（高斯模糊），避免前景与背景的融合边缘生硬。
# 效率优化：
# 实时场景（如视频虚化）：优先使用均值模糊或小核高斯模糊（ksize≤(11,11)）；
# 大图像虚化：先缩小图像尺寸，模糊后再放大（减少计算量）。


# 4. 优化掩码（边缘羽化，避免融合生硬）
kernel = np.ones((7, 7), np.uint8)
mask = cv2.erode(mask, kernel, iterations=1)  # 腐蚀缩小前景，留出羽化空间
mask = cv2.GaussianBlur(mask, (7, 7), 0)  # 高斯模糊实现边缘羽化

# 5. 背景模糊+融合
blur_bg = cv2.GaussianBlur(img, (7, 7), sigmaX=10)
# 归一化掩码（0-1范围，用于加权融合）
mask_norm = mask / 255.0
# 融合公式：前景*掩码 + 背景*(1-掩码)（避免边缘生硬）
result = (img * mask_norm[..., None] + blur_bg * (1 - mask_norm[..., None])).astype(np.uint8)

# 6. 显示
cv2.imshow("Original", img)
cv2.imshow("Feathered Mask", mask)
cv2.imshow("Auto Background Blur", result)
cv2.waitKey(0)
cv2.destroyAllWindows()