🚀 Auto-deploy: melhoria no snap e medição AR em 31/05/2026 01:08:46

process_images.py

@@ -0,0 +1,49 @@
+from PIL import Image
+import numpy as np
+
+def remove_black_background(img_path, out_path):
+    # Carregar imagem e garantir modo RGBA
+    img = Image.open(img_path).convert("RGBA")
+    data = np.array(img)
+    
+    # Extrair canais
+    r, g, b, a = data[:,:,0], data[:,:,1], data[:,:,2], data[:,:,3]
+    
+    # O alpha original é estimado pelo valor máximo dos canais R, G, B
+    # Isso funciona porque o fundo é preto (0,0,0)
+    # Usamos fmax para obter o valor float e evitar overflow/underflow
+    max_rgb = np.fmax(np.fmax(r, g), b)
+    
+    # Criar nova imagem com o mesmo tamanho
+    new_data = np.zeros_like(data)
+    
+    # O novo alpha é o valor máximo de R, G, B
+    new_alpha = max_rgb.astype(np.uint8)
+    
+    # Onde new_alpha é maior que zero, desmultiplicamos a cor para remover o halo preto
+    mask = new_alpha > 0
+    
+    # Copiar canais
+    new_data[:,:,0] = r
+    new_data[:,:,1] = g
+    new_data[:,:,2] = b
+    new_data[:,:,3] = new_alpha
+    
+    # Aplicar unmultiplying alpha para clarear os pixels semi-transparentes de borda
+    # R_new = R_old * 255 / alpha
+    alpha_float = new_alpha.astype(float)
+    for i in range(3):
+        channel = data[:,:,i].astype(float)
+        # Onde a máscara for verdadeira, calcula. Onde for falsa, deixa zero.
+        adjusted = np.zeros_like(channel)
+        adjusted[mask] = np.minimum(255, (channel[mask] * 255.0 / alpha_float[mask]))
+        new_data[:,:,i] = adjusted.astype(np.uint8)
+        
+    # Salvar a nova imagem
+    out_img = Image.fromarray(new_data, "RGBA")
+    out_img.save(out_path, "PNG")
+    print(f"Processada: {img_path} -> {out_path}")
+
+if __name__ == "__main__":
+    remove_black_background("logotipo_steelXR.png", "public/logotipo_steelXR_transparente.png")
+    remove_black_background("iconeXR.png", "public/iconeXR_transparente.png")