Create processar_imagem_de_entrada.py

processar_imagem_de_entrada.py

@@ -0,0 +1,52 @@
+import os
+import time
+import torch
+import numpy as np
+import cv2
+
+# Função para processar a imagem de entrada
+def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
+    try:
+        # Faça uma cópia da imagem original
+        img = img.copy()
+        
+        # Coloque o modelo na GPU (se disponível) e configure-o para modo de avaliação
+        pipe = pipe.to(device).eval()
+        
+        # Registre o tempo de início
+        start = time.time()
+        
+        # Pré-processe a imagem e obtenha informações de dimensão
+        img, h, w, ori_gray, ori = ordenar_e_preprocessar_imagem(img, modelo)
+        
+        # Converta a imagem para o formato esperado pelo modelo e coloque-a na GPU
+        img = torch.FloatTensor(img).unsqueeze(0).to(device)
+        
+        # Realize a inferência do modelo sem gradientes
+        with torch.no_grad():
+            if modelo == 'AngioNet':
+                img = torch.cat([img, img], dim=0)
+            logit = np.round(torch.softmax(pipe.forward(img), dim=1).detach().cpu().numpy()[0, 0]).astype(np.uint8)
+        
+        # Calcule o tempo decorrido
+        spent = time.time() - start
+        spent = f"{spent:.3f} segundos"
+
+        # Redimensione o resultado, se necessário
+        if h != 512 or w != 512:
+            logit = cv2.resize(logit, (h, w))
+
+        # Converta o resultado para um formato booleano
+        logit = logit.astype(bool)
+        
+        
+        # Salve o resultado em um arquivo se a opção estiver ativada
+        if salvar_resultado:
+            nome_arquivo = os.path.join(caminho_salvar_resultado, f'resultado_{int(time.time())}.png')
+            cv2.imwrite(nome_arquivo, img_out)
+        
+        return spent, img_out
+    
+    except Exception as e:
+        # Em caso de erro, retorne uma mensagem de erro
+        return str(e), None