Spaces:
Sleeping
Sleeping
| import gradio as gr | |
| import cv2 | |
| import numpy as np | |
| from PIL import Image | |
| import io | |
| from collections import defaultdict | |
| def detectar_iris(imagem): | |
| """ | |
| Detecta a íris na imagem e retorna a região de interesse | |
| """ | |
| # Converter para escala de cinza | |
| gray = cv2.cvtColor(imagem, cv2.COLOR_RGB2GRAY) | |
| # Aplicar blur para reduzir ruído | |
| blur = cv2.GaussianBlur(gray, (7, 7), 0) | |
| # Detectar círculos (íris) usando transformada de Hough | |
| circles = cv2.HoughCircles( | |
| blur, | |
| cv2.HOUGH_GRADIENT, | |
| dp=1, | |
| minDist=50, | |
| param1=50, | |
| param2=30, | |
| minRadius=50, | |
| maxRadius=150 | |
| ) | |
| if circles is not None: | |
| # Converter coordenadas para inteiros | |
| circles = np.uint16(np.around(circles)) | |
| # Pegar o primeiro círculo detectado | |
| x, y, r = circles[0][0] | |
| # Criar máscara circular | |
| mask = np.zeros_like(gray) | |
| cv2.circle(mask, (x, y), r, 255, -1) | |
| # Aplicar máscara na imagem original | |
| result = cv2.bitwise_and(imagem, imagem, mask=mask) | |
| # Recortar região da íris | |
| roi = result[y-r:y+r, x-r:x+r] | |
| return roi, (x, y, r) | |
| return None, None | |
| def analisar_textura(roi): | |
| """ | |
| Analisa a textura da íris para identificar padrões | |
| """ | |
| if roi is None: | |
| return {} | |
| # Converter para escala de cinza | |
| gray = cv2.cvtColor(roi, cv2.COLOR_RGB2GRAY) | |
| # Análises de textura | |
| padroes = { | |
| "congestao_inflamacao": False, | |
| "deficiencia_hipofuncao": False, | |
| "atrofia_degeneracao": False, | |
| "irritacao_estresse": False | |
| } | |
| # Análise de variância local | |
| kernel_size = 5 | |
| local_var = cv2.Laplacian(gray, cv2.CV_64F).var() | |
| # Análise de intensidade média | |
| mean_intensity = np.mean(gray) | |
| # Análise de contraste | |
| contrast = np.std(gray) | |
| # Detecção de bordas | |
| edges = cv2.Canny(gray, 100, 200) | |
| edge_density = np.sum(edges) / (edges.shape[0] * edges.shape[1]) | |
| # Definir limiares para cada padrão | |
| if local_var > 100: | |
| padroes["congestao_inflamacao"] = True | |
| if mean_intensity < 100: | |
| padroes["deficiencia_hipofuncao"] = True | |
| if contrast < 30: | |
| padroes["atrofia_degeneracao"] = True | |
| if edge_density > 0.1: | |
| padroes["irritacao_estresse"] = True | |
| return padroes | |
| def analisar_setores(roi, centro, raio): | |
| """ | |
| Analisa diferentes setores da íris | |
| """ | |
| if roi is None: | |
| return {} | |
| setores = { | |
| "superior": (315, 45), # Cérebro | |
| "direito": (45, 135), # Fígado | |
| "inferior": (135, 225), # Sistema Digestivo | |
| "esquerdo": (225, 315) # Coração | |
| } | |
| resultados = {} | |
| for setor, (ang_inicio, ang_fim) in setores.items(): | |
| # Criar máscara para o setor | |
| mask = np.zeros_like(roi[:,:,0]) | |
| cv2.ellipse(mask, | |
| (raio, raio), | |
| (raio-10, raio-10), | |
| 0, | |
| ang_inicio, | |
| ang_fim, | |
| 255, | |
| -1) | |
| # Aplicar máscara | |
| setor_roi = cv2.bitwise_and(roi, roi, mask=mask) | |
| # Analisar textura do setor | |
| resultados[setor] = analisar_textura(setor_roi) | |
| return resultados | |
| def gerar_diagnostico(padroes, setores): | |
| """ | |
| Gera diagnóstico baseado nos padrões encontrados | |
| """ | |
| diagnostico = [] | |
| # Mapeamento de padrões para possíveis condições | |
| mapa_condicoes = { | |
| "congestao_inflamacao": [ | |
| "Processo inflamatório ativo", | |
| "Possível condição autoimune", | |
| "Inflamação crônica" | |
| ], | |
| "deficiencia_hipofuncao": [ | |
| "Deficiência nutricional", | |
| "Hipofunção glandular", | |
| "Fadiga crônica" | |
| ], | |
| "atrofia_degeneracao": [ | |
| "Desgaste tecidual", | |
| "Processo degenerativo", | |
| "Envelhecimento acelerado" | |
| ], | |
| "irritacao_estresse": [ | |
| "Estresse crônico", | |
| "Sobrecarga do sistema nervoso", | |
| "Ansiedade" | |
| ] | |
| } | |
| # Analisar padrões gerais | |
| for padrao, presente in padroes.items(): | |
| if presente: | |
| diagnostico.extend(mapa_condicoes[padrao]) | |
| # Analisar setores específicos | |
| for setor, padroes_setor in setores.items(): | |
| for padrao, presente in padroes_setor.items(): | |
| if presente: | |
| if setor == "superior": | |
| diagnostico.append(f"Região cerebral: {mapa_condicoes[padrao][0]}") | |
| elif setor == "direito": | |
| diagnostico.append(f"Região hepática: {mapa_condicoes[padrao][0]}") | |
| elif setor == "inferior": | |
| diagnostico.append(f"Região digestiva: {mapa_condicoes[padrao][0]}") | |
| elif setor == "esquerdo": | |
| diagnostico.append(f"Região cardíaca: {mapa_condicoes[padrao][0]}") | |
| return list(set(diagnostico)) # Remover duplicatas | |
| def processar_imagem(imagem): | |
| """ | |
| Processa a imagem da íris e retorna análise | |
| """ | |
| # Converter imagem para formato OpenCV | |
| img_array = np.array(imagem) | |
| # Detectar íris | |
| roi, (x, y, r) = detectar_iris(img_array) | |
| if roi is None: | |
| return "Não foi possível detectar a íris na imagem." | |
| # Analisar padrões gerais | |
| padroes = analisar_textura(roi) | |
| # Analisar setores | |
| setores = analisar_setores(roi, (x, y), r) | |
| # Gerar diagnóstico | |
| diagnostico = gerar_diagnostico(padroes, setores) | |
| # Gerar visualização | |
| output_img = img_array.copy() | |
| cv2.circle(output_img, (x, y), r, (0, 255, 0), 2) | |
| # Desenhar setores | |
| ang_step = 45 | |
| for ang in range(0, 360, ang_step): | |
| end_x = int(x + r * np.cos(np.radians(ang))) | |
| end_y = int(y + r * np.sin(np.radians(ang))) | |
| cv2.line(output_img, (x, y), (end_x, end_y), (0, 255, 0), 1) | |
| return output_img, "\n".join(diagnostico) | |
| def criar_interface(): | |
| """ | |
| Cria interface moderna do Gradio | |
| """ | |
| # Tema personalizado verde piscina | |
| theme = gr.themes.Soft( | |
| primary_hue="teal", | |
| secondary_hue="green", | |
| ).set( | |
| body_text_color="#2A9D8F", | |
| block_title_text_color="#264653", | |
| block_label_text_color="#2A9D8F", | |
| input_background_fill="#E9F5F3", | |
| button_primary_background_fill="#2A9D8F", | |
| button_primary_background_fill_dark="#264653", | |
| ) | |
| # Interface | |
| with gr.Blocks(theme=theme, title="Análise Iridológica por Imagem") as interface: | |
| gr.Markdown(""" | |
| # Sistema Avançado de Análise Iridológica | |
| ### Análise automatizada de imagens da íris | |
| """) | |
| with gr.Tabs(): | |
| # Aba de Análise | |
| with gr.Tab("Análise de Imagem"): | |
| with gr.Row(): | |
| with gr.Column(): | |
| input_image = gr.Image( | |
| label="Imagem da Íris", | |
| type="pil" | |
| ) | |
| with gr.Column(): | |
| output_image = gr.Image( | |
| label="Íris Analisada" | |
| ) | |
| analysis_btn = gr.Button("Analisar Íris", variant="primary") | |
| output_text = gr.Textbox( | |
| label="Diagnóstico", | |
| lines=10 | |
| ) | |
| analysis_btn.click( | |
| fn=processar_imagem, | |
| inputs=[input_image], | |
| outputs=[output_image, output_text] | |
| ) | |
| # Aba de Guia | |
| with gr.Tab("Guia de Interpretação"): | |
| gr.Markdown(""" | |
| ## Interpretação dos Sinais | |
| ### Padrões Principais | |
| - **Congestão/Inflamação**: Áreas escuras ou densas | |
| - **Deficiência/Hipofunção**: Áreas claras ou vazias | |
| - **Atrofia/Degeneração**: Lacunas ou descontinuidades | |
| - **Irritação/Estresse**: Linhas radiais ou manchas | |
| ### Setores da Íris | |
| 1. **Superior**: Região cerebral | |
| 2. **Direito**: Região hepática | |
| 3. **Inferior**: Região digestiva | |
| 4. **Esquerdo**: Região cardíaca | |
| ### Recomendações | |
| - Faça a foto com boa iluminação | |
| - Mantenha o olho bem aberto | |
| - Evite reflexos na imagem | |
| - Use câmera com boa resolução | |
| """) | |
| # Aba de Recomendações | |
| with gr.Tab("Recomendações"): | |
| gr.Markdown(""" | |
| ## Recomendações Gerais | |
| ### Qualidade da Imagem | |
| - Resolução mínima: 1280x720 | |
| - Iluminação uniforme | |
| - Foco na íris | |
| - Sem reflexos | |
| ### Preparação | |
| 1. **Ambiente** | |
| - Bem iluminado | |
| - Sem luz direta | |
| - Fundo claro | |
| 2. **Posicionamento** | |
| - Olho bem aberto | |
| - Câmera estável | |
| - Distância adequada | |
| 3. **Momento** | |
| - Evite olhos irritados | |
| - Preferencialmente pela manhã | |
| - Após descanso | |
| """) | |
| return interface | |
| if __name__ == "__main__": | |
| interface = criar_interface() | |
| interface.launch(share=True) |