Update app.py

app.py

@@ -193,13 +193,100 @@ class IrisAnalyzer:
             )
         ]
 
+    def _assess_image_quality(self, image: np.ndarray) -> float:
+        gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
+        blur_score = cv2.Laplacian(gray, cv2.CV_64F).var()
+        brightness = np.mean(gray)
+        contrast = np.std(gray)
+        
+        quality_score = (
+            min(blur_score / 500, 1) * 0.4 +
+            min(abs(brightness - 128) / 128, 1) * 0.3 +
+            min(contrast / 50, 1) * 0.3
+        ) * 100
+        
+        return quality_score
+
+    def _analyze_texture(self, gray: np.ndarray, mask: np.ndarray) -> float:
+        zone_pixels = cv2.bitwise_and(gray, gray, mask=mask)
+        if np.sum(mask) == 0:
+            return 0
+            
+        mean = np.mean(zone_pixels[mask > 0])
+        std = np.std(zone_pixels[mask > 0])
+        entropy = np.sum(np.abs(np.diff(zone_pixels[mask > 0])))
+        
+        texture_score = (mean * 0.3 + std * 0.3 + min(entropy/1000, 1) * 0.4) * 100
+        return min(texture_score, 100)
+
+    def _analyze_contrast(self, l_channel: np.ndarray, mask: np.ndarray) -> float:
+        if np.sum(mask) == 0:
+            return 0
+            
+        zone_pixels = l_channel[mask > 0]
+        p5 = np.percentile(zone_pixels, 5)
+        p95 = np.percentile(zone_pixels, 95)
+        
+        contrast_score = ((p95 - p5) / 255) * 100
+        return min(contrast_score, 100)
+
+    def _detect_patterns(self, gray: np.ndarray, mask: np.ndarray) -> float:
+        if np.sum(mask) == 0:
+            return 0
+            
+        sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
+        sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
+        gradient = np.sqrt(sobelx**2 + sobely**2)
+        
+        zone_gradient = gradient[mask > 0]
+        pattern_score = (np.mean(zone_gradient) / np.max(gradient)) * 100
+        return min(pattern_score, 100)
+
+    def _customize_conditions(self, base_conditions: List[str], metrics: Dict) -> List[str]:
+        customized = []
+        for condition in base_conditions:
+            if metrics["intensity"] < 50:
+                condition += " (intensidade muito baixa)"
+            elif metrics["contrast"] < 30:
+                condition += " (baixo contraste)"
+            
+            if metrics["patterns"] > 70:
+                condition += " (padrões significativos detectados)"
+            
+            customized.append(condition)
+        return customized
+
+    def _customize_recommendations(self, base_recommendations: List[str], metrics: Dict) -> List[str]:
+        customized = []
+        for rec in base_recommendations:
+            if metrics["texture"] < 40:
+                rec += " (prioridade alta)"
+            elif metrics["saturation"] < 50:
+                rec += " (atenção especial necessária)"
+            
+            customized.append(rec)
+        return customized
+
+    def _calculate_confidence(self, metrics: Dict) -> str:
+        confidence_score = (
+            metrics["intensity"] * 0.25 +
+            metrics["contrast"] * 0.25 +
+            metrics["texture"] * 0.25 +
+            metrics["patterns"] * 0.25
+        )
+        
+        if confidence_score > 75:
+            return "alta"
+        elif confidence_score > 50:
+            return "média"
+        else:
+            return "baixa"
+
     def analyze_iris(self, image: np.ndarray) -> Dict:
-        # Converter para diferentes espaços de cor para análise mais completa
         gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
         hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
         lab = cv2.cvtColor(image, cv2.COLOR_RGB2LAB)
         
-        # Detectar centro e borda da íris usando Hough Circles
         circles = cv2.HoughCircles(
             gray, cv2.HOUGH_GRADIENT, dp=1, minDist=100,
             param1=50, param2=30, minRadius=50, maxRadius=150
@@ -226,12 +313,10 @@ class IrisAnalyzer:
             inner_r = int(radius * zone.ratio[0])
             outer_r = int(radius * zone.ratio[1])
             
-            # Criar máscaras para diferentes análises
             mask = np.zeros(gray.shape, dtype=np.uint8)
             cv2.circle(mask, center, outer_r, 255, -1)
             cv2.circle(mask, center, inner_r, 0, -1)
             
-            # Análise multiespectral
             zone_metrics = {
                 "intensity": cv2.mean(gray, mask=mask)[0],
                 "saturation": cv2.mean(hsv[..., 1], mask=mask)[0],
@@ -240,7 +325,6 @@ class IrisAnalyzer:
                 "patterns": self._detect_patterns(gray, mask)
             }
             
-            # Análise detalhada baseada em múltiplos fatores
             health_score = (
                 zone_metrics["intensity"] * 0.3 +
                 zone_metrics["saturation"] * 0.2 +
@@ -271,7 +355,6 @@ class IrisAnalyzer:
                 "confianca_analise": self._calculate_confidence(zone_metrics)
             }
             
-            # Marcar zona na imagem
             cv2.circle(image, center, outer_r, zone.color, 2)
             cv2.putText(image, zone.name, 
                        (center[0]-outer_r, center[1]+outer_r),
@@ -279,111 +362,7 @@ class IrisAnalyzer:
         
         return image, results
 
-    def _customize_conditions(self, base_conditions: List[str], metrics: Dict) -> List[str]:
-        """Personaliza as condições baseado nas métricas específicas"""
-        customized = []
-        for condition in base_conditions:
-            # Adicionar detalhes específicos baseados nas métricas
-            if metrics["intensity"] < 50:
-                condition += " (intensidade muito baixa)"
-            elif metrics["contrast"] < 30:
-                condition += " (baixo contraste)"
-            
-            if metrics["patterns"] > 70:
-                condition += " (padrões significativos detectados)"
-            
-            customized.append(condition)
-        return customized
-
-    def _customize_recommendations(self, base_recommendations: List[str], metrics: Dict) -> List[str]:
-        """Personaliza as recomendações baseado nas métricas específicas"""
-        customized = []
-        for rec in base_recommendations:
-            # Adicionar detalhes específicos baseados nas métricas
-            if metrics["texture"] < 40:
-                rec += " (prioridade alta)"
-            elif metrics["saturation"] < 50:
-                rec += " (atenção especial necessária)"
-            
-            customized.append(rec)
-        return customized
-
-    def _calculate_confidence(self, metrics: Dict) -> str:
-        """Calcula o nível de confiança da análise baseado nas métricas"""
-        confidence_score = (
-            metrics["intensity"] * 0.25 +
-            metrics["contrast"] * 0.25 +
-            metrics["texture"] * 0.25 +
-            metrics["patterns"] * 0.25
-        )
-        
-        if confidence_score > 75:
-            return "alta"
-        elif confidence_score > 50:
-            return "média"
-        else:
-            return "baixa"
-
 def process_image(img):
-        if img is None:
-            return [None] * 5, gr.Warning("Por favor, carregue uma imagem.")
-        
-        analyzer = IrisAnalyzer()
-        processed_img, results = analyzer.analyze_iris(img)
-        
-        # Relatório Geral
-        general_report = "# 📊 Visão Geral da Análise\n\n"
-        status_counts = {"baixa": 0, "media": 0, "alta": 0}
-        for analysis in results["analysis"].values():
-            status_counts[analysis["status"]] += 1
-        
-        health_score = ((status_counts["alta"] * 100) + (status_counts["media"] * 50)) / len(results["analysis"])
-        general_report += f"**Índice de Saúde Geral:** {health_score:.1f}%\n\n"
-        general_report += f"**Data da Análise:** {results['timestamp']}\n\n"
-        general_report += "**Qualidade da Imagem:** {:.1f}%\n\n".format(results['metrics']['image_quality'])
-        
-        # Condições Detalhadas
-        detailed_conditions = "# 🔍 Análise Detalhada por Zona\n\n"
-        for zone_name, analysis in results["analysis"].items():
-            detailed_conditions += f"## {zone_name}\n\n"
-            detailed_conditions += "### Condições Identificadas:\n"
-            for condition in analysis["conditions"]:
-                detailed_conditions += f"- {condition}\n"
-            detailed_conditions += f"\n**Status:** {analysis['status'].title()}\n"
-            detailed_conditions += f"**Confiança da Análise:** {analysis['confianca_analise']}\n"
-            detailed_conditions += "**Métricas Detalhadas:**\n"
-            for metric, value in analysis["metrics"].items():
-                detailed_conditions += f"- {metric.replace('_', ' ').title()}: {value:.1f}\n"
-            detailed_conditions += "\n"
-        
-        # Recomendações
-        recommendations = "# 💡 Recomendações Personalizadas\n\n"
-        for zone_name, analysis in results["analysis"].items():
-            recommendations += f"## {zone_name}\n\n"
-            for rec in analysis["recommendations"]:
-                recommendations += f"- {rec}\n"
-            recommendations += "\n"
-        
-        # Alertas de Saúde
-        health_alerts = "# ⚠️ Alertas e Atenção Especial\n\n"
-        for zone_name, analysis in results["analysis"].items():
-            if analysis["status"] == "baixa" or analysis["metrics"]["health_score"] < 50:
-                health_alerts += f"## {zone_name}\n"
-                health_alerts += "### Pontos de Atenção:\n"
-                for condition in analysis["conditions"]:
-                    health_alerts += f"- ⚠️ {condition}\n"
-                health_alerts += "\n### Ações Recomendadas:\n"
-                for rec in analysis["recommendations"]:
-                    health_alerts += f"- ✅ {rec}\n"
-                health_alerts += "\n"
-        
-        return [
-            processed_img,
-            general_report,
-            detailed_conditions,
-            recommendations,
-            health_alerts
-        ]
     if img is None:
         return [None] * 5, gr.Warning("Por favor, carregue uma imagem.")
     
@@ -399,29 +378,34 @@ def process_image(img):
     health_score = ((status_counts["alta"] * 100) + (status_counts["media"] * 50)) / len(results["analysis"])
     general_report += f"**Índice de Saúde Geral:** {health_score:.1f}%\n\n"
     general_report += f"**Data da Análise:** {results['timestamp']}\n\n"
+    general_report += "**Qualidade da Imagem:** {:.1f}%\n\n".format(results['metrics']['image_quality'])
     
     # Condições Detalhadas
     detailed_conditions = "# 🔍 Análise Detalhada por Zona\n\n"
+    recommendations = "# 💡 Recomendações Personalizadas\n\n"
+    health_alerts = "# ⚠️ Alertas e Atenção Especial\n\n"
+    
     for zone_name, analysis in results["analysis"].items():
+        # Detailed conditions
         detailed_conditions += f"## {zone_name}\n\n"
         detailed_conditions += "### Condições Identificadas:\n"
         for condition in analysis["conditions"]:
             detailed_conditions += f"- {condition}\n"
         detailed_conditions += f"\n**Status:** {analysis['status'].title()}\n"
-        detailed_conditions += f"**Intensidade:** {analysis['intensity']:.1f}\n\n"
-    
-    # Recomendações
-    recommendations = "# 💡 Recomendações Personalizadas\n\n"
-    for zone_name, analysis in results["analysis"].items():
+        detailed_conditions += f"**Confiança da Análise:** {analysis['confianca_analise']}\n"
+        detailed_conditions += "**Métricas Detalhadas:**\n"
+        for metric, value in analysis["metrics"].items():
+            detailed_conditions += f"- {metric.replace('_', ' ').title()}: {value:.1f}\n"
+        detailed_conditions += "\n"
+        
+        # Recommendations
         recommendations += f"## {zone_name}\n\n"
         for rec in analysis["recommendations"]:
             recommendations += f"- {rec}\n"
         recommendations += "\n"
-    
-    # Alertas de Saúde
-    health_alerts = "# ⚠️ Alertas e Atenção Especial\n\n"
-    for zone_name, analysis in results["analysis"].items():
-        if analysis["status"] == "baixa":
+        
+        # Health alerts
+        if analysis["status"] == "baixa" or analysis["metrics"]["health_score"] < 50:
             health_alerts += f"## {zone_name}\n"
             health_alerts += "### Pontos de Atenção:\n"
             for condition in analysis["conditions"]:
@@ -439,7 +423,7 @@ def process_image(img):
         health_alerts
     ]
 
-# Interface Gradio moderna com Blocks
+# Interface Gradio
 with gr.Blocks(theme=gr.themes.Soft()) as iface:
     gr.Markdown("""
     # 🔍 Analisador Avançado de Íris
@@ -449,7 +433,6 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
     """)
     
     with gr.Tabs() as tabs:
-        # Aba de Análise
         with gr.Tab("📸 Análise de Imagem", id=1):
             with gr.Row():
                 with gr.Column(scale=1):
@@ -464,7 +447,6 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
                 with gr.Column(scale=1):
                     output_image = gr.Image(label="Visualização da Análise", height=400)
         
-        # Aba de Resultados
         with gr.Tab("📊 Resultados", id=2):
             with gr.Tabs() as result_tabs:
                 with gr.Tab("📈 Visão Geral", id=2.1):
@@ -479,7 +461,6 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
                 with gr.Tab("⚠️ Alertas", id=2.4):
                     alerts_output = gr.Markdown()
         
-        # Aba de Informações
         with gr.Tab("ℹ️ Informações", id=3):
             gr.Markdown("""
             ## 📚 Sobre a Análise Iridológica
@@ -499,6 +480,12 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
             3. Verifique os resultados nas diferentes abas
             4. Consulte os alertas e recomendações
 
+            ### 🔍 Interpretação dos Resultados:
+            - **Visão Geral**: Índice geral de saúde e qualidade da análise
+            - **Condições**: Análise detalhada por zona
+            - **Recomendações**: Sugestões personalizadas
+            - **Alertas**: Pontos que requerem atenção especial
+
             ### ⚠️ Observações Importantes:
             - Sistema para fins educacionais
             - Não substitui avaliação médica