Update app.py

app.py

@@ -614,90 +614,90 @@ def criar_interface():
     )
 
     def processar_imagem(imagem):
-    try:
-        # Pré-processamento da imagem
-        imagem_processada = pre_processar_imagem(imagem)
-
-        # Detectar esclera
-        mask_esclera = detectar_esclera(imagem_processada)
-
-        # Detectar íris e pupila
-        iris_info, pupil_info = detectar_iris_pupila(imagem_processada, mask_esclera)
-
-        if iris_info is None or pupil_info is None:
-            return imagem, "Não foi possível detectar íris ou pupila corretamente."
-
-        # Análise de textura setorial
-        analise_setorial = analisar_textura_setorial(imagem_processada, iris_info, pupil_info)
-
-        # Análise do collarette
-        info_collarette = analisar_collarette(imagem_processada, iris_info, pupil_info)
-
-        # Criar visualização da imagem de saída
-        output_img = imagem.copy()
-        ix, iy, ir = iris_info
-        px, py, pr = pupil_info
-
-        # Desenhar esclera
-        contours, _ = cv2.findContours(mask_esclera, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-        cv2.drawContours(output_img, contours, -1, (255, 255, 0), 1)  # Esclera em amarelo
-
-        # Desenhar íris
-        cv2.circle(output_img, (ix, iy), ir, (0, 255, 0), 2)  # Íris em verde
-
-        # Desenhar pupila
-        cv2.circle(output_img, (px, py), pr, (255, 0, 0), 2)  # Pupila em vermelho
-
-        # Desenhar setores
-        for i in range(12):
-            ang = i * 30
-            rad = np.radians(ang)
-            end_x = int(ix + ir * np.cos(rad))
-            end_y = int(iy + ir * np.sin(rad))
-            cv2.line(output_img, (ix, iy), (end_x, end_y), (255, 255, 255), 1)  # Linhas brancas para setores
-
-        # Adicionando feedback visual se o collarette for detectado
-        if info_collarette:
-            cv2.putText(output_img, "Collarette Detected", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)
-
-        # Preparar métricas para análise NLP
-        metricas = {
-            'pupila': {
-                'raio': pr,
-                'circularidade': avaliar_circularidade(pupil_info)
-            },
-            'iris': {
-                'densidade_media': np.mean([dados['contraste'] for dados in analise_setorial.values()]),
-                'homogeneidade': np.mean([dados['homogeneidade'] for dados in analise_setorial.values()])
-            },
-            'collarette': info_collarette
-        }
-
-        # Validar métricas
-        metricas = validar_metricas(metricas)
-        
-        # Integrar análise NLP
-        interpretacao_nlp = integrar_analise_nlp(metricas)
-
-        # Gerar relatório
-        relatorio = "ANÁLISE IRIDOLÓGICA DETALHADA\n\n"
-        relatorio += "1. MEDIDAS ESTRUTURAIS\n"
-        relatorio += f"Pupila: Centro ({px}, {py}), Raio {pr}px\n"
-        relatorio += f"Íris: Centro ({ix}, {iy}), Raio {ir}px\n"
-
-        # Adicionar análise setorial
-        relatorio += "2. ANÁLISE SETORIAL\n"
-        for setor, dados in analise_setorial.items():
-            relatorio += f"Setor {setor}: Contraste {dados['contraste']}, Homogeneidade {dados['homogeneidade']}\n"
-
-        relatorio += f"3. COLLARETTE: {info_collarette}\n"
-        relatorio += f"4. INTERPRETAÇÃO NLP: {interpretacao_nlp}\n"
-
-        return output_img, relatorio
-
-    except Exception as e:
-        return imagem, f"Erro durante o processamento: {str(e)}"
+        try:
+            # Pré-processamento da imagem
+            imagem_processada = pre_processar_imagem(imagem)
+    
+            # Detectar esclera
+            mask_esclera = detectar_esclera(imagem_processada)
+    
+            # Detectar íris e pupila
+            iris_info, pupil_info = detectar_iris_pupila(imagem_processada, mask_esclera)
+    
+            if iris_info is None or pupil_info is None:
+                return imagem, "Não foi possível detectar íris ou pupila corretamente."
+    
+            # Análise de textura setorial
+            analise_setorial = analisar_textura_setorial(imagem_processada, iris_info, pupil_info)
+    
+            # Análise do collarette
+            info_collarette = analisar_collarette(imagem_processada, iris_info, pupil_info)
+    
+            # Criar visualização da imagem de saída
+            output_img = imagem.copy()
+            ix, iy, ir = iris_info
+            px, py, pr = pupil_info
+    
+            # Desenhar esclera
+            contours, _ = cv2.findContours(mask_esclera, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+            cv2.drawContours(output_img, contours, -1, (255, 255, 0), 1)  # Esclera em amarelo
+    
+            # Desenhar íris
+            cv2.circle(output_img, (ix, iy), ir, (0, 255, 0), 2)  # Íris em verde
+    
+            # Desenhar pupila
+            cv2.circle(output_img, (px, py), pr, (255, 0, 0), 2)  # Pupila em vermelho
+    
+            # Desenhar setores
+            for i in range(12):
+                ang = i * 30
+                rad = np.radians(ang)
+                end_x = int(ix + ir * np.cos(rad))
+                end_y = int(iy + ir * np.sin(rad))
+                cv2.line(output_img, (ix, iy), (end_x, end_y), (255, 255, 255), 1)  # Linhas brancas para setores
+    
+            # Adicionando feedback visual se o collarette for detectado
+            if info_collarette:
+                cv2.putText(output_img, "Collarette Detected", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)
     
+            # Preparar métricas para análise NLP
+            metricas = {
+                'pupila': {
+                    'raio': pr,
+                    'circularidade': avaliar_circularidade(pupil_info)
+                },
+                'iris': {
+                    'densidade_media': np.mean([dados['contraste'] for dados in analise_setorial.values()]),
+                    'homogeneidade': np.mean([dados['homogeneidade'] for dados in analise_setorial.values()])
+                },
+                'collarette': info_collarette
+            }
+    
+            # Validar métricas
+            metricas = validar_metricas(metricas)
+            
+            # Integrar análise NLP
+            interpretacao_nlp = integrar_analise_nlp(metricas)
+    
+            # Gerar relatório
+            relatorio = "ANÁLISE IRIDOLÓGICA DETALHADA\n\n"
+            relatorio += "1. MEDIDAS ESTRUTURAIS\n"
+            relatorio += f"Pupila: Centro ({px}, {py}), Raio {pr}px\n"
+            relatorio += f"Íris: Centro ({ix}, {iy}), Raio {ir}px\n"
+    
+            # Adicionar análise setorial
+            relatorio += "2. ANÁLISE SETORIAL\n"
+            for setor, dados in analise_setorial.items():
+                relatorio += f"Setor {setor}: Contraste {dados['contraste']}, Homogeneidade {dados['homogeneidade']}\n"
+    
+            relatorio += f"3. COLLARETTE: {info_collarette}\n"
+            relatorio += f"4. INTERPRETAÇÃO NLP: {interpretacao_nlp}\n"
+    
+            return output_img, relatorio
+    
+        except Exception as e:
+            return imagem, f"Erro durante o processamento: {str(e)}"
+            
     # Interface
     with gr.Blocks(theme=theme, title="Análise Iridológica Avançada") as interface:
         gr.Markdown("""