Update app.py

app.py

@@ -7,6 +7,7 @@ import cv2
 import numpy as np
 from preprocess import unsharp_masking
 import time
+from sklearn.cluster import KMeans
 
 device = "cuda" if torch.cuda.is_available() else "cpu"
 
@@ -73,40 +74,21 @@ models = {
     'UNet3+': torch.jit.load('./model/UNet3plus.pt'),
 }
 
-from sklearn.cluster import KMeans
-
-def has_disease(img, min_area=500):
-    # Aplicar K-Means na imagem segmentada ou máscara
-    # Certifique-se de fornecer a imagem ou máscara correta
-    # A imagem ou máscara deve ser preprocessada e segmentada antes desta etapa
+# Função que encapsula o processamento e a verificação de doenças
+def processar_imagem_de_entrada_wrapper(img, modelo):
+    model = models[modelo]
+    spent, img_out = processar_imagem_de_entrada(img, modelo, model)
     
+    # Verificar se há doença usando K-Means
     kmeans = KMeans(n_clusters=2, random_state=0)
-    flattened_img = img.reshape((-1, 1))  # Transformar a imagem em uma matriz unidimensional
+    flattened_img = img_out[:, :, 0].reshape((-1, 1))  # Usar o canal de intensidade
     kmeans.fit(flattened_img)
-    
-    # Rotular as regiões da imagem
     labels = kmeans.labels_
-    
-    # Calcular a área das regiões
     area_0 = np.sum(labels == 0)
     area_1 = np.sum(labels == 1)
+    has_disease_flag = area_1 >= 500
     
-    # Verificar se a área da região com doença é maior que o limite mínimo
-    if area_1 >= min_area:
-        return True
-    else:
-        return False
-
-
-# Função que encapsula o processamento e a verificação de doenças
-def processar_imagem_de_entrada_wrapper(img, modelo):
-    model = models[modelo]
-    spent, img_out = processar_imagem_de_entrada(img, modelo, model)
-
-    # Chame a função has_disease para verificar se há doença
-    has_disease_flag = has_disease(img_out)
-
-    # Adicione a explicação à interface
+    # Adicionar a explicação
     if has_disease_flag:
         explanation = "A máquina detectou uma possível doença nos vasos sanguíneos."
     else: