import matplotlib
import matplotlib.pyplot as plt
matplotlib.use('TkAgg')
from plantcv import plantcv as pcv
import numpy as np
import cv2



def process_images_background(full_bil_path, mask, outdir='None', debug="None"):
    # 初始化参数
    class options:
        def __init__(self):
            self.image = full_bil_path  # 输入的光谱图像路径
            self.debug = debug  # 设置调试模式：'plot' 或 'print'
            self.writeimg = False  # 是否保存图片
            self.result = outdir  # 输出结果文件路径
            self.outdir = outdir  # 输出文件夹路径

    args = options()

    # 设置 PlantCV 的全局参数
    pcv.params.debug = args.debug
    pcv.params.dpi = 100  # 设置 DPI
    pcv.params.text_size = 1  # 文本大小
    pcv.params.text_thickness = 1  # 文本粗细

    # 读取光谱图像（ENVI 格式）
    spectral_array = pcv.readimage(filename=args.image, mode='envi')
    bath_100 = spectral_array.array_data[:, :, 100]
    bath_over = pcv.threshold.binary(gray_img=bath_100, threshold=5500, object_type='light')

    # 将PIL 16位掩膜转换为8位二值化格式
    # 如果mask是非零值则设置为255（塑料区域），否则为0（背景）
    mask_array = np.array(mask) if not isinstance(mask, np.ndarray) else mask
    b_thresh_unit8 = ((mask_array > 0).astype(np.uint8)) * 255

    # 填充小的孔洞，并反转掩膜
    b_fill = pcv.fill(bin_img=b_thresh_unit8, size=250)
    b_fill_inverted = pcv.invert(b_fill)

    # 创建形态统计和光谱统计掩膜
    dilate_img = pcv.dilate(gray_img=b_fill_inverted, ksize=3, i=4)
    bath_erode = pcv.erode(gray_img=bath_over, ksize=3, i=4)

    # 塑料掩膜的反转和非黑色背景的掩膜相乘
    dilate_img = dilate_img * bath_erode / 255
    dilate_img = pcv.fill(bin_img=dilate_img, size=10000)

    # 使用cv2.connectedComponents代替pcv.create_labels，避免污染plantcv outputs
    num1, labeled_spectral_mask = cv2.connectedComponents(dilate_img.astype(np.uint8))

    # plt.figure(figsize=(10, 8))
    # plt.imshow(dilate_img, cmap='nipy_spectral')
    # plt.colorbar(label='Object Label')
    # plt.title(f'Labeled Spectral Mask - {num1} objects detected')
    # plt.xlabel('X coordinate')
    # plt.ylabel('Y coordinate')
    # plt.show()
    print(f"Number of objects (second mask): {num1 - 1}")  # -1 because first label is background

    # 直接计算每个对象的面积并找到最大面积的对象
    max_area = 0
    max_label = 0

    # 遍历所有标签（从1开始，0是背景）
    for label in range(1, num1):
        # 创建当前标签的掩膜
        obj_mask = labeled_spectral_mask == label
        # 计算面积
        area = np.sum(obj_mask)
        if area > max_area:
            max_area = area
            max_label = label

    # 提取最大面积对象的光谱
    if max_label > 0:
        max_obj_mask = labeled_spectral_mask == max_label
        # 获取最大对象在所有波段的光谱值
        spectral_values = spectral_array.array_data[max_obj_mask, :]
        # 计算平均光谱
        mean_spectrum = np.mean(spectral_values, axis=0)
        # 返回最大面积对象的平均光谱
        return mean_spectrum/10000
    else:
        # 如果没有找到有效背景对象，返回全零光谱
        return np.zeros(spectral_array.array_data.shape[-1]) / 10000