Update app.py

app.py

@@ -74,6 +74,11 @@ models = {
     'UNet3+': torch.jit.load('./model/UNet3plus.pt'),
 }
 
+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)
@@ -83,9 +88,30 @@ def processar_imagem_de_entrada_wrapper(img, modelo):
     flattened_img = img_out[:, :, 0].reshape((-1, 1))  # Use the intensity channel
     kmeans.fit(flattened_img)
     labels = kmeans.labels_
-    area_0 = np.sum(labels == 0)
-    area_1 = np.sum(labels == 1)
-    has_disease_flag = area_1 >= 200
+    cluster_centers = kmeans.cluster_centers_
+    
+    # Extração de características dos clusters
+    num_clusters = len(cluster_centers)
+    cluster_features = []
+    for i in range(num_clusters):
+        cluster_pixels = img_out[labels == i]
+        
+        # Calcular área do cluster
+        area = len(cluster_pixels)
+        
+        # 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)
+        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
     
     # Formatar o indicador de doença como uma string
     if has_disease_flag:
@@ -103,6 +129,7 @@ def processar_imagem_de_entrada_wrapper(img, modelo):
     
     return spent, img_out, status_doenca, explanation
 
+
 # Criar a interface Gradio
 my_app = gr.Interface(
     fn=processar_imagem_de_entrada_wrapper,