Update app.py

app.py

@@ -90,24 +90,58 @@ import numpy as np
 import cv2
 from sklearn.cluster import KMeans
 
-def processar_imagem_de_entrada_wrapper(img, modelo, salvar_resultado=False):
-    model = models[modelo]
-    resultado, img_out = processar_imagem_de_entrada(img, model)
+# ...
 
-    # Extração de características dos clusters
+# Função para processar a imagem de entrada e calcular as características dos clusters
+def processar_imagem_de_entrada_wrapper(img, modelo, salvar_resultado=False, nome_arquivo=None):
+    model = models[modelo]
+    resultado, img_out = processar_imagem_de_entrada(img, modelo, model)  # Passe 'model' como 'pipe' aqui
+    
+    # Resto do código permanece inalterado
     kmeans = KMeans(n_clusters=2, random_state=0)
-    kmeans.fit(img_out[:, :, 0].reshape((-1, 1)))
+    flattened_img = img_out[:, :, 0].reshape((-1, 1))
+    kmeans.fit(flattened_img)
     labels = kmeans.labels_
     cluster_centers = kmeans.cluster_centers_
+        
+    # Extração de características dos clusters
+    num_clusters = len(cluster_centers)
+    cluster_features = []
+    for i in range(num_clusters):
+        cluster_mask = labels == i  # Create a boolean mask for the cluster
+    
+        # Calcular área do cluster
+        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(cluster_mask), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+        if len(contours) > 0:
+            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 = 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:
+        status_doenca = "Sim"
+        explanation = "A máquina detectou uma possível doença nos vasos sanguíneos."
+    else:
+        status_doenca = "Não"
+        explanation = "A máquina não detectou nenhuma doença nos vasos sanguíneos."
+    
+    return resultado, img_out, status_doenca, explanation, f"{num_analises} análises realizadas"
+
+# ...
 
-    # Detecção de doença
-    has_disease = any(cluster_centers[i][0] < 0.3 for i in range(2))
-
-    # Resultado
-    status_doenca = "Sim" if has_disease else "Não"
-    explanation = "A máquina detectou uma possível doença nos vasos sanguíneos." if has_disease else "A máquina não detectou nenhuma doença nos vasos sanguíneos."
+# Iniciar a interface Gradio
+my_app.launch()
 
-    return resultado, img_out, status_doenca, explanation
 
 # Inicializar a contagem de análises
 num_analises = 0