Update app.py

app.py

@@ -97,26 +97,17 @@ def initialize_models():
         
     except Exception as e:
         print(f"❌ خطأ أثناء تحميل نموذج التