update

Corriger.py

@@ -1,12 +1,13 @@
 import streamlit as st
+import streamlit_authenticator as stauth
 from code.functions import pipeline_svg
 from PIL import Image
 import cv2
 import numpy as np
 from io import BytesIO
 import copy
-
-inch_value = 2.54
+import yaml
+from yaml.loader import SafeLoader
 
 logo = Image.open("seguinmoreau.png")
 st.set_page_config(
@@ -16,137 +17,159 @@ st.set_page_config(
     initial_sidebar_state="expanded"
 )
 
-st.markdown(
-    """
-    # Boîte à Outils de correction de logos :wrench:
-    
-    Bienvenue dans la boîte à outils de correction de logos de Seguin Moreau.
-    
-    ### :hammer: Les outils
-    Dans cette boîte à outils, vous trouverez:
-    * Un outil de Correction automatique de logo (enlever les petits défauts, lissage, vectorisation, grossissement des traits trop fins.
-    * Un outil de Vectorisation (image en pixels => image vectorisée => image en pixels).
-    
-    ### :bulb: Mode d'emploi
-    * Cliquer sur 'Browse files'
-    * Sélectionner un logo
-    * La correction est automatique. Si la correction ne vous convient pas, il est possible de régler les paramètres en cliquant sur 'Paramétrage' à droite de l'image.
-        * Les deux paramètres permettent de corriger les défauts liés à la présence de gris sur le logo ou la 'pixélisation' du logo trop importante.
-    
-    """
-)
-
-logo = Image.open('seguinmoreau.png')
-st.image(logo, width=100)
-
-uploaded_files = st.file_uploader("Choisir un logo", accept_multiple_files=True)
-
-image_width = 500
-size_value = st.slider("Largeur de trait minimum", min_value=1, max_value=21, value=7, step=2)
-
-size_value = (size_value - 1) // 2
-
-#kernel_type_str = st.selectbox("Kernel type", ["Ellipse", "Rectangle", "Cross"])
-kernel_type_str = "Ellipse"
-dict_kernel_type = {"Ellipse": cv2.MORPH_ELLIPSE, "Rectangle": cv2.MORPH_RECT, "Cross": cv2.MORPH_CROSS}
-kernel_type = dict_kernel_type[kernel_type_str]
-
-for uploaded_file in uploaded_files:
-    col1, col2, col3 = st.columns([1, 1, 1])
-    col3.markdown("---")
-
-    image = Image.open(uploaded_file).convert('L')
-    image_input = np.array(image)
-    image = copy.deepcopy(image_input)
-    col1.image(image_input/255.0, caption="Image d'entrée", use_column_width='auto')
-
-    with col3:
-        with st.expander(":gear: Paramétrage"):
-            st.write("Si l'image contient du gris, faire varier le seuil ci-dessous:")
-            threshold = st.slider("Seuil pour convertir l'image en noir&blanc.", min_value=0, max_value=255, value=0,
-                                    step=1, key=f"{uploaded_file}_slider_threshold")
-            st.write("Si l'image est pixelisée, ou contient trop de détails, "
-                     "augmenter la valeur ci-dessous:")
-            blur_value = st.slider("Seuil pour lisser l'image", min_value=1, max_value=11, value=1, step=2,
-                                   key=f"{uploaded_file}_slider_gaussian_sigma")
-            st.write("Si l'image contient des traits très fin (de l'odre du pixel),"
-                     " augmenter le seuil ci-dessous, de 1 par 1:")
-            dilate_lines_value = st.slider("Dilatation de l'image d'origine: (en pixels)", min_value=0, max_value=5, value=0, step=1,key=f"{uploaded_file}_slider_dilation_image")
-
-            st.write("Taille d'exportation d'image:")
-
-            dpi_value = st.number_input("Valeur dpi:", key=f"{uploaded_file}_number_dpi_value", value=200)
-            side_width_value = st.number_input("Taille max de côté cible (cm):", key=f"{uploaded_file}_number_target_value", value=20)
-            new_largest_side_value = int(side_width_value / inch_value * dpi_value)
-
-            h, w, *_ = image.shape
-
-            # Resize image
-            ratio = w / h
-            if ratio > 1:
-                width = new_largest_side_value
-                height = int(new_largest_side_value / ratio)
-            else:
-                height = new_largest_side_value
-                width = int(ratio * new_largest_side_value)
-
-            target_width_value = st.number_input("Largeur cible (cm):", key=f"{uploaded_file}_number_width_value", value=0)
-            target_height_value = st.number_input("Hauteur cible (cm):", key=f"{uploaded_file}_number_height_value", value=0)
-
-            if target_width_value > 0 and target_height_value == 0:
-                width = int(target_width_value / inch_value * dpi_value)
-                height = int(width / ratio)
-            elif target_height_value > 0 and target_width_value == 0:
-                height = int(target_height_value / inch_value * dpi_value)
-                width = int(height * ratio)
-            elif target_height_value > 0 and target_width_value > 0:
-                st.warning("Vous ne pouvez pas modifier la largeur et la hauteur simultanément.")
-
-    if threshold > 0:
-        image = (image > threshold)*255
-        image = image.astype('uint8')
-
-    if blur_value > 0:
-        image = cv2.GaussianBlur(image, (blur_value, blur_value), blur_value - 1)
-
-    # Process image cv32f ==> cv32f
-    img_final = pipeline_svg(image, size_value=size_value, level=1, threshold=threshold, kernel_type=kernel_type, dilate_lines_value=dilate_lines_value)
-
-    col2.image(img_final, caption="Image corrigée", use_column_width='auto')
-
-    # Check for grayscale
-    tolerance = 10
-    ratio_of_gray_pixels = int(np.sum((tolerance < image)* (image < 255 - tolerance))/np.size(image)*100)
-    if ratio_of_gray_pixels > 1:
-        col3.warning(f":warning: Le nombre de pixels gris est élevé: {ratio_of_gray_pixels} % > 1%")
-
-    # Check reconstruction fidelity
-    distance = np.mean((np.array(image) - img_final)**2)
-    if distance > 10:
-        col3.warning(f":warning: Le logo est peut-être trop dégradé (MSE={distance:.2f} > 10).\nVérifier visuellement.")
-
-
-
-    dim = (width, height)
-    # resize image
-    resized_img_final = cv2.resize(img_final, dim, interpolation=cv2.INTER_AREA)
-    resized_image_input = cv2.resize(image_input, dim, interpolation=cv2.INTER_AREA)
-
-    buf = BytesIO()
-    img_stacked = np.hstack((resized_image_input, resized_img_final))
-    img_final = Image.fromarray(img_stacked).convert("L")
-    img_final.save(buf, format="PNG")
-    byte_im= buf.getvalue()
-
-    btn = col3.download_button(
-        label=":inbox_tray: Télécharger l'image",
-        data=byte_im,
-        file_name=f"corrected_{uploaded_file.name}",
-        mime="image/png"
-    )
-
-
+# Authentication
 
+with open('users.yaml') as file:
+    config = yaml.load(file, Loader=SafeLoader)
 
+authenticator = stauth.Authenticate(
+    config['credentials'],
+    config['cookie']['name'],
+    config['cookie']['key'],
+    config['cookie']['expiry_days'],
+    config['preauthorized']
+)
 
+name, authentication_status, username = authenticator.login('Login', 'main')
+
+if not authentication_status:
+    st.error("Nom d'utilisateur ou mot de passe incorrect")
+elif authentication_status is None:
+    st.warning("Rentrer nom d'utilisateur et mot de passe")
+elif authentication_status:
+    authenticator.logout('Logout', 'main')
+    # ------------------------------
+
+    inch_value = 2.54
+
+    logo = Image.open('seguinmoreau.png')
+    st.image(logo, width=200)
+    st.markdown(
+        """
+        # Boîte à Outils de correction de logos :wrench:
+        
+        Bienvenue dans la boîte à outils de correction de logos de Seguin Moreau.
+        
+        ### :hammer: Les outils
+        Dans cette boîte à outils, vous trouverez:
+        * Un outil de Correction automatique de logo (enlever les petits défauts, lissage, vectorisation, grossissement des traits trop fins).
+        
+        ### :bulb: Mode d'emploi
+        * Cliquer sur 'Browse files'
+        * Sélectionner un logo
+        * La correction est automatique. Si la correction ne vous convient pas, il est possible de régler les paramètres en cliquant sur 'Paramétrage' à droite de l'image.
+            * Les deux paramètres permettent de corriger les défauts liés à la présence de gris sur le logo ou la 'pixélisation' du logo trop importante.
+        
+        """
+    )
 
+    uploaded_files = st.file_uploader("Choisir un logo", accept_multiple_files=True)
+
+    image_width = 500
+    size_value = st.slider("Largeur de trait minimum", min_value=1, max_value=21, value=7, step=2)
+
+    size_value = (size_value - 1) // 2
+
+    # kernel_type_str = st.selectbox("Kernel type", ["Ellipse", "Rectangle", "Cross"])
+    kernel_type_str = "Ellipse"
+    dict_kernel_type = {"Ellipse": cv2.MORPH_ELLIPSE, "Rectangle": cv2.MORPH_RECT, "Cross": cv2.MORPH_CROSS}
+    kernel_type = dict_kernel_type[kernel_type_str]
+
+    for uploaded_file in uploaded_files:
+        col1, col2, col3 = st.columns([1, 1, 1])
+        col3.markdown("---")
+
+        image = Image.open(uploaded_file).convert('L')
+        image_input = np.array(image)
+        image = copy.deepcopy(image_input)
+        col1.image(image_input / 255.0, caption="Image d'entrée", use_column_width='auto')
+
+        with col3:
+            with st.expander(":gear: Paramétrage"):
+                st.write("Si l'image contient du gris, faire varier le seuil ci-dessous:")
+                threshold = st.slider("Seuil pour convertir l'image en noir&blanc.", min_value=0, max_value=255,
+                                      value=0,
+                                      step=1, key=f"{uploaded_file}_slider_threshold")
+                st.write("Si l'image est pixelisée, ou contient trop de détails, "
+                         "augmenter la valeur ci-dessous:")
+                blur_value = st.slider("Seuil pour lisser l'image", min_value=1, max_value=11, value=1, step=2,
+                                       key=f"{uploaded_file}_slider_gaussian_sigma")
+                st.write("Si l'image contient des traits très fin (de l'odre du pixel),"
+                         " augmenter le seuil ci-dessous, de 1 par 1:")
+                dilate_lines_value = st.slider("Dilatation de l'image d'origine: (en pixels)", min_value=0, max_value=5,
+                                               value=0, step=1, key=f"{uploaded_file}_slider_dilation_image")
+
+                st.write("Taille d'exportation d'image:")
+
+                dpi_value = st.number_input("Valeur dpi:", key=f"{uploaded_file}_number_dpi_value", value=200)
+                side_width_value = st.number_input("Taille max de côté cible (cm):",
+                                                   key=f"{uploaded_file}_number_target_value", value=20)
+                new_largest_side_value = int(side_width_value / inch_value * dpi_value)
+
+                h, w, *_ = image.shape
+
+                # Resize image
+                ratio = w / h
+                if ratio > 1:
+                    width = new_largest_side_value
+                    height = int(new_largest_side_value / ratio)
+                else:
+                    height = new_largest_side_value
+                    width = int(ratio * new_largest_side_value)
+
+                target_width_value = st.number_input("Largeur cible (cm):", key=f"{uploaded_file}_number_width_value",
+                                                     value=0)
+                target_height_value = st.number_input("Hauteur cible (cm):", key=f"{uploaded_file}_number_height_value",
+                                                      value=0)
+
+                if target_width_value > 0 and target_height_value == 0:
+                    width = int(target_width_value / inch_value * dpi_value)
+                    height = int(width / ratio)
+                elif target_height_value > 0 and target_width_value == 0:
+                    height = int(target_height_value / inch_value * dpi_value)
+                    width = int(height * ratio)
+                elif target_height_value > 0 and target_width_value > 0:
+                    st.warning("Vous ne pouvez pas modifier la largeur et la hauteur simultanément.")
+
+        if threshold > 0:
+            image = (image > threshold) * 255
+            image = image.astype('uint8')
+
+        if blur_value > 0:
+            image = cv2.GaussianBlur(image, (blur_value, blur_value), blur_value - 1)
+
+        # Process image cv32f ==> cv32f
+        img_final = pipeline_svg(image, size_value=size_value, level=1, threshold=threshold, kernel_type=kernel_type,
+                                 dilate_lines_value=dilate_lines_value)
+
+        col2.image(img_final, caption="Image corrigée", use_column_width='auto')
+
+        # Check for grayscale
+        tolerance = 10
+        ratio_of_gray_pixels = int(np.sum((tolerance < image) * (image < 255 - tolerance)) / np.size(image) * 100)
+        if ratio_of_gray_pixels > 1:
+            col3.warning(f":warning: Le nombre de pixels gris est élevé: {ratio_of_gray_pixels} % > 1%")
+
+        # Check reconstruction fidelity
+        distance = np.mean((np.array(image) - img_final) ** 2)
+        if distance > 10:
+            col3.warning(
+                f":warning: Le logo est peut-être trop dégradé (MSE={distance:.2f} > 10).\nVérifier visuellement.")
+
+        dim = (width, height)
+        # resize image
+        resized_img_final = cv2.resize(img_final, dim, interpolation=cv2.INTER_AREA)
+        resized_image_input = cv2.resize(image_input, dim, interpolation=cv2.INTER_AREA)
+
+        buf = BytesIO()
+        # img_stacked = np.hstack((resized_image_input, resized_img_final))
+        img_final = Image.fromarray(resized_image_input).convert("L")
+        img_final.save(buf, format="PNG")
+        byte_im = buf.getvalue()
+
+        btn = col3.download_button(
+            label=":inbox_tray: Télécharger l'image",
+            data=byte_im,
+            file_name=f"corrected_{uploaded_file.name}",
+            mime="image/png"
+        )

requirements.txt

@@ -6,3 +6,4 @@ scipy==1.6.2
 streamlit==1.20.0
 potracer==0.0.4
 cairosvg==2.7.0
+streamlit-authenticator==0.2.1