Update app.py

app.py

@@ -4,7 +4,6 @@ import numpy as np
 import pickle
 from io import BytesIO
 import math
-import base64
 
 app = FastAPI()
 
@@ -25,33 +24,24 @@ M = np.array([
     [ 2., -1., -1., -1.,  1., -1., -1., -1., -1.,  2.]
 ])
 
-# Función para realizar la predicción de huellas dactilares
 def predict_fingerprint(image):
     try:
-        # Preprocesar la imagen para que coincida con las dimensiones esperadas por el SOM
         processed_image = preprocess_image(image)
-        # Obtener la ubicación del nodo ganador en el SOM
         winner = som.winner(processed_image)
-        # Asignar la etiqueta correspondiente a la ubicación ganadora en el SOM
         fingerprint_type = get_fingerprint_type(winner)
         return fingerprint_type
     except Exception as e:
-        print("prediccion")
         raise HTTPException(status_code=500, detail=str(e))
 
 def preprocess_image(image):
     # Guardar la imagen en formato TIFF
     image.save("temp_image.tif")
-    print(f"se guardó{image}")
-    # Aplicar el mismo preprocesamiento que a arco1.tif
     processed_image = representativo("temp_image.tif")
-    # Redimensionar la imagen procesada para que coincida con las dimensiones esperadas por el modelo SOM
     processed_image_resized = processed_image.reshape(1, -1)
     return processed_image_resized
 
 def get_fingerprint_type(winner):
-    # Usar la matriz M del código SOM para asignar la etiqueta correspondiente
-    labels = {0: "LL", 1: "RL", 2: "WH", 3: "AR"}  # Mapa de etiquetas
+    labels = {0: "LL", 1: "RL", 2: "WH", 3: "AR"}
     fingerprint_type = labels[int(M[winner[0], winner[1]])]
     return fingerprint_type
 
@@ -59,58 +49,52 @@ def get_fingerprint_type(winner):
 async def predict_fingerprint_api(file: UploadFile = File(...)):
     try:
         contents = await file.read()
-        print(f"contenido:\n{contents}")
         image = Image.open(BytesIO(contents)).convert('L')
-        print(f"imagen:\n{image}")
         fingerprint_type = predict_fingerprint(image)
-        
         return {"prediction": fingerprint_type}
     except Exception as e:
-        print("api")
         raise HTTPException(status_code=500, detail=str(e))
 
 def sobel(I):
-    m,n = I.shape# I de 254x254
-    Gx = np.zeros([m-2,n-2],np.float32)# Gx de 252x252
-    Gy = np.zeros([m-2,n-2],np.float32)# Gy de 252x252
-    gx = [[-1,0,1],[ -2,0,2],[ -1,0,1]]
-    gy = [[1,2,1],[ 0,0,0],[ -1,-2,-1]]
-    for j in range(1,m-2):
-        for i in range(1,n-2):
-            Gx[j-1,i-1] = sum(sum(I[j-1:j+2,i-1:i+2]*gx))
-            Gy[j-1,i-1] = sum(sum(I[j-1:j+2,i-1:i+2]*gy))
-    return Gx,Gy
+    m, n = I.shape
+    Gx = np.zeros([m-2, n-2], np.float32)
+    Gy = np.zeros([m-2, n-2], np.float32)
+    gx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
+    gy = np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]])
+    for j in range(1, m-2):
+        for i in range(1, n-2):
+            Gx[j-1, i-1] = np.sum(I[j-1:j+2, i-1:i+2] * gx)
+            Gy[j-1, i-1] = np.sum(I[j-1:j+2, i-1:i+2] * gy)
+    return Gx, Gy
 
-def medfilt2(G,d=3):
-    m,n = G.shape
-    temp = np.zeros([m+2*(d//2),n+2*(d//2)],np.float32)
-    salida = np.zeros([m,n],np.float32)
-    temp[1:m+1,1:n+1] = G
-    for i in range(1,m):
-        for j in range(1,n):
-            A = np.asarray(temp[i-1:i+2,j-1:j+2]).reshape(-1)
-            salida[i-1,j-1] = np.sort(A)[d+1]
+def medfilt2(G, d=3):
+    m, n = G.shape
+    temp = np.zeros([m+2*(d//2), n+2*(d//2)], np.float32)
+    salida = np.zeros([m, n], np.float32)
+    temp[1:m+1, 1:n+1] = G
+    for i in range(1, m):
+        for j in range(1, n):
+            A = np.sort(temp[i-1:i+2, j-1:j+2].reshape(-1))
+            salida[i-1, j-1] = A[d+1]
     return salida
 
-def orientacion(patron,w):
-    Gx,Gy = sobel(patron)# patron de 254x254
-    Gx = medfilt2(Gx)# Gx de 252x252
-    Gy = medfilt2(Gy)# Gy de 252x252
-    m,n = Gx.shape
-    mOrientaciones = np.zeros([m//w,n//w],np.float32)# de una matriz de 18x18
+def orientacion(patron, w):
+    Gx, Gy = sobel(patron)
+    Gx = medfilt2(Gx)
+    Gy = medfilt2(Gy)
+    m, n = Gx.shape
+    mOrientaciones = np.zeros([m//w, n//w], np.float32)
     for i in range(m//w):
         for j in range(n//w):
-            YY = sum(sum(2*Gx[i*w:(i+1)*w,j:j+1]*Gy[i*w:(i+1)*w,j:j+1]))
-            XX = sum(sum(Gx[i*w:(i+1)*w,j:j+1]**2-Gy[i*w:(i+1)*w,j:j+1]**2))
-            #YY = sum(sum(2*Gx[i*w:(i+1)*w,0:1]*Gy[i*w:(i+1)*w,0:1]))
-            #XX = sum(sum(Gx[i*w:(i+1)*w,0:1]**2-Gy[i*w:(i+1)*w,0:1]**2))
-            mOrientaciones[i,j] = (0.5*math.atan2(YY,XX) + math.pi/2.0)*(180.0/math.pi)
+            YY = np.sum(2 * Gx[i*w:(i+1)*w, j:j+1] * Gy[i*w:(i+1)*w, j:j+1])
+            XX = np.sum(Gx[i*w:(i+1)*w, j:j+1]**2 - Gy[i*w:(i+1)*w, j:j+1]**2)
+            mOrientaciones[i, j] = (0.5 * math.atan2(YY, XX) + math.pi/2.0) * (180.0 / math.pi)
     return mOrientaciones
 
 def representativo(archivo):
     im = Image.open(archivo).convert('L')
-    m,n = im.size
-    imarray = np.array(im,np.float32)
-    patron = imarray[1:m-1,1:n-1]# de 256x256  a 254x254
-    EE = orientacion(patron,14)# retorna EE de 18x18
-    return np.asarray(EE).reshape(-1)
+    m, n = im.size
+    imarray = np.array(im, np.float32)
+    patron = imarray[1:m-1, 1:n-1]
+    EE = orientacion(patron, 14)
+    return np.asarray(EE).reshape(-1)