app.py

import cv2
import numpy as np
import matplotlib.pyplot as plt
from ultralytics import YOLO
import gradio as gr
from matplotlib.patches import Patch

# Cargar el modelo YOLO (asegúrate de que 'model.pt' esté en el mismo directorio)
model = YOLO("model.pt")

def process_image(image):
    # Convertir la imagen de PIL a NumPy array y de RGB a BGR (PIL usa RGB, OpenCV usa BGR)
    img_rgb = np.array(image)
    img_bgr = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2BGR)

    # Realizar inferencia en la imagen BGR
    results = model.predict(source=img_bgr, save=False)

    # Inicializar la lista para almacenar la información de las máscaras
    mask_info_list = []

    # Crear una imagen en blanco para las máscaras (en formato BGR)
    mask_image = np.zeros_like(img_bgr, dtype=np.uint8)

    # Inicializar la máscara acumulativa
    cumulative_mask = np.zeros((img_bgr.shape[0], img_bgr.shape[1]), dtype=bool)

    # Procesar resultados
    for result in results:
        # Verificar si se detectaron máscaras
        if result.masks is not None and len(result.masks.data) > 0:
            # Obtener las máscaras, las probabilidades y las clases
            masks = result.masks.data.cpu().numpy()  # Shape: (num_masks, height, width)
            confidences = result.boxes.conf.cpu().numpy()  # Probabilidades
            classes = result.boxes.cls.cpu().numpy().astype(int)
            names = model.names  # Nombres de las clases

            # Normalizar las probabilidades al rango [0, 1]
            confidences_norm = (confidences - confidences.min()) / (confidences.max() - confidences.min() + 1e-6)

            # Redimensionar las máscaras para que coincidan con el tamaño de la imagen
            resized_masks = []
            for mask in masks:
                mask_resized = cv2.resize(mask, (img_bgr.shape[1], img_bgr.shape[0]), interpolation=cv2.INTER_LINEAR)
                resized_masks.append(mask_resized)
            resized_masks = np.array(resized_masks)  # Shape: (num_masks, height, width)

            # Aplicar suavizado a las máscaras
            smoothed_masks = []
            for mask in resized_masks:
                # Convertir la máscara a escala de grises (valores entre 0 y 255)
                mask_uint8 = (mask * 255).astype(np.uint8)
                # Aplicar desenfoque gaussiano
                blurred_mask = cv2.GaussianBlur(mask_uint8, (7, 7), 0)
                # Normalizar y convertir de nuevo a rango [0, 1]
                mask_smoothed = blurred_mask.astype(np.float32) / 255.0
                smoothed_masks.append(mask_smoothed)
            smoothed_masks = np.array(smoothed_masks)

            # Ordenar las máscaras por probabilidad descendente
            sorted_indices = np.argsort(-confidences)
            sorted_masks = smoothed_masks[sorted_indices]
            sorted_confidences = confidences[sorted_indices]
            sorted_confidences_norm = confidences_norm[sorted_indices]
            sorted_classes = classes[sorted_indices]

            # Definir el mapa de colores (puedes cambiar a 'plasma', 'inferno', etc.)
            colormap = plt.cm.get_cmap('viridis')  # Cambia 'viridis' por 'plasma' o 'inferno' si lo deseas

            # Procesar cada máscara y asignar máscaras de mayor confianza primero
            for idx_in_order, (idx, mask, conf_norm, conf, cls) in enumerate(
                    zip(sorted_indices, sorted_masks, sorted_confidences_norm, sorted_confidences, sorted_classes)):
                # Umbralizar la máscara para obtener valores binarios
                mask_bool = mask > 0.5

                # Restar la máscara acumulativa de la máscara actual para obtener la parte única
                unique_mask = np.logical_and(mask_bool, np.logical_not(cumulative_mask))

                # Actualizar la máscara acumulativa
                cumulative_mask = np.logical_or(cumulative_mask, unique_mask)

                # Si no hay píxeles únicos, continuar
                if not np.any(unique_mask):
                    continue

                # Obtener el color del mapa de colores basado en la probabilidad normalizada
                color_rgb = colormap(conf_norm)[:3]  # Color en formato RGB [0, 1]
                color_rgb_255 = [int(c * 255) for c in color_rgb]  # Escalar a [0, 255]
                color_bgr_255 = color_rgb_255[::-1]  # Convertir de RGB a BGR

                # Almacenar la información de la máscara
                mask_info = {
                    'mask_index': idx,
                    'class': names[cls],
                    'confidence': conf,
                    'color_rgb': color_rgb_255,
                    'color_bgr': color_bgr_255
                }
                mask_info_list.append(mask_info)

                # Asignar colores a los píxeles correspondientes en la imagen de máscaras
                # Utilizamos broadcasting para asignar el color a los píxeles únicos
                mask_image[unique_mask] = color_bgr_255

    # Superponer la imagen de máscaras sobre la imagen original
    alpha = 0.3  # Transparencia ajustada (puedes ajustar este valor según tus preferencias)
    img_with_masks = cv2.addWeighted(img_bgr.astype(np.float32), 1, mask_image.astype(np.float32), alpha, 0).astype(np.uint8)

    # Convertir la imagen de BGR a RGB para matplotlib
    img_with_masks_rgb = cv2.cvtColor(img_with_masks, cv2.COLOR_BGR2RGB)

    # Crear una figura para mostrar la imagen y la leyenda
    fig, ax = plt.subplots(figsize=(10, 10))
    ax.imshow(img_with_masks_rgb)
    ax.axis('off')

    # Crear la leyenda si hay máscaras detectadas
    if mask_info_list:
        handles = []
        labels = []
        for mask_info in mask_info_list:
            color_rgb_normalized = np.array(mask_info['color_rgb']) / 255  # Normalizar al rango [0, 1]
            patch = Patch(facecolor=color_rgb_normalized)
            label = f"{mask_info['class']} - Confianza: {mask_info['confidence']:.2f}"
            handles.append(patch)
            labels.append(label)

        # Añadir la leyenda al gráfico
        legend = ax.legend(handles, labels, loc='upper right', bbox_to_anchor=(1.15, 1))
        ax.add_artist(legend)

    plt.tight_layout()

    # Convertir la figura a una imagen NumPy
    fig.canvas.draw()
    img_figure = np.frombuffer(fig.canvas.tostring_rgb(), dtype=np.uint8)
    img_figure = img_figure.reshape(fig.canvas.get_width_height()[::-1] + (3,))

    plt.close(fig)  # Cerrar la figura para liberar memoria

    return img_figure

# Crear la interfaz de Gradio
iface = gr.Interface(
    fn=process_image,
    inputs=gr.Image(type="pil"),
    outputs=gr.Image(type="numpy"),
    title="Detección de Estenosis",
    description="Sube una imagen para detectar estenosis."
)

if __name__ == "__main__":
    iface.launch()