Spaces:
Runtime error
Runtime error
File size: 4,430 Bytes
46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 60ee93c 46b8192 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 |
#!/usr/bin/env python
# coding: utf-8
# # 1. Pre-procesamiento de datos
# In[1]:
import cv2
import numpy as np
# In[2]:
def redimensionar(imagenes,tamano):
imagenes_ajustadas = []
for imagen in imagenes:
imagen_temporal = cv2.resize (imagen,tamano)
imagenes_ajustadas.append(imagen_temporal)
return imagenes_ajustadas
# In[3]:
def contraste(imagenes, valor_contraste):
imagenes_ajustadas = []
for imagen in imagenes:
imagen_temporal = np.clip(imagen*valor_contraste,0,255)
imagenes_ajustadas.append(imagen_temporal)
return imagenes_ajustadas
# In[4]:
def rasgos(imagenes,width):
imagenes_ajustadas = []
for imagen in imagenes:
img = imagen
img = cv2.resize(img, (width,int(width*img.shape[0]/img.shape[1])))
c = cv2.dft(np.float32(img), flags = cv2.DFT_COMPLEX_OUTPUT)
mag = np.sqrt(c[:,:,0]**2 + c[:,:,1]**2)
spectralResidual = np.exp(np.log(mag) - cv2.boxFilter(np.log(mag), -1, (3,3)))
c[:,:,0] = c[:,:,0] * spectralResidual / mag
c[:,:,1] = c[:,:,1] * spectralResidual / mag
c = cv2.dft(c, flags = (cv2.DFT_INVERSE | cv2.DFT_SCALE))
mag = c[:,:,0]**2 + c[:,:,1]**2
cv2.normalize(cv2.GaussianBlur(mag,(9,9),3,3), mag, 0., 1., cv2.NORM_MINMAX)
imagenes_ajustadas.append(mag)
return imagenes_ajustadas
# In[130]:
import gradio as gr
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import models
modelo1 = tf.keras.models.load_model('modeloIA_1.h5')
modelo2 = tf.keras.models.load_model('modeloIA_2.h5')
modelo3 = tf.keras.models.load_model('modeloIA_3.h5')
modelo4 = tf.keras.models.load_model('modeloIA_4.h5')
modelo1v = tf.keras.models.load_model('modeloIA_1v.h5')
modelo2v = tf.keras.models.load_model('modeloIA_2v.h5')
modelo3v = tf.keras.models.load_model('modeloIA_3v.h5')
modelo4v = tf.keras.models.load_model('modeloIA_4v.h5')
# In[131]:
def ejecutar_modelo(imagen_app):
imagen_app = cv2.cvtColor (imagen_app,cv2.COLOR_BGR2GRAY)
imagenes_app = []
imagenes_app.append(imagen_app)
imagen_temporal = rasgos (imagenes_app, 128)
imagen_temporal = redimensionar(imagen_temporal,(256,256))
imagen_temporal = contraste(imagen_temporal,0.4)
imagen_temporal = np.expand_dims(imagen_temporal, axis=3)
resultado1 = modelo1.predict(imagen_temporal)
resultado1 = int (np.argmax (resultado1, axis=1))
resultado2 = modelo2.predict(imagen_temporal)
resultado2 = int (np.argmax (resultado2, axis=1))
resultado3 = modelo3.predict(imagen_temporal)
resultado3 = int (np.argmax (resultado3, axis=1))
resultado4 = modelo4.predict(imagen_temporal)
resultado4 = int (np.argmax (resultado4, axis=1))
clase1 = ['armonia', 'ausencia', 'contraste', 'ninguno']
clase2 =['ausencia', 'fragmentacion', 'ninguno', 'unidad']
clase3 = ['ausencia', 'equilibrio', 'inestabilidad', 'ninguno']
clase4 = ['agudeza', 'ausencia', 'difusividad', 'ninguno']
valor1 = ''
if clase1[resultado1] != 'ausencia' and clase1[resultado1] != 'ninguno':
valor1 = ': ' + str(int(np.clip(np.round(modelo1v.predict(imagen_temporal) + 1)[0][0],1,5)))
valor2 = ''
if clase2[resultado2] != 'ausencia' and clase2[resultado2] != 'ninguno':
valor2 = ': ' + str(int(np.clip(np.round(modelo2v.predict(imagen_temporal) + 1)[0][0],1,5)))
valor3 = ''
if clase3[resultado3] != 'ausencia' and clase3[resultado3] != 'ninguno':
valor3 = ': ' + str(int(np.clip(np.round(modelo3v.predict(imagen_temporal) + 1)[0][0],1,5)))
valor4 = ''
if clase4[resultado4] != 'ausencia' and clase4[resultado4] != 'ninguno':
valor4 = ': ' + str(int(np.clip(np.round(modelo4v.predict(imagen_temporal) + 1)[0][0],1,5)))
return clase1[resultado1] + valor1, clase2[resultado2] + valor2, clase3[resultado3] + valor3, clase4[resultado4] + valor4
# In[132]:
gui = gr.Interface (
fn = ejecutar_modelo,
inputs = gr.Image (),
outputs = [gr.Label(label='Contraste o armonía:'),
gr.Label(label='Fragmentación o unidad:'),
gr.Label(label='Inestabilidad o equilibrio:'),
gr.Label(label='Difusividad o agudeza:')],
title ='Evaluador de imágenes usando IA',
)
gui.launch(inbrowser = True)
# In[ ]:
|