# -*- coding: utf-8 -*-
"""
Created on Thu Mar 14 10:36:01 2019

@author: Student
"""
import os
import numpy as np
from matplotlib import pyplot as plt
from skimage import io
from skimage import color
from scipy import signal
from scipy import ndimage as nd

def our_gradient(image):
    
    gradient_x = np.zeros(image.shape)
    gradient_y = np.zeros(image.shape)
    gradient_x[:, 1:-1] = image[:, 2:] - image[:, 0:-2]
    gradient_y[1:-1, :] = image[2: , :] - image[0:-2 , :]
    return [gradient_y, gradient_x]

def run():
    current_path = os.path.abspath(os.path.dirname(__file__))
    image_path = os.path.join(current_path, '1.jpg')

    image = io.imread(image_path)
    image = color.rgb2gray(image)
    
#    #gradients = np.gradient(image)
#    gradients = our_gradient(image)
#    gradient_y, gradient_x = gradients[0], gradients[1]
#    
#    gradient_mag = np.sqrt(np.square(gradient_x) + np.square(gradient_y)) 
#    gradient_angle = np.arctan2(gradient_y, gradient_x)
#    
#    plt.figure()
#    plt.subplot(2,3,1)
#    plt.imshow(image, cmap='gray')
#    plt.axis('off')
#    plt.subplot(2,3,2)
#    plt.imshow(gradient_x, cmap='gray')
#    plt.axis('off')
#    plt.subplot(2,3,3)
#    plt.imshow(gradient_y, cmap='gray')
#    plt.axis('off')
#    plt.subplot(2,3,4)
#    plt.imshow(gradient_mag, cmap = 'gray')
#    plt.axis('off')
#    plt.subplot(2,3,5)
#    plt.imshow(gradient_angle, cmap = 'gray') #### przedstawic w odpowiedniej przestrzeni barw, tab okresowa
#    plt.axis('off')
#    plt.show()

#    Zad.
#    Dokonaj filtracji obrazu filtrem usredniajacym o wielkosci maski (21,21).
#    Pokaz obraz oryginalny obok obrazu po filtracji.
#
#    mask = np.ones((13,13))
#    filtered_image = signal.convolve2d(image, mask)
#    gauss_image = nd.gaussian_filter(image, sigma=2) #### funkcja, ktora generuje maske gaussa,
#                                                     #### przyjmie jako wejscie sigme oraz rozmiar maski
#    median_image = signal.medfilt(image, 13)
#    
#    
#    plt.figure()
#    plt.subplot(2,2,1)
#    plt.imshow(image, cmap='gray')
#    plt.axis('off')
#    plt.subplot(2,2,2)
#    plt.imshow(filtered_image, cmap='gray')
#    plt.axis('off')    
#    plt.subplot(2,2,3)
#    plt.imshow(gauss_image, cmap='gray')
#    plt.axis('off')    
#    plt.subplot(2,2,4)
#    plt.imshow(median_image, cmap='gray')
#    plt.axis('off')   
#    plt.show()

#    laplasjan = np.array([
#            [0, 1, 0],
#            [1, -4, 1],
#            [0, 1, 0]
#            ])
#    
#    laplasjan_image = signal.convolve2d(image, laplasjan)
#    
#    plt.figure()
#    plt.subplot(1, 2, 1)
#    plt.imshow(image, cmap='gray')
#    plt.axis('off')
#    plt.subplot(1, 2, 2)
#    plt.imshow(laplasjan_image, cmap='gray')
#    plt.axis('off')
#    plt.show()

#    Zad.
#    Zdefiniuj obie maski Sobela. Dokonaj obliczenia gradientu
#    za pomocą tych masek oraz przefiltruj obraz za pomocą 
#    tych masek. Wyniki zaprezentuj.

#    grad_x = np.array([
#            [0, 0, 0],
#            [1, 0 ,1],
#            [0, 0, 0]
#            ])
#    

    sobel_X = np.array([
            [-1, 0 ,1],
            [-2, 0 ,2],
            [-1, 0 ,1]
            ])  
    
    sobel_Y = sobel_X.T
    
    im_sobel_x_conv = signal.convolve2d(image, sobel_X)
    im_sobel_x_corr = signal.correlate2d(image, sobel_X)
    plt.figure()
    plt.subplot(1,2,1)
    plt.imshow(im_sobel_x_conv, cmap='gray')
    plt.axis('off')
    plt.subplot(1,2,2)
    plt.imshow(im_sobel_x_corr, cmap='gray')
    plt.axis('off')
    plt.show()
    
if __name__ == "__main__":
    run()