app.py

import pickle
from minisom import MiniSom
import numpy as np
from PIL import Image
import math
import requests
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from typing import List
import os
import cv2
from scipy.ndimage import median_filter
from scipy.signal import convolve2d

class InputData(BaseModel):
    data: str   # Lista de características numéricas (flotantes)

app = FastAPI()

# Función para construir el modelo manualmente
def build_model():
    with open('somlucuma.pkl', 'rb') as fid:
        som_cargado = pickle.load(fid)
    MM = np.loadtxt('matrizMM.txt', delimiter=" ")
    return som_cargado,MM

som,MM = build_model()  # Construir el modelo al iniciar la aplicación

def sobel(patron):
    gx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtype=np.float32)
    gy = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]], dtype=np.float32)

    Gx = convolve2d(patron, gx, mode='valid')
    Gy = convolve2d(patron, gy, mode='valid')

    return Gx, Gy

def medfilt2(G, d=3):
    return median_filter(G, size=d)

def orientacion(patron, w):
    Gx, Gy = sobel(patron)
    Gx = medfilt2(Gx)
    Gy = medfilt2(Gy)

    m, n = Gx.shape
    mOrientaciones = np.zeros((m // w, n // w), dtype=np.float32)

    for i in range(m // w):
        for j in range(n // w):
            Gx_patch = Gx[i*w:(i+1)*w, j*w:(j+1)*w]
            Gy_patch = Gy[i*w:(i+1)*w, j*w:(j+1)*w]

            YY = np.sum(2 * Gx_patch * Gy_patch)
            XX = np.sum(Gx_patch**2 - Gy_patch**2)

            mOrientaciones[i, j] = (0.5 * np.arctan2(YY, XX) + np.pi / 2.0) * (18.0 / np.pi)

    return mOrientaciones

def redimensionar(img, h, v):
    return cv2.resize(img, (h, v), interpolation=cv2.INTER_AREA)

def testeo(som,archivo):
  Xtest = redimensionar(cv2.imread(archivo),256,256)
  Xtest = np.array(Xtest)
  Xtest = cv2.cvtColor(Xtest, cv2.COLOR_BGR2GRAY)

  #print(Xtest)
  #np.savetxt('matrizTT.txt', Xtest, delimiter=",")
  orientaciones = orientacion(Xtest, w=14)
  Xtest = Xtest.astype('float32') / 255.0
  orientaciones = orientaciones.reshape(-1)
  #np.savetxt('matrizXX.txt', orientaciones, delimiter=",")
  #orientaciones = np.concatenate([orientaciones.ravel()])
  return som.winner(orientaciones)


@app.post("/predict/")
async def predict(data: InputData):
    print(f"Data: {data}")
    global som
    global MM
    try:
        # Descargar la imagen desde la URL
        respuesta = requests.get(data.data)
        imagen_temporal = "imagen_temporal.jpg"
        with open(imagen_temporal, 'wb') as f:
            f.write(respuesta.content)
        
        if respuesta.status_code != 200:
            raise HTTPException(status_code=400, detail="No se pudo descargar la imagen")
        w = testeo(som,imagen_temporal)
        #img = cv2.imread(imagen_temporal, cv2.IMREAD_GRAYSCALE)
        #resized = cv2.resize(img, (256, 256), interpolation=cv2.INTER_AREA)
        #imagen_normalizada = resized.astype(np.float32) / 255.0
        #cv2.imwrite(imagen_temporal, imagen_normalizada)
        # Convertir la imagen descargada a un array de NumPy
        #B = representativo(imagen_temporal)
        #w = som.winner(B)
        os.remove(imagen_temporal)
        #imagen = Image.open(BytesIO(respuesta.content))
        #imagen_array = np.array(imagen)

        # Aquí puedes hacer cualquier cosa que necesites con la imagen
        # Por ejemplo, procesarla o realizar la predicción
        
        # Supongamos que aquí se realiza la predicción con la imagen

        # Retornar el resultado de la predicción (puedes adaptar esto según tus necesidades)
        return {"prediction": MM[w]}
        
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

'''
# Ruta de predicción
@app.post("/predict/")
async def predict(data: InputData):
    print(f"Data: {data}")
    global som
    global MM
    try:
        # Convertir la lista de entrada a un array de NumPy para la predicción
        input_data = np.array(data.data).reshape(
            1, -1
        )  # Asumiendo que la entrada debe ser de forma (1, num_features)
        #input_data = [float(f) for f in input_data]
        w = som.winner(input_data)
        prediction = MM[w]        
        
        return {"prediction": prediction.tolist()}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))
'''