Update app.py

app.py

@@ -294,7 +294,7 @@ def detectar_iris_pupila(imagem, mask_esclera):
 
 def analisar_textura_setorial(imagem, iris_info, pupil_info):
     """
-    Analisa a textura da íris por setores com correções e melhorias
+    Analisa a textura da íris por setores com calibração melhorada
     """
     if iris_info is None or pupil_info is None:
         return {}
@@ -305,14 +305,14 @@ def analisar_textura_setorial(imagem, iris_info, pupil_info):
     # Converter para escala de cinza com preservação de contraste
     gray = cv2.cvtColor(imagem, cv2.COLOR_RGB2GRAY)
     
-    # Equalização adaptativa do histograma
-    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
+    # Equalização adaptativa do histograma com parâmetros ajustados
+    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(4,4))
     gray = clahe.apply(gray)
     
-    # Criar máscara anelar da íris com margem de segurança
+    # Criar máscara anelar da íris com margens ajustadas
     mask_iris = np.zeros_like(gray)
-    cv2.circle(mask_iris, (ix, iy), int(ir * 0.95), 255, -1)  # Reduzir raio em 5%
-    cv2.circle(mask_iris, (px, py), int(pr * 1.05), 0, -1)    # Aumentar raio em 5%
+    cv2.circle(mask_iris, (ix, iy), int(ir * 0.98), 255, -1)  # Margem externa menor
+    cv2.circle(mask_iris, (px, py), int(pr * 1.02), 0, -1)    # Margem interna menor
     
     # Dividir em 12 setores
     setores = {}
@@ -320,7 +320,7 @@ def analisar_textura_setorial(imagem, iris_info, pupil_info):
         ang_inicio = i * 30
         ang_fim = (i + 1) * 30
         
-        # Criar máscara do setor com ângulos precisos
+        # Criar máscara do setor
         mask_setor = np.zeros_like(gray)
         cv2.ellipse(mask_setor,
                    (ix, iy),
@@ -331,75 +331,77 @@ def analisar_textura_setorial(imagem, iris_info, pupil_info):
                    255,
                    -1)
         
-        # Combinar máscaras com operação morfológica
-        kernel = np.ones((3,3), np.uint8)
+        # Combinar máscaras com operação morfológica suave
+        kernel = np.ones((2,2), np.uint8)
         mask_final = cv2.bitwise_and(mask_iris, mask_setor)
         mask_final = cv2.morphologyEx(mask_final, cv2.MORPH_OPEN, kernel)
         
         # Extrair região do setor
         setor_roi = cv2.bitwise_and(gray, gray, mask=mask_final)
         
-        # Análise de textura melhorada
+        # Análise de textura calibrada
         non_zero = setor_roi[setor_roi > 0]
-        if len(non_zero) > 100:  # Garantir amostra significativa
-            # Normalizar valores
+        if len(non_zero) > 100:
+            # Normalização com range reduzido
             non_zero = ((non_zero - non_zero.min()) / 
-                       (non_zero.max() - non_zero.min() + 1e-8) * 255).astype(np.uint8)
+                       (non_zero.max() - non_zero.min() + 1e-8) * 100).astype(np.uint8)
             
-            # Reshape para matriz 2D para GLCM
+            # Reshape para matriz 2D
             tamanho_janela = int(np.sqrt(len(non_zero)))
             if tamanho_janela > 1:
                 matriz_2d = non_zero[:tamanho_janela**2].reshape(tamanho_janela, tamanho_janela)
                 
-                # Calcular GLCM com múltiplas distâncias e ângulos
-                distances = [1, 2, 3]
-                angles = [0, np.pi/4, np.pi/2, 3*np.pi/4]
+                # GLCM com parâmetros calibrados
+                distances = [1]  # Reduzir para apenas distância 1
+                angles = [0, np.pi/4]  # Reduzir número de ângulos
                 glcm = graycomatrix(matriz_2d, distances, angles, 
-                                  symmetric=True, normed=True)
+                                  levels=32,  # Reduzir níveis
+                                  symmetric=True, 
+                                  normed=True)
                 
-                # Calcular propriedades médias
-                contraste = np.mean(graycoprops(glcm, 'contrast'))
+                # Calcular propriedades com normalização
+                contraste = np.mean(graycoprops(glcm, 'contrast')) / 10  # Normalizar contraste
                 homogeneidade = np.mean(graycoprops(glcm, 'homogeneity'))
-                energia = np.mean(graycoprops(glcm, 'energy'))
-                correlacao = np.mean(graycoprops(glcm, 'correlation'))
-                
-                # Análise de gradiente
-                sobelx = cv2.Sobel(matriz_2d, cv2.CV_64F, 1, 0, ksize=3)
-                sobely = cv2.Sobel(matriz_2d, cv2.CV_64F, 0, 1, ksize=3)
-                gradiente = np.mean(np.sqrt(sobelx**2 + sobely**2))
                 
                 setores[f"setor_{i+1}"] = {
-                    "media": np.mean(non_zero),
-                    "std": np.std(non_zero),
                     "contraste": float(contraste),
-                    "homogeneidade": float(homogeneidade),
-                    "energia": float(energia),
-                    "correlacao": float(correlacao),
-                    "gradiente": float(gradiente)
+                    "homogeneidade": float(homogeneidade)
                 }
             else:
                 setores[f"setor_{i+1}"] = {
-                    "media": np.mean(non_zero),
-                    "std": np.std(non_zero),
                     "contraste": 0.0,
-                    "homogeneidade": 1.0,
-                    "energia": 1.0,
-                    "correlacao": 0.0,
-                    "gradiente": 0.0
+                    "homogeneidade": 1.0
                 }
         else:
             setores[f"setor_{i+1}"] = {
-                "media": 0.0,
-                "std": 0.0,
                 "contraste": 0.0,
-                "homogeneidade": 1.0,
-                "energia": 1.0,
-                "correlacao": 0.0,
-                "gradiente": 0.0
+                "homogeneidade": 1.0
             }
     
     return setores
 
+def avaliar_setores(setores):
+    """
+    Avalia os setores com novos limiares calibrados
+    """
+    for setor, dados in setores.items():
+        mensagens = []
+        
+        # Novos limiares calibrados
+        if dados['contraste'] > 50:  # Ajustado de 2.0
+            mensagens.append("Alta densidade de sinais")
+        elif dados['contraste'] < 10:  # Novo limiar
+            mensagens.append("Baixa densidade de sinais")
+            
+        if dados['homogeneidade'] < 0.3:  # Ajustado de 0.5
+            mensagens.append("Possível área de alteração")
+        elif dados['homogeneidade'] > 0.8:  # Novo limiar
+            mensagens.append("Área homogênea e saudável")
+            
+        dados['interpretacao'] = mensagens
+    
+    return setores
+
 def analisar_collarette(imagem, iris_info, pupil_info):
     """
     Analisa o collarette (anel de contração) em detalhes