Update app.py

app.py

@@ -78,7 +78,6 @@ from scipy.spatial import distance
 from scipy.ndimage import label
 import numpy as np
 
-
 def processar_imagem_de_entrada_wrapper(img, modelo):
     model = models[modelo]
     spent, img_out = processar_imagem_de_entrada(img, modelo, model)
@@ -94,24 +93,23 @@ def processar_imagem_de_entrada_wrapper(img, modelo):
     num_clusters = len(cluster_centers)
     cluster_features = []
     for i in range(num_clusters):
-        cluster_pixels = img_out[labels == i]
+        cluster_mask = labels == i  # Create a boolean mask for the cluster
         
         # Calcular área do cluster
-        area = len(cluster_pixels)
+        area = np.sum(cluster_mask)
+        
+        if area == 0:  # Skip empty clusters
+            continue
         
         # Calcular forma do cluster usando a relação entre área e perímetro
-        _, contours, _ = cv2.findContours(np.uint8(labels == i), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+        _, contours, _ = cv2.findContours(np.uint8(cluster_mask), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
         perimeter = cv2.arcLength(contours[0], True)
         compactness = 4 * np.pi * area / (perimeter ** 2)
         
         cluster_features.append({'area': area, 'compactness': compactness})
     
     # Decidir se há doença com base nas características dos clusters
-    has_disease_flag = False
-    for feature in cluster_features:
-        if feature['area'] >= 200 and feature['compactness'] < 0.3:
-            has_disease_flag = True
-            break
+    has_disease_flag = any(feature['area'] >= 200 and feature['compactness'] < 0.3 for feature in cluster_features)
     
     # Formatar o indicador de doença como uma string
     if has_disease_flag: