neděle 8. června 2025

Implementace kandidádátů po oříznutí small po hledání v jednorozměrném obrazu

User:

Jasně že to nestačí, protože kurva nebudu spouštět algoritmus na hledání nějaké pojebané čáry na celý obraz nascanovaný v 300dpi A4! "Proč region=(0, 0, *image.size) je špatně? To je jen fallback, nouzový začátek – říká: “Celý obrázek je kandidátní oblast”" To určitě. RE: "Chceš, abych ti upravil tu funkci tak, aby dělala přesně tohle – tedy omezila každý kandidát jen na jeho reálný detekovaný rozsah podle shadow_ranges?"

AI:

Upravil jsem locate_region_and_source, aby nejprve zavolala project_and_find_shadow_ranges, získala pro bl_small/tr_small konkrétní intervaly a pak podle nich sestavila kandidáty s přesnými regiony (přepočtenými na příslušné měřítko). Zde je nová verze funkce:

def locate_region_and_source(
    bl_small: Image.Image,
    tr_small: Image.Image,
    bl_crop:  Image.Image,
    tr_crop:  Image.Image,
    thumbnail: Image.Image,
    full_img:  Image.Image,
    bl_box_in_thumb:   tuple,
    tr_box_in_thumb:   tuple,
    crop_resize_bl_factor: int,
    crop_resize_tr_factor: int,
    small_capacity_bl: int,
    small_capacity_tr: int,
    est_shadow_thumb_px: int
) -> tuple[dict, dict]:
    """
    Vrátí:
      - {'candidates': [...]}, kde každý kandidát má přesně vypočtený region
      - resolution_info s kapacitami
    """

    # 1) Normy
    MIN_SHADOW_PX_SMALL = 4
    SHADOW_PX_THUMB    = 8

    # 2) Kapacity
    kap_small_bl  = bl_small.height // MIN_SHADOW_PX_SMALL
    kap_small_tr  = tr_small.height // MIN_SHADOW_PX_SMALL
    kap_thumb     = thumbnail.height  // SHADOW_PX_THUMB

    resolution_info = {
        "kapacita_small_bl":  kap_small_bl,
        "kapacita_small_tr":  kap_small_tr,
        "kapacita_thumbnail": kap_thumb,
    }

    # 3) Zúžení regionu pomocí 1D projekcí
    shadow_ranges = project_and_find_shadow_ranges(
        bl_bw=bl_small,
        tr_bw=tr_small,
        min_shadow_thickness_px=MIN_SHADOW_PX_SMALL,
        min_shadow_length_px=20,
        intensity_thresh=0.5,
        prefix=""  # nebo použij output_path, pokud chceš názvy souborů
    )
    # shadow_ranges obsahuje např.:
    #   'bl_row': (x1, x2, length), 'bl_col': (y1, y2, length), atd.

    candidates = []

    # 4) small_bl
    r1, r2, _ = shadow_ranges["bl_row"]
    c1, c2, _ = shadow_ranges["bl_col"]
    if r1 is not None and c1 is not None and kap_small_bl >= kap_thumb:
        candidates.append({
            "source": "small_bl",
            "image": bl_small,
            "region": (r1, c1, r2 + 1, c2 + 1)  # +1, protože end je včetně
        })

    # 5) small_tr
    r1, r2, _ = shadow_ranges["tr_row"]
    c1, c2, _ = shadow_ranges["tr_col"]
    if r1 is not None and c1 is not None and kap_small_tr >= kap_thumb:
        candidates.append({
            "source": "small_tr",
            "image": tr_small,
            "region": (r1, c1, r2 + 1, c2 + 1)
        })

    # 6) crop_bl — přepočtené z small na crop
    if bl_crop.height >= SHADOW_PX_THUMB:
        # region v bl_small byl (r1,c1,r2,c2), nyní násobíme bl_box v thumb a faktor
        x1 = bl_box_in_thumb[0] + r1 * crop_resize_bl_factor
        y1 = bl_box_in_thumb[1] + c1 * crop_resize_bl_factor
        x2 = bl_box_in_thumb[0] + (r2 + 1) * crop_resize_bl_factor
        y2 = bl_box_in_thumb[1] + (c2 + 1) * crop_resize_bl_factor
        candidates.append({
            "source": "crop_bl",
            "image": bl_crop,
            "region": (x1, y1, x2, y2)
        })

    # 7) crop_tr
    if tr_crop.height >= SHADOW_PX_THUMB:
        x1 = tr_box_in_thumb[0] + r1 * crop_resize_tr_factor
        y1 = tr_box_in_thumb[1] + c1 * crop_resize_tr_factor
        x2 = tr_box_in_thumb[0] + (r2 + 1) * crop_resize_tr_factor
        y2 = tr_box_in_thumb[1] + (c2 + 1) * crop_resize_tr_factor
        candidates.append({
            "source": "crop_tr",
            "image": tr_crop,
            "region": (x1, y1, x2, y2)
        })

if not candidates:
return None, resolution_info
 
Tímto způsobem každý kandidát obsahuje přesný ořez, nikoli celý obraz. Konkrétní souřadnice se přepočítají zpět na příslušné rozlišení (crop_resize_*_factor) a dají se rovnou použít pro Houghovu transformaci.

čtvrtek 5. června 2025

Hrubý odhad vhodnosti detekce hrany stínu v obrazu vzhledem k jeho rozlišení (kvalitě)

Tento manuál popisuje jak postupovat v případě, že provádíte detekci hrany stínu nascanovaného documentu.

Fakta pro orientaci

Pipeline: Original Image (300 dpi at least A4) --> Thumbnail (resize na 4th of dims) --> small (resize na estimated 4th of dims)

Přitom crop není nic jiného než ořez oblasti thumbnailu (top-right nebo bottom-left)

Dims and divisor

original 2480 x 3508 px

optimal divisor for thumbnail: 4

thumbnail 620 x 877 px

                  border size

thumbnail 8-9 px thick 

original 8*4 divisor

small 8/4 = 2px thick

Jak počítám zda je rozlišení náhledu nebo cropu dostačující?

Pro thumbnail vychází při této konfiguraci (rozměrech, dpi) tlouštka stínu 4, což stačí, ale při small vychází 2 a to nestačí. Takže si musíš říct kolikrát se 4 vleze do 877 (výška thumbnail) aby si získal nějakou normu. Pokud by byl stín tlustější řekněme 8 tak to bude 877/8, takže menší číslo. Ale menší číslo mi nevadí. Ale co by to ukazovalo kdyby vyšel výsledek menší? Když bude 2x menší než 877/4, tak mi to říká, že mohu použít small a ne thumbnail. 

Podobně small: obrázek 32x32, 4 je px je ok. Kolikrát se vleze 4 do 32px výšky? To mi vychází 8px. To je pro hrubý odhad. A když by u small vyšlo např 128x128 rozměr obrázku small, tak při tloušťce 8px mi zase vyjde 128/8 což je 16. Když bude 32x32 ale 8px tlustý stín pak mám 32/8= 4 a 4 je 2x menší než 8 takže si mohu říct: no jo on ten stín je zbytečně tlustý, možná bych to mohl zmenšit trochu víc.

Začněme

Níže je stručné vysvětlení, jak z orientačně odhadnout, zda je detekce stínu s rozlišením v bl_small (či tr_small) ještě dostatečně přesná, nebo jestli musíme přejít na „vyšší“ úroveň (bl_crop/tr_crop což je úroveň thumbnail). Zavedeme přitom následující dvě čísla:

  1. est_shadow_thumb_px – odhad tloušťky (výšky) stínu už v celém thumbnailu (v mém případě 8 až 9 px takže 8px beru jako normu),

  2. min_shadow_px_small – minimální počet pixelů (např. 4 px), pod kterým už bl_small/tr_small nelze považovat za dostatečně ostrý stín.

Poté si spočteme dvě kapacity (jakoby „kolikrát se stín vejde do výšky“):

  • „kapacita thumbnailu“ = thumbnail.height / est_shadow_thumb_px (čím větší, tím detailnější je thumbnail vůči tloušťce stínu takže vyjde 2x menší číslo když je "kvalita stínu" dvounásobná),

  • „kapacita small“ = bl_small.height / min_shadow_px_small (čím větší, tím small stále dokáže ukázat tloušťku ≥ min_shadow_px_small).

Pokud „kapacita small“ ≥ „kapacita thumbnailu“, znamená to, že i v bl_small je dostatečné množství pixelů, aby stín byl detekovatelný s porovnatelnou přesností, a proto můžeme spustit detekci přímo v bl_small. V opačném případě (tj. když small ztrácí příliš mnoho detailu) přejdeme raději na bl_crop/tr_crop či rovnou na thumbnail, kde je stín stále dostatečně „tlustý“.


1) Konkrétní úprava locate_region_and_source

locate_region_and_source je funkce, která detekuje a měří souřadnice, pro ořez, zmenšení vyššího regionu vrátíme-li se do vyššího rozlišení např. ze small do crop. Např. crop 200x200 můžeme oříznout na 40x350 a teprve v tomto oříznutém regionu budeme hledat línii stínu a detekovat úhel natočení stránky.

Upravíme vnitřek locate_region_and_source tak, že:

  1. Nejprve dynamicky spočítáme

    thumb_capacity = thumbnail.height / est_shadow_thumb_px
    small_capacity = bl_small.height / min_stin_px_small
    
  2. Pokud small_capacity >= thumb_capacity, zkusíme detekci „hrany“ ve bl_small¹.
    Jinak přejdeme rovnou k bl_crop (nebo tr_crop), protože small už je příliš nízké rozlišení.

Takhle bude část kódu uvnitř locate_region_and_source vypadat:

def locate_region_and_source(
    bl_small: Image.Image,  # crop po resize
    bl_crop:   Image.Image, # úroveň tumbnailu (no resize)
    tr_small:  Image.Image, # crop po resize
    tr_crop:   Image.Image, # úroveň tumbnailu (no resize)
    thumbnail: Image.Image, # original image resized to 4th of dims
    full_img:  Image.Image, # original image
    bottom_box_in_thumb: tuple, # asi souřadnice bboxu pro bl?
    top_box_in_thumb:    tuple, # asi souřadnice bboxu pro tr?
    divisor_for_small:   int = 4, # optimální dělitel pro zmenšení cropu
    min_stin_px_small:   int = 4, # obvykle 4 px stačí pro detekci línie
    est_shadow_thumb_px: int = 8  # asi nutno spočítat
) -> dict:
    """
    ... (vaše docstring) ...
    """

    def find_edge_bbox(img_gray, threshold_px):
        gray = np.array(img_gray)
        edges = cv2.Canny(gray, 50, 150)
        lines = cv2.HoughLinesP(
            edges,
            rho=1,
            theta=np.pi/180,
            threshold=threshold_px,
            minLineLength=threshold_px,
            maxLineGap=5
        )
        if lines is None or len(lines) == 0:
            return None
        xs, ys = [], []
        for l in lines:
            x1, y1, x2, y2 = l[0]
            xs += [x1, x2]
            ys += [y1, y2]
        return (min(xs), min(ys), max(xs), max(ys))

    # --- A) nejprve vypočtu kapacity: ---
    #   thumb_capacity  = (kolikrát se tloušťka stínu vejde do výšky thumbnailu)
    #   small_capacity  = (kolikrát se min. tloušťka vejde do výšky bl_small)
    thumb_capacity = thumbnail.height / est_shadow_thumb_px
    small_capacity = bl_small.height / min_stin_px_small

    # --- 1) Zkusíme bottom-left v bl_small, **pouze pokud** small_capacity >= thumb_capacity ---
    if small_capacity >= thumb_capacity:
        # 1.a) Převod bl_small na grayscale a Hough
        gray_bl_small = cv2.cvtColor(np.array(bl_small), cv2.COLOR_RGB2GRAY)
        bbox = find_edge_bbox(gray_bl_small, threshold_px=min_stin_px_small)
        if bbox is not None:
            off_x, off_y = bottom_box_in_thumb[0] * divisor_for_small, bottom_box_in_thumb[1] * divisor_for_small
            bx1, by1, bx2, by2 = bbox
            return {
                "source": "small_bl",
                "region": (bx1 + off_x, by1 + off_y, bx2 + off_x, by2 + off_y)
            }
        # jinak – když v bl_small nic nenajde – přejdeme na crop_bl dále

    # --- 2) Pokud bl_small padne (small_capacity < thumb_capacity) **nebo** Hough v bl_small vrátil None,
    #         zkusíme bl_crop (to je bottom‐left crop na úrovni thumbnail) ---
    if est_shadow_thumb_px >= (min_stin_px_small * divisor_for_small):
        gray_bl_crop = cv2.cvtColor(np.array(bl_crop), cv2.COLOR_RGB2GRAY)
        bbox = find_edge_bbox(gray_bl_crop, threshold_px=min_stin_px_small * 2)
        if bbox is not None:
            off_x, off_y = bottom_box_in_thumb[0], bottom_box_in_thumb[1]
            bx1, by1, bx2, by2 = bbox
            return {
                "source": "crop_bl",
                "region": (bx1 + off_x, by1 + off_y, bx2 + off_x, by2 + off_y)
            }
    # jinak – přeskočíme bl_crop

    # --- 3) Teď analogicky pro top‐right small (tr_small) ---
    if small_capacity >= thumb_capacity:
        gray_tr_small = cv2.cvtColor(np.array(tr_small), cv2.COLOR_RGB2GRAY)
        bbox = find_edge_bbox(gray_tr_small, threshold_px=min_stin_px_small)
        if bbox is not None:
            off_x, off_y = top_box_in_thumb[0] * divisor_for_small, top_box_in_thumb[1] * divisor_for_small
            tx1, ty1, tx2, ty2 = bbox
            return {
                "source": "small_tr",
                "region": (tx1 + off_x, ty1 + off_y, tx2 + off_x, ty2 + off_y)
            }

    # --- 4) A pro tr_crop (tzv. top‐right crop v thumbnail) ---
    if est_shadow_thumb_px >= (min_stin_px_small * divisor_for_small):
        gray_tr_crop = cv2.cvtColor(np.array(tr_crop), cv2.COLOR_RGB2GRAY)
        bbox = find_edge_bbox(gray_tr_crop, threshold_px=min_stin_px_small * 2)
        if bbox is not None:
            off_x, off_y = top_box_in_thumb[0], top_box_in_thumb[1]
            tx1, ty1, tx2, ty2 = bbox
            return {
                "source": "crop_tr",
                "region": (tx1 + off_x, ty1 + off_y, tx2 + off_x, ty2 + off_y)
            }

    # --- 5) Pokud jsme se nedostali k žádnému bottom‐left ani top‐right řezu, zkusíme celý thumbnail ---
    gray_thumb = cv2.cvtColor(np.array(thumbnail), cv2.COLOR_RGB2GRAY)
    bbox = find_edge_bbox(gray_thumb, threshold_px=min_stin_px_small * 3)
    if bbox is not None:
        return {
            "source": "thumbnail",
            "region": bbox
        }

    # --- 6) A nakonec fallback: celý originál (full_img) ---
    gray_full = cv2.cvtColor(np.array(full_img), cv2.COLOR_RGB2GRAY)
    bbox = find_edge_bbox(gray_full, threshold_px=min_stin_px_small * 5)
    if bbox is not None:
        return {
            "source": "full",
            "region": bbox
        }

    # fallback --- 7) Když ani originál nic nenajde, prostě vrať celý full_img jako region ---
    W, H = full_img.size
    return {
        "source": "full",
        "region": (0, 0, W, H)
    }

Vysvětlení klíčové úpravy:

  • Na řádku thumb_capacity = thumbnail.height / est_shadow_thumb_px vezmeme odhadnutou tloušťku stínu v celém thumbnailu (řekněme 8 px) a řekneme si:

    • „Kolikrát se do těch 877 px (výšky) vejde ten 8 px stín?“ → 877/8 ≈ 109.6.
      Čím menší je ta kapacita, tím hruběji hrubě se nám může detekovat úhel ve thumbnailu; naopak čím větší kapacita, tím je thumbnail relativně detailnější vůči tloušťce stínu.

  • Na řádku small_capacity = bl_small.height / min_stin_px_small spočítáme, kolikrát se do výšky bl_small vejde minimální tloušťka stínu, kterou ještě chceme detekovat (např. 4 px). Příklad:
    bl_small.height je třeba 32 px → 32/4 = 8.
    – Pokud je 8 (small_capacity) menší než 109.6 (thumb_capacity), znamená to, že v bl_small je relativně příliš málo „pixelek“ na to, aby stín o tloušťce 8 px (v thumbnailu) pořád měl v small tloušťku minimálně 4 px. Jinými slovy, small už ztratí příliš detailu.

  • Podmínka if small_capacity >= thumb_capacity: říká, že pokud dokážu v bl_small alespoň stejný poměr „tloušťka stínu vs. výška obrazu“ (tj. kapacita detekce) jako mám v celém thumbnailu, pak stojí za to hned zkusit Hough v bl_small. Pokud to z bl_small vypadne None (nebo pokud small_capacity < thumb_capacity), i tak se dostanu do kroku č. 2, tj. zkusím bl_crop.

  • Ty další úrovně (bl_crop, tr_small, tr_crop, thumbnail, full) už zůstanou stejně, jen thresholdy (resp. threshold_px=min_stin_px_small * 2 apod.) se násobí podle logiky, kterou jste si definoval dřív.


2) Jak to zapojíte do create_thumbnail_with_regions

V „upravené“ verzi create_thumbnail_with_regions (viz výše) po vygenerování bl_small, tr_small (a jejich „bw“‐variant) větříme locate_region_and_source(...). Nově tedy create_thumbnail_with_regions vrací:

return bl_small, bl_crop, tr_small, tr_crop, thumbnail, bl_box, tr_box, region_info

kde region_info obsahuje vždy:

{
    "source":  <"small_bl"|"crop_bl"|"small_tr"|"crop_tr"|"thumbnail"|"full">,
    "region":  (x1, y1, x2, y2)   # v souřadnicích toho zvoleného source‐obrazu
}

3) Použití v process_images

Ve vaší funkci process_images pak nahradíte původní:

bl_small, bl_crop, tr_small, tr_crop, thumbnail, bl_box, tr_box = create_thumbnail_with_regions(
    img_pil, thumbnail_path, ocr_area, toc_area, theme_numbers_area, theme_area, top_right_area, bottom_area
)

tímto:

bl_small, bl_crop, tr_small, tr_crop, thumbnail, bl_box, tr_box, region_info = create_thumbnail_with_regions(
    img_pil, thumbnail_path, ocr_area, toc_area, theme_numbers_area, theme_area, top_right_area, bottom_area
)

a hned po tom zpracujete region_info takto:

# 1) Zjistíme, jestli locate_region_and_source už spočítal úhel (angle) – případně mu region dtočil:
angle = None
angle_source = None

# Pokud locate_region_and_source přiřadil rovnou úhel, mohli bychom do region_info přidat key "angle".
# Příklad: region_info = {"source": "small_bl", "region": (...), "angle":  -2.34 }
# Pokud tam je, hned to použijeme.
if "angle" in region_info:
    angle = region_info["angle"]
    angle_source = region_info["source"]

# 2) Jinak (žádný úhel jsme dosud neměli) musíme spustit Hough podle toho, co region_info řekne:

if angle is None:
    src = region_info["source"]
    x1, y1, x2, y2 = region_info["region"]

    if src == "small_bl":
        crop_img = bl_small.crop((x1, y1, x2, y2))
    elif src == "crop_bl":
        # Protože bl_crop začíná v bl_box[0..1], pak
        crop_img = bl_crop.crop((
            x1 - bl_box[0], y1 - bl_box[1],
            x2 - bl_box[0], y2 - bl_box[1]
        ))
    elif src == "small_tr":
        crop_img = tr_small.crop((x1, y1, x2, y2))
    elif src == "crop_tr":
        crop_img = tr_crop.crop((
            x1 - tr_box[0], y1 - tr_box[1],
            x2 - tr_box[0], y2 - tr_box[1]
        ))
    elif src == "thumbnail":
        crop_img = thumbnail.crop((x1, y1, x2, y2))
    else:  # src == "full"
        crop_img = img_pil.crop((x1, y1, x2, y2))

    # Teď Hough na vybraném crop_img:
    sub_np = np.array(crop_img.convert("L"))
    edges = cv2.Canny(sub_np, 50, 150)
    lines = cv2.HoughLinesP(
        edges,
        rho=1, theta=np.pi/180,
        threshold=min_stin_px_small * 3,   # např. 12
        minLineLength=20 * 3,             # např. délka 60 px
        maxLineGap=5
    )
    if lines is not None and len(lines) > 0:
        longest = max(lines, key=lambda L: np.hypot(L[0][2]-L[0][0], L[0][3]-L[0][1]))[0]
        x1s, y1s, x2s, y2s = longest
        angle = float(np.degrees(np.arctan2((y2s - y1s), (x2s - x1s))))
        angle_source = src
    else:
        # žádná linie nenalezena – můžete dál zkusit „thumbnail“ nebo „full“… podle potřeby
        pass

# 3) Pokud máme nějaký angle, otočíme obrázek:
if angle is not None and angle != 0:
    rotate_angle = angle - 90
    img_pil = rotate_image(img_pil, -rotate_angle)

Výsledek

Díky tomu, že:

  • create_thumbnail_with_regions (bod 1 všeho) už vrací i region_info = locate_region_and_source(...),

  • a locate_region_and_source (bod 2) počítá thumb_capacity a small_capacity a na jejich základě rozhoduje, kde spustit Hough (a vrátí buď rovnou box s úhlem, nebo jen box bez úhlu),

  • tak v process_images (bod 3) už přesně víte, ve kterém „source“ (small_bl, crop_bl, small_tr, crop_tr, thumbnail, full) a v jakém „regionu“ spustíte finální Hough, nebo rovnou odchytíte úhel z locate_region_and_source.

Celý mechanismus teď:

  1. create_thumbnail_with_regions vytvoří bl_small, tr_small, thumb atd., hned zavolá locate_region_and_source(...).

  2. locate_region_and_source spočítá kapacity (porovnání small vs. thumb) a vrátí "source" + "region", případně i "angle" – podle toho, kde našel nejdelší linii stínu.

  3. process_images prostě rozbalí návrat z create_thumbnail_with_regions, podívá se do region_info a podle source a region buď:

    • vezme úhel přímo z region_info["angle"],

    • nebo si „vyřízne“ tu oblast z příslušného obrázku (bl_small, bl_crop, thumbnail či full_img) a spustí Hough znovu jen v tom krabičkovém výřezu.

Tím je zaručeno, že:

  • nikdy nespustíte Canny+Hough na zbytečně velkém obrázku (protože nejprve vyberete nejmenší možnou úroveň, na které je ještě stín dostatečně tlustý),

  • a současně dynamicky zohledníte, jestli je bl_small/tr_small ještě dostatečně ostré (porovnáním small_capacity vs thumb_capacity).


Poznámka k hodnotám

  • est_shadow_thumb_px nastavte z předchozí zkušenosti (u vás ~ 8 px).
    Pokud nevíte přesně, můžete ho třeba měnit podle toho, jaký je původní rozměr a dpi, ale v praxi stačí říct „vzhledem k 625×875 px thumbnailu mám stín tloušťky ~ 8 px“.

  • min_stin_px_small zvolte tak, aby v bl_small mívá ten stín nejméně 4 pixely na výšku.

V ukázce jsme dali min_stin_px_small = 4. Jakmile bl_small.height / 4 bude menší než thumbnail.height / 8, tak rovnou přeskočíme bl_small a zkusíme bl_crop či thumbnail.

Takto získáte objektivní (číslem řízenou) logiku, kdy „small“ ještě stačí a kdy už musíte vzít větší obraz.


Shrnutí jednou větou

Rozhodovací vzorec:
– Spočti thumb_capacity = thumbnail.height / est_shadow_thumb_px a small_capacity = bl_small.height / min_stin_px_small.
– Pokud small_capacity >= thumb_capacity, nejprve Hough ve bl_small; jinak přeskoč přímo na bl_crop (a dál).

A tím pádem už nikdy neběží Hough na zbytečně velké oblasti.

pátek 30. května 2025

Kód pro opravu barev na nascanovaném dokumentu

Kód má mírně stáhnout modrou barvu (což není přesně co jsem chtěl - na původním obrázku se trochu odráží modré LED světlo, tak jsem to chtěl stáhnout). Nicméně to by bylo třeba vybrat jen ty pixely kde je ta modrá barva a neaplikovat to na celý dokument. Nastavení kontrastu je pro dokument, který má nízký kontrast.

 

from PIL import Image, ImageEnhance
import os
import glob

# Funkce pro úpravu obrázku
def adjust_image(image_path, output_path):
    # Otevření obrázku
    img = Image.open(image_path).convert("RGB")
    
    # 1. Odstranění modrého nádechu (snížení modrého kanálu)
    r, g, b = img.split()
    # Snížíme intenzitu modrého kanálu (např. o 20 %)
    b = b.point(lambda x: int(x * 0.8))
    img = Image.merge("RGB", (r, g, b))
    
    # 2. Zesvětlení pozadí a zvýšení kontrastu pro tmavší text
    # Převod na šedotón (pro OCR je lepší černobílé zobrazení)
    img = img.convert("L")
    
    # Úprava jasu (zesvětlení středních tónů)
    enhancer = ImageEnhance.Brightness(img)
    img = enhancer.enhance(1.2)  # Mírné zesvětlení (1.2 je jemná úprava)

    # Úprava kontrastu
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)  # Zvýšíme kontrast (hodnota 2.0 je dobrý základ)
    
    # Úprava jasu (zesvětlení středních tónů)
    enhancer = ImageEnhance.Brightness(img)
    img = enhancer.enhance(1.4)  # Mírné zesvětlení (1.2 je jemná úprava)
    
    # Uložení upraveného obrázku
    img.save(output_path, "JPEG")
    print(f"Upravený obrázek uložen jako: {output_path}")

# Hlavní funkce pro zpracování všech obrázků v adresáři
def process_images(input_folder, output_folder):
    # Vytvoření výstupní složky, pokud neexistuje
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)
    
    # Najdeme všechny JPG soubory v input složce
    image_files = glob.glob(os.path.join(input_folder, "*.jpg"))
    
    # Zpracujeme každý obrázek
    for image_path in image_files:
        # Vytvoříme název výstupního souboru
        filename = os.path.basename(image_path)
        output_path = os.path.join(output_folder, f"adjusted_{filename}")
        
        # Upravíme obrázek
        adjust_image(image_path, output_path)

# Spuštění skriptu
if __name__ == "__main__":
    # Nastavte cestu k adresáři s vyextrahovanými obrázky a výstupní složku
    input_folder = "/home/user/Dokumenty/Knihy/scan music theory 1/test"  # Nahraďte cestou k vašim obrázkům
    output_folder = "/home/user/Dokumenty/Knihy/scan music theory 1/output"  # Nahraďte cestou k výstupní složce
    
    # Zpracujeme obrázky
    process_images(input_folder, output_folder)




Kód pro extrakci nascanovaných obrázků z poškozeného .pdf

Soubor byl poškozen ve smyslu, že nebyl dokončen zápis .pdf pro nedostatek místa na disku. První skript najde začátky streamů se značkou JFIF a druhý provádí extrakci těch fotek.

# Import potřebných knihoven
import re

# Otevření PDF souboru v binárním režimu
with open('music theory part 3.pdf', 'rb') as file:
    content = file.read()  # Načtení obsahu souboru

# Vyhledání pozic řetězce "stream"
positions = [m.start() for m in re.finditer(b'stream', content)]

# Tisk prvních dvaceti bajtů od každé nalezené pozice
for pos in positions:
    start = pos  # Pozice začátku řetězce "stream"
    end = start + 20  # Konec prvních dvaceti bajtů
    print(f'Pozice: {pos}, Prvních 20 bajtů: {content[start:end]}')


EXTRAKCE

import re

# Funkce pro extrakci obrázků
def extract_images(pdf_file):
    with open(pdf_file, 'rb') as file:
        content = file.read()  # Načtení obsahu souboru

    # Procházení všech výskytů "stream"
    for match in re.finditer(b'stream', content):
        start = match.start()  # Pozice začátku "stream"
        
        # Tisk pozice a prvních 20 bajtů od "stream"
        print(f'Pozice: {start}, Prvních 20 bajtů: {content[start:start + 20]}')
        
        # Hledání konce streamu (použijeme "endstream" místo "endobj" pro přesnost)
        endstream_match = re.search(b'endstream', content[start:])
        if endstream_match:
            # Začátek obrazových dat je po "stream\n"
            newline_pos = content.find(b'\n', start)
            if newline_pos == -1:
                continue  # Pokud není newline, přeskočíme
            data_start = newline_pos + 1
            data_end = start + endstream_match.start()  # Konec před "endstream"
            image_data = content[data_start:data_end]
            
            # Kontrola, zda je to platný JPEG (začíná \xff\xd8)
            if image_data.startswith(b'\xff\xd8'):
                # Uložení obrázku
                with open(f'image_{start}.jpg', 'wb') as img_file:
                    img_file.write(image_data)
                print(f'Obrázek uložen: image_{start}.jpg')

# Spuštění funkce s vaším PDF souborem
extract_images('music theory 2 - chordsn rhytms.pdf')



 

čtvrtek 8. května 2025

Zrychlení videa mp4 se zachováním původního pitch / tóniny

TENTO KOD JSEM OVĚŘIL A SKUTEČNĚ FUNGUJE.

import subprocess

# Vstupní video a seznam požadovaných rychlostí
input_file = '/home/user/Videa/LOOP-tremolo-song-training-200-120-bpm.mp4'
bpm_speeds = {
    '350_BPM': 2.92,
    '352_BPM': 2.93,
    '354_BPM': 2.95,
    '357_BPM': 2.975,
    '356_BPM': 2.967,
    '358_BPM': 2.983
}

for label, ratio in bpm_speeds.items():
    output_file = f'/home/user/Videa/LOOP-tremolo-song-training-{label}.mp4'
    
    cmd = [
        'ffmpeg', '-y', '-i', input_file,
        '-filter_complex',
          # zrychlíme obraz i zvuk najednou
          f"[0:v]setpts=PTS/{ratio}[v];"
          f"[0:a]rubberband=tempo={ratio}[a]",
        '-map', '[v]', '-map', '[a]',
        '-c:v', 'libx264', '-preset', 'fast', '-crf', '23',
        '-c:a', 'aac', '-b:a', '192k',
        output_file
    ]
    
    print(f"Spouštím zpracování {label} (faktor {ratio})…")
    subprocess.run(cmd, check=True)
    print(f"✔ Hotovo: {output_file}\n")

pondělí 3. března 2025

implementace propojení nastavení hodnoty posuvníku po kliknutí na tlačítko

 

Níže je příklad, který ukazuje, jak se propojí kliknutí na tlačítko (které nastaví hodnotu a pastelové barvy) a pohyb posuvníku (který nastaví syté barvy) pomocí sdílené proměnné. Klíčové je, že obě funkce pracují se stejnou proměnnou (např. self.slider_var) – když se kliknutím nastaví nová hodnota, funkce pro tlačítko (toggle_update_feeling_button) zavolá self.slider_var.set(nová_hodnota) a při pohybu posuvníku se slider_update_feeling_button spustí a přečte tu hodnotu, aby nastavila barvy tlačítka.

Níže je úryvek kódu, který demonstruje tuto propojení:

def toggle_feeling(self):
    """Při kliknutí na tlačítko cyklí hodnoty podle seznamu a nastaví pastelové barvy.
       Zároveň se nastaví hodnota posuvníku."""
    states = [0, 2, 5, 7, 9]
    current = self.feeling_var.get()
    new_index = (states.index(current) + 1) % len(states)
    new_state = states[new_index]
    self.feeling_var.set(new_state)
    # Aktualizace tlačítka pomocí pastelových barev:
    self.toggle_update_feeling_button()
    # Synchronizace posuvníku s novou hodnotou:
    self.slider_var.set(new_state)

def toggle_update_feeling_button(self, value=None):
    """Aktualizuje barvu tlačítka podle aktuální hodnoty feeling_var pomocí pastelových odstínů."""
    feeling_value = self.feeling_var.get()
    pastel_light = self.pastel_colors_light.get(feeling_value, "#A8E6A3")
    pastel_dark = self.pastel_colors_dark.get(feeling_value, "#658A62")
    # Nastaví pastelové barvy na tlačítko (barva textu = světlá, pozadí = tmavá)
    self.feeling_button.config(bg=pastel_dark,
                               fg=pastel_light,
                               activebackground=pastel_light,
                               activeforeground=pastel_dark)

def slider_update_feeling_button(self, value=None):
    """Při pohybu posuvníku aktualizuje tlačítko na syté barvy.
       Čte hodnotu posuvníku (self.slider_var) a nastaví barvy dle slovníků self.colors a self.colors_dark."""
    slider_value = self.slider_var.get()  # Hodnota posuvníku (0-10)
    color_light = self.colors.get(slider_value, "#FFFFFF")
    color_dark = self.colors_dark.get(slider_value, "#000000")
    self.feeling_button.config(bg=color_dark,
                               fg=color_light,
                               activebackground=color_light,
                               activeforeground=color_dark)

Jak to funguje:

  • Kliknutí na tlačítko:
    Funkce toggle_feeling cyklí hodnoty v seznamu [0, 2, 5, 7, 9] a nastaví novou hodnotu do self.feeling_var. Následně zavolá toggle_update_feeling_button, která nastaví pastelové barvy tlačítka. Kromě toho se také zavolá self.slider_var.set(new_state), čímž se synchronizuje hodnota posuvníku.

  • Pohyb posuvníku:
    Při pohybu posuvníku se spustí funkce slider_update_feeling_button (protože je uvedena jako command u posuvníku). Ta přečte aktuální hodnotu z self.slider_var a nastaví syté barvy tlačítka podle slovníků self.colors a self.colors_dark.

Tímto způsobem se propojí obě funkce – změna stavu tlačítka i změna posuvníku pracují se stejnou hodnotou, takže barvy se aktualizují podle toho, zda byla změněna pomocí kliknutí (pastelové barvy) nebo pohybem posuvníku (syté barvy).

Důležité body:

  • Ujisti se, že pro tlačítko i posuvník používáš stejnou proměnnou (např. self.feeling_var a self.slider_var) a že jejich hodnoty jsou synchronizovány.
  • V případě více emocí (každé s vlastním tlačítkem a posuvníkem) musíš mít mechanismus, který aktualizuje správné widgety. V tvém kódu to řešíš například ve funkci emotion_slider_update, kde procházíš widgety podle názvu emoce.

Pokud potřebuješ, aby toto propojení bylo provedeno pro každou emoci zvlášť, ujisti se, že každé tlačítko a posuvník mají své vlastní proměnné, a synchronizaci řeš ve smyčce, která prochází všechny emoce.

Dej vědět, jestli tento přístup odpovídá tvému zadání nebo jestli je třeba ještě něco doladit!

 

 

implementace formuláře

 

Níže najdeš kompletní příklad, který:

• Načte možnosti (pocity a příčiny) ze souboru options.json
• Vytvoří scrollovatelnou oblast, ve které pro každý pocit (z načteného seznamu) vytvoří podřízený frame
• V každém podřízeném frame je umístěn:

  • Label s názvem pocitu (vlevo)
  • Label zobrazující hodnotu posuvníku (intenzitu)
  • Horizontální posuvník, který nastaví číselnou hodnotu (syté barvy – definované v self.colors a self.colors_dark)
  • Na pravé straně je tlačítko (vytvořené funkcí create_toggle_button), které při kliknutí přepíná stav podle sekvence indexů [0, 2, 5, 7, 9] a mění svou barvu na pastelové odstíny (definované v self.pastel_colors_light a self.pastel_colors_dark)

Níže je uvedený kód:


import datetime
import json
import tkinter as tk
from tkinter import ttk

DATA_FILE = "emotions_data.json"
OPTIONS_FILE = "options.json"
COLOR_WHEEL = True

TIME_MAPPING = {
    0: "t-5h", 1: "6-10h", 2: "11-12h", 3: "13-14h",
    4: "15-16h", 5: "17-19h", 6: "20-0h", 7: "1h-t"
}

PHARMATICS = {
    0: "Agomelatin (nová látka)", 1: "Amitriptylin (TCA)", 2: "Bupropion (NDRI)",
    3: "Carbamazepin (tymoprofilaktika)", 4: "Citalopram (SSRI)", 5: "Clomipramin (TCA)",
    6: "Duloxetin (SNRI)", 7: "Dibenzepin (2. generace)", 8: "Escitalopram (SSRI)",
    9: "Fluoxetin (SSRI)", 10: "Fluvoxamin (SSRI)", 11: "Lamotrigin (tymoprofilaktika)",
    12: "Lithium carbonicum (tymoprofilaktika)", 13: "Mianserin (2. generace)",
    14: "Milnacipran (SNRI)", 15: "Mirtazapin (NASSA)", 16: "Moclobemid (RIMA)",
    17: "Nortriptylin (TCA)", 18: "Paroxetin (SSRI)", 19: "Sertralin (SSRI)",
    20: "Tianeptin (samostatný přípravek)", 21: "Trittico (SARI)",
    22: "Valproát (tymoprofilaktika)", 23: "Venlafaxin (SNRI)"
}

class MoodTrackerApp:
    def __init__(self, root):
        self.root = root
        self.root.title("Mood Tracker")

        # Načtení možností (feelings, causes) ze souboru options.json
        try:
            with open(OPTIONS_FILE, "r", encoding="utf-8") as file:
                options = json.load(file)
                self.feelings = options.get("feelings", ["Smutek", "Beznaděj", "Stres", "Úzkost", "Bolest", "Deprese"])
                self.causes = options.get("causes", [
                    "Někdo mi něco špatného řekl",
                    "Někdo mě kritizoval, hodnotil, nebo káral",
                    "Vyřizoval jsem nějakou běžnou záležitost",
                    "Nastala konfliktní situace",
                    "Hádka",
                    "Postraumatická reakce",
                    "Posttraumatický syndrom nebo Posttraumatická porucha",
                    "Mohou za to léky",
                    "Jiná možnost"
                ])
        except (FileNotFoundError, json.JSONDecodeError):
            self.feelings = ["Smutek", "Beznaděj", "Stres", "Úzkost", "Bolest", "Deprese"]
            self.causes = [
                "Někdo mi něco špatného řekl",
                "Někdo mě kritizoval, hodnotil, nebo káral",
                "Vyřizoval jsem nějakou běžnou záležitost",
                "Nastala konfliktní situace",
                "Hádka",
                "Postraumatická reakce",
                "Posttraumatický syndrom nebo Posttraumatická porucha",
                "Mohou za to léky",
                "Jiná možnost"
            ]

        # Definice barevných slovníků
        # Syté barvy
        self.colors = {
            0: "#00FF00",  # Čistá zelená (lime)
            1: "#66FF00",
            2: "#CCFF00",
            3: "#FFFF00",
            4: "#FFCC00",
            5: "#FF6600",
            6: "#FF4D00",
            7: "#FF3300",
            8: "#FF1A00",
            9: "#FF0D00",
            10: "#FF0000"
        }
        self.colors_dark = {
            0: "#009900",
            1: "#339900",
            2: "#999900",
            3: "#CCCC00",
            4: "#CC9900",
            5: "#CC3300",
            6: "#CC2A00",
            7: "#CC2200",
            8: "#CC1A00",
            9: "#CC0F00",
            10: "#CC0000"
        }
        # Pastelové barvy (při klikání na tlačítko)
        self.pastel_colors_light = {
            0: "#A8E6A3",
            2: "#D7F59D",
            5: "#FFB27D",
            7: "#FF9280",
            9: "#FF8080"
        }
        self.pastel_colors_dark = {
            0: "#658A62",
            2: "#81935E",
            5: "#996B4B",
            7: "#99574D",
            9: "#994D4D"
        }
        
        self.init_styles()
        self.create_widgets()
        self.create_emotion_widgets()
    
    def init_styles(self):
        style = ttk.Style(self.root)
        style.configure("Toggle.TButton", foreground="darkgray", padding=2)
        style.configure("Toggle.On.TButton", foreground="#354A59", padding=2)
        style.configure("Feeling.TButton", foreground=self.colors[0], padding=2)
    
    def create_widgets(self):
        # Další widgety (např. čas, léky, atd.) lze přidat sem.
        # Pro tento příklad se zaměřujeme především na scrollovatelnou oblast pro emoce.
        pass

    def create_emotion_widgets(self):
        # Vytvoříme scrollovatelný frame pro pocity
        canvas = tk.Canvas(self.root)
        scrollbar = ttk.Scrollbar(self.root, orient="vertical", command=canvas.yview)
        self.scrollable_frame = ttk.Frame(canvas)

        self.scrollable_frame.bind(
            "<Configure>",
            lambda e: canvas.configure(scrollregion=canvas.bbox("all"))
        )
        canvas.create_window((0, 0), window=self.scrollable_frame, anchor="nw")
        canvas.configure(yscrollcommand=scrollbar.set)

        canvas.pack(side="left", fill="both", expand=True)
        scrollbar.pack(side="right", fill="y")
        
        # Dictionaries pro uchovávání proměnných pro jednotlivé emoce
        self.feelings_vars = {}          # Stav (toggle) pro konkrétní emoci
        self.feelings_intensity_vars = {} # Intenzita (posuvník) pro konkrétní emoci

        # Pro každou emoci vytvoříme frame s widgety:
        for feeling in self.feelings:
            feeling_frame = ttk.Frame(self.scrollable_frame)
            feeling_frame.pack(fill="x", pady=5, padx=5)
            
            # Label s názvem emoce
            ttk.Label(feeling_frame, text=feeling).pack(side="left", padx=5)
            
            # Proměnná pro toggle stav (0, 2, 5, 7, 9)
            var = tk.IntVar(value=0)
            self.feelings_vars[feeling] = var
            
            # Tlačítko, které přepíná stav emoce (toggle button)
            toggle_btn = self.create_toggle_button(feeling_frame, var)
            toggle_btn.pack(side="right", padx=5)
            
            # Proměnná pro intenzitu emoce a posuvník
            intensity_var = tk.IntVar(value=0)
            self.feelings_intensity_vars[feeling] = intensity_var
            
            # Label zobrazující číselnou hodnotu intenzity
            intensity_label = ttk.Label(feeling_frame, textvariable=intensity_var, width=3)
            intensity_label.pack(side="right", padx=5)
            
            # Horizontální posuvník pro intenzitu emoce
            intensity_slider = ttk.Scale(
                feeling_frame, from_=0, to=10, variable=intensity_var,
                orient="horizontal", length=150,
                command=lambda val, f=feeling: self.emotion_slider_update(f, val)
            )
            intensity_slider.pack(side="right", padx=5)
    
    def create_toggle_button(self, master, variable, width=4):
        """
        Vytvoří toggle tlačítko, které při kliknutí cyklí hodnoty v seznamu [0, 2, 5, 7, 9]
        a nastaví barvu tlačítka pomocí pastelových barev.
        """
        btn = tk.Button(master, text="•", font=("Arial", 42), bd=5, command=lambda: self.toggle_feeling_button(btn, variable))
        # Inicializace – nastavíme počáteční pastelovou barvu pro stav 0
        initial_light = self.pastel_colors_light.get(0, "#A8E6A3")
        initial_dark = self.pastel_colors_dark.get(0, "#658A62")
        btn.config(bg=initial_dark, fg=initial_light, activebackground=initial_light, activeforeground=initial_dark)
        return btn

    def toggle_feeling_button(self, btn, variable):
        """Při kliknutí na tlačítko cyklí hodnoty a aktualizuje barvu podle pastelových barev."""
        states = [0, 2, 5, 7, 9]
        current = variable.get()
        new_index = (states.index(current) + 1) % len(states)
        new_state = states[new_index]
        variable.set(new_state)
        pastel_light = self.pastel_colors_light.get(new_state, "#A8E6A3")
        pastel_dark = self.pastel_colors_dark.get(new_state, "#658A62")
        btn.config(bg=pastel_dark, fg=pastel_light, activebackground=pastel_light, activeforeground=pastel_dark)

    def emotion_slider_update(self, feeling, value):
        """
        Aktualizuje barvu tlačítka u dané emoce na základě hodnoty posuvníku.
        Používá syté barvy (self.colors a self.colors_dark).
        """
        intensity = int(float(value))
        color_light = self.colors.get(intensity, "#FFFFFF")
        color_dark = self.colors_dark.get(intensity, "#000000")
        # Projdeme widgety v rámci příslušného frame a nalezneme tlačítko
        for child in self.scrollable_frame.winfo_children():
            # Předpokládáme, že první widget v rámci frame je Label s názvem emoce
            lbl = child.winfo_children()[0]
            if lbl.cget("text") == feeling:
                # Projdeme widgety v daném frame, hledáme tlačítko
                for widget in child.winfo_children():
                    if isinstance(widget, tk.Button):
                        widget.config(bg=color_dark, fg=color_light, activebackground=color_light, activeforeground=color_dark)
                        break
                break

    def load_options(self):
        # V tomto příkladu načítáme pouze "Pravidelný čas" z options.json, pokud je potřeba rozšířit, použijte self.feelings a self.causes.
        try:
            with open(OPTIONS_FILE, "r", encoding="utf-8") as file:
                options = json.load(file)
                # Například, pokud je v souboru klíč "Pravidelný čas":
                self.meds_time = options.get("Pravidelný čas", "7:00")
        except (FileNotFoundError, json.JSONDecodeError):
            self.meds_time = "7:00"

    def on_time_edit(self, event):
        pass  # Implementace pro úpravu času, pokud je potřeba

if __name__ == "__main__":
    root = tk.Tk()
    root.geometry("400x800")
    app = MoodTrackerApp(root)
    root.mainloop()

Vysvětlení:

  • Načítání možností:
    • V konstruktoru se pokoušíme načíst feelings a causes ze souboru options.json. Pokud se načtení nezdaří, jsou použity výchozí hodnoty.
  • Barevné slovníky:
    • self.colors a self.colors_dark obsahují syté barvy a jejich tmavé varianty pro posuvník.
    • self.pastel_colors_light a self.pastel_colors_dark obsahují pastelové odstíny, které se použijí při klikání na tlačítko.
  • Scrollable frame:
    • V metodě create_emotion_widgets vytvoříme scrollovatelný canvas, do kterého umístíme frame se všemi emocemi.
  • Pro každou emoci:
    • Vytvoří se frame s label, posuvníkem, label pro zobrazení hodnoty a tlačítkem (toggle).
    • Tlačítko se vytváří funkcí create_toggle_button, která nastaví počáteční pastelové barvy.
    • Funkce toggle_feeling_button cyklí hodnoty stavu a mění barvy tlačítka podle pastelových barev.
    • Funkce emotion_slider_update aktualizuje barvy tlačítka pomocí sytých barev, pokud se posuvník pohne.

Tato implementace by měla odpovídat tvému zadání – scrollovatelná oblast s horizontálními posuvníky pro jednotlivé emoce a vedle nich tlačítka, která mění barvu při kliknutí i při změně hodnoty posuvníku.

Dej vědět, jestli je třeba něco upravit nebo doplnit!

středa 26. února 2025

Popisek k posuvníku se aktulizuje po změně hodnoty pomocí attributu command

def update_intensity_label(value, label):
    label.config(text=f"Intenzita: {round(float(value), 1)}")

# Příklad přiřazení:
intensity_var = tk.DoubleVar()
intensity_scale = ttk.Scale(scrollable_frame, from_=0, to=10, variable=intensity_var, orient="horizontal",
                             command=lambda val: update_intensity_label(val, intensity_label))
intensity_scale.pack()
intensity_label = ttk.Label(scrollable_frame, text="Intenzita: 0.0")
intensity_label.pack()

* * *


Tento posuvník (ttk.Scale) ve výchozím nastavení automaticky nezobrazuje aktuální hodnotu – to musíte udělat sami. Navíc, když používáte tk.IntVar, může dojít k tomu, že se hodnoty zaokrouhlují nebo se neaktualizují tak, jak očekáváte. Několik možností, jak to vyřešit:

  1. Zobrazovat hodnotu pomocí Labelu
    Přidejte Label, který bude aktualizován v reálném čase, když uživatel posouvá posuvník. Můžete použít parametr command u ttk.Scale, který zavolá funkci pokaždé, když se hodnota změní. Například:

    def update_intensity_label(value):
        intensity_label.config(text=f"Intenzita: {round(float(value), 1)}")
    
    intensity_var = tk.DoubleVar()  # Použijeme DoubleVar pro plynulejší změny
    intensity_scale = ttk.Scale(scrollable_frame, from_=0, to=10, variable=intensity_var, orient="horizontal", command=update_intensity_label)
    intensity_scale.pack()
    intensity_label = ttk.Label(scrollable_frame, text="Intenzita: 0.0")
    intensity_label.pack()
    

    Tím zajistíte, že uživatel vidí aktuální hodnotu posuvníku.

  2. Použít tk.DoubleVar a nastavit resolution
    Místo tk.IntVar použijte tk.DoubleVar, což umožní přesnější hodnoty (např. s jedním desetinným místem). Pokud chcete hodnoty jako celá čísla, můžete nastavit parametr value a případně command na zaokrouhlení hodnoty.

    intensity_var = tk.DoubleVar()
    intensity_scale = ttk.Scale(scrollable_frame, from_=0, to=10, variable=intensity_var, orient="horizontal")
    intensity_scale.pack()
    # Můžete také přidat binding na událost <ButtonRelease-1>, aby se po uvolnění tlačítka zaokrouhlila hodnota:
    def on_scale_release(event):
        intensity_var.set(round(intensity_var.get()))
        update_intensity_label(intensity_var.get())
    
    intensity_scale.bind("<ButtonRelease-1>", on_scale_release)
    
  3. Vlastnost resolution
    Některé implementace ttk.Scale umožňují nastavit parametr resolution, který určuje krok posuvníku, ale v Tkinteru to není vždy podporováno. Proto je lepší použít DoubleVar a funkci zaokrouhlení.

Shrnutí:

  • Pro zobrazení aktuální hodnoty posuvníku přidejte Label a aktualizujte jej pomocí callbacku při změně hodnoty.
  • Použijte tk.DoubleVar místo tk.IntVar, abyste měli lepší kontrolu nad přesností a hodnotou posuvníku.
  • Volitelně, přidejte binding na události myši, aby se hodnota zaokrouhlila při uvolnění tlačítka.

Tímto způsobem se vyhnete situaci, kdy uživatel nastaví posuvník, ale neuvidí správnou hodnotu.

úterý 25. února 2025

Python: Program na kontrolu výsledků - základní kostra + vyhodnocení

 

import tkinter as tk
from tkinter import ttk
import json
import matplotlib.pyplot as plt
from datetime import datetime

# Soubor pro ukládání dat
DATA_FILE = "emotions_data.json"
OPTIONS_FILE = "options.json"

# Načtení možností ze souboru
try:
    with open(OPTIONS_FILE, "r", encoding="utf-8") as file:
        options = json.load(file)
        feelings = options.get("feelings", [])
except (FileNotFoundError, json.JSONDecodeError):
    feelings = ["Smutek", "Beznaděj", "Stres", "Úzkost", "Bolest", "Deprese"]

# Kategorizace emocí
depressive_feelings = {"Smutek", "Beznaděj", "Deprese"}
anxious_feelings = {"Úzkost", "Stres"}

def load_data():
    try:
        with open(DATA_FILE, "r", encoding="utf-8") as file:
            return json.load(file)
    except (FileNotFoundError, json.JSONDecodeError):
        return []

def filter_data_by_period(data, start_date, end_date):
    return [entry for entry in data if start_date <= datetime.strptime(entry["date"], "%Y-%m-%d") <= end_date]

def calculate_average(data, category):
    values = [entry["intensity"] for entry in data if entry["feeling"] in category]
    return sum(values) / len(values) if values else 0

def calculate_maximum(data, category):
    values = [entry["intensity"] for entry in data if entry["feeling"] in category]
    return max(values) if values else 0

def plot_graph():
    data = load_data()
    start_date = datetime(2024, 2, 1)  # Příklad pevně daného období
    end_date = datetime(2024, 2, 25)
    filtered_data = filter_data_by_period(data, start_date, end_date)
    
    avg_depressive = calculate_average(filtered_data, depressive_feelings)
    max_depressive = calculate_maximum(filtered_data, depressive_feelings)
    avg_anxious = calculate_average(filtered_data, anxious_feelings)
    max_anxious = calculate_maximum(filtered_data, anxious_feelings)
    
    categories = ["Depresivní nálady", "Úzkostné nálady"]
    averages = [avg_depressive, avg_anxious]
    maxima = [max_depressive, max_anxious]
    
    fig, ax = plt.subplots()
    ax.bar(categories, averages, label="Průměrná intenzita", alpha=0.7)
    ax.bar(categories, maxima, label="Maximální intenzita", alpha=0.7)
    ax.set_ylabel("Intenzita")
    ax.set_title("Analýza emocí")
    ax.legend()
    plt.show()

# Vytvoření hlavního okna
root = tk.Tk()
root.title("Emoční deník")
root.geometry("400x400")

ttk.Button(root, text="Zobrazit graf", command=plot_graph).pack(pady=20)

def close_window():
    root.destroy()

ttk.Button(root, text="Zavřít", command=close_window).pack(pady=20)

root.mainloop()

 

 

 

Podle specifikací zadání aktuálně máme modul, který:

  1. Načítá data z JSON souboru – to je v pořádku.
  2. Filtruje data podle zvoleného časového období – máme funkci filter_data_by_period, která přijímá počáteční a koncové datum.
  3. Vykresluje grafy – máme funkci plot_graph(), která zobrazuje grafy průměrných a maximálních hodnot pro dvě kategorie („Depresivní nálady“ a „Úzkostné nálady“).

Na druhou stranu, ve specifikaci jste požadoval(a):

  • Třídění pocitů do kategorií – tj. spojení hodnot jako „Smutek“, „Deprese“ a „Beznaděj“ do kategorie depresivních nálad a „Úzkost“ a „Stres“ do kategorie úzkostných nálad.
    V aktuálním kódu se to děje tak, že máme dvě množiny (depressive_feelings a anxious_feelings), ale výpočty průměru a maxima se provádějí přes pole entry["intensity"], což neodpovídá tomu, že se data ukládají do klíče detailed_feelings (kde jsou uloženy konkrétní hodnoty pro jednotlivé emoce).

  • Doplňování chybějících dat – tedy když pro některé časové úseky nebo dny chybí záznam, měl by se doplnit poslední známý údaj.
    *Funkce fill_missing_data je pouze základní a předpokládá, že data jsou organizována jako slovník se záznamy za jednotlivé dny. U nás ale data mají strukturu pole záznamů (každý záznam obsahuje datum, čas, konkrétní hodnocení atd.). To tedy je třeba upravit, aby doplňování chybějících hodnot fungovalo podle pravidel, které jste popsal – tj. kdy chybí záznam za nějaké období, kopírujeme průměrnou hodnotu z předchozího období a zároveň logujeme, že se hodnota doplnila.

  • Specifická analýza dle časových úseků dne – původní zadání zmiňuje hodnocení v různých fázích dne (brzo ráno, ráno, dopoledne/poledne, odpoledne, večer, noc, atd.), přičemž se pak má vykreslit průměr a maximum pro každý časový úsek.
    Aktuálně v kódu není implementována logika pro filtrování podle jednotlivých časových úseků, ani pro navigaci mezi dny (tlačítka se šipkami nebo kalendář).

  • Možnost rozlišit skutečná data od doplněných (log soubor) – očekávalo se, že se v log souboru poznamená, kdy byla hodnota doplněna, aby bylo možné manuálně zkontrolovat, která data jsou domyšlená.
    V aktuálním kódu je pouze jednoduchá funkce log_message, ale její integrace do procesu doplňování dat je minimální a chybí podrobnější logika pro období (např. týden, měsíc).

Shrnutí:

  • Modul, který jsem vytvořil, pokrývá základní načítání a filtrování dat, výpočet průměrů a maxim a vykreslení grafů pro dvě kategorie.
  • Avšak specifické třídění podle jednotlivých detailních emocí (uložených v detailed_feelings) a následné sloučení do kategorií (depresivní a úzkostné) není v kódu detailně implementováno – momentálně se používá pouze jednoduchý přístup založený na tom, zda je klíč obsažen v předdefinovaných množinách.
  • Dále chybí robustní mechanismus pro doplnění chybějících dat v rámci různých časových úseků (den, týden, měsíc) a odpovídající logování těchto operací.
  • A také chybí uživatelské rozhraní pro výběr konkrétního dne (např. pomocí kalendáře nebo šipek pro posun mezi dny).

Co je tedy potřeba ještě udělat?

  1. Upravit funkce pro výpočet statistik tak, aby pracovali s hodnotami z detailed_feelings a sloučili je do kategorií. Například vytvořit funkci, která projde detailed_feelings u každého záznamu, vybere hodnoty pro klíče patřící do kategorie depresivních nálad a vypočítá jejich průměr a maximum.
  2. Implementovat logiku pro doplňování chybějících dat – tedy projít data podle dnů, týdnů, měsíců, zjistit, kdy chybí záznam a doplnit ho hodnotou z předchozího období, přičemž se zapíše záznam do log souboru.
  3. Přidat uživatelské rozhraní pro navigaci mezi dny, týdny, měsíci či roky (např. pomocí šipek nebo kalendáře), aby se data zobrazovala podle aktuálního výběru.
  4. Vykreslit grafy s výsledky – pro každou kategorii zvlášť a zároveň možnost zobrazit celkový přehled (např. tři grafy: jeden pro depresivní nálady, jeden pro úzkostné nálady a jeden pro vše dohromady).

Z těchto důvodů aktuální kód ještě plně neodpovídá všem zadáním. Je potřeba provést další úpravy a rozšíření logiky. Pokud chceš, můžeme postupovat krok za krokem a začít implementovat úpravy, například nejprve funkci, která ze záznamu spočítá průměr a maximum pro kategorii depresivních a úzkostných nálad na základě detailed_feelings. Stačí říct, na čem chceš nejdříve pracovat.

 

neděle 23. února 2025

Blogger: Nastavení floatu a šířky pro položky menu v headeru pro widgety

Díky tomu, že je tam with: auto, se ty podřízené elementy nesmrsknou příliš (původnľ jsem dával 75px; a to ty vnořené položky nešly vidět celé.

#header .widget.BlogArchive, #header .widget.Label {
    float: left;
    width: auto;
    box-sizing: border-box;
}

Implementace kandidádátů po oříznutí small po hledání v jednorozměrném obrazu

User: Jasně že to nestačí, protože kurva nebudu spouštět algoritmus na hledání nějaké pojebané čáry na celý obraz nascanovaný v 300dpi A4! ...

Štítky

.profile adm administrace Adobe AI akcelerace alfa transparence AND any aplikace apt ar archiv asociativní pole atomicity audio autentifikace awk balíčkovací systém bash beacon beacon_hint benchmark Bézierovy křivky bezpečnost biblehub BJT blogger boolean buffer buffering Cache-Conrol Cloudflare code Collector Cut-off ColorManager colorpicker common compare config cookies CPU CPU pipe css CSS3 curl current code cut čas data loss data lost data transfer reliability datasheet datetime.strptime deb deb-systemd-helper debian debián depricated development dioda diody dpkg dpkg -S dpkg-deb drivers EBO Emitter Cut-off Current eps ETag exclude exec Expires extrakce jediného extrakce názvu balíčku souboru extrakce obrázků extrakce souboru .deb fflock fflush ffmpeg FIFO file read file write file_get_contents file_get_contents/file_put_contents file_put_contents filter find first_install.sh flock Fly-back dioda font-face fóra fotorezistor fread functions funkce fwrite gate gate drive GDVfs gedit gedit-common geolokace Ghostscript GIO glib gnome gnome settings GNU Privacy Guard gnupg gpg gradient-background grafika grep grep -v groupadd grub grub update gs gsettings gtk gtk.css gtk+ hebrejština history hlavičky HS html html 5 https hudba charakterizace chroot chyba ICES IGBT img sizes img srcset impedance implementace imshow inference inkscape inrush current install jalový výkon javascript javescript jednocení seznamů js kapacita součástek koeficient zesílení komponenty xFce komunikace se serverem konfigurace korekce barev Krita KSF Last-Modified lazy caching led LEFT JOIN librosa ligatury light-locker lightdm linux list log maják manuál maskování maskování služby masky matplotlib Max-Age measure memory měření MFCC MFCC koeficienty mint Mint 21.3 Mint xFce míry modules moralizace morphologie MOSFET mount moviepy mysql náběhový proud napěťová ochrana nastavení šablony návod nel Network Error Logging NLP not Notifications NTFS nth-child oblékání ochrana okruhy přátel OpenVINO IR formát oprava oprava balíčku optočlen org.gnome.desktop.screensaver org.gnome.nm-applet ořezové masky OSHB otázky otázky_jazyky otázky_moralismu_řešení ovladače panely parsování path pdf personifikace photorec php php 4 php 5 php 6 php 7 php 8 phpbb phpBB3 PipeWire pitch PN přechody pnp pole Policykit postscript práva profilování program prune průraz přeinstalování přepěťová ochrana přepolování příkazy připojení k síti připojení k wifi pseudokódd pstoedit PulseAudio PWM regulátory pydub python python3 pytorch ramdisk RBE RDSon read reaktance rectifier regulace vstupního napětí reinstall relyability remount replace restore reverzní geolokace RIGHT JOIN rm role rozvržení disků pro OS linux a data databází řešení samba scan scroll sdílení sdílení souborů Sec-Fetch-Dest Sec-Fetch-Mode Sec-Fetch-Site Sec-Fetch-User Secure Shell sed Set Cookie show-manual-login show-remote-login shunt schemas schémata schottka skript skupiny sloupce služby song sort soubory soundfile spínané zdroje spínání splines split správa diskových zařízení SQL ssh stabilizace napětí stahování stream string strojové učení stropové učení supplicant svg syntax systemctl systemd-logind T5 tabulky Tangentové úsečky tar témata tepelná ztráta test text-shadow themes thermal runaway time timestamp tkinter tr transistor transition tranzistor tranzistory tuple tvorba otázek TVS ubuntu účiník udiskd udisks unconfined underrun unity-greeter update usermod uživatelé va charakteristika vala vektorová grafika Vgs video Vth vynechání adresářů vývoj while wpa wpa_supplicant wrapovací funkce x xandr xapp-watt xargs -I xed xed-common xfdesktop xml XOR Xorg Xorg Thumbnails xrandr závislosti zdánlivý výkon zdroj zenerka zenerovo napětí zip zip archiv zkratky zpomalení zpracování textu zrychlení Žalmy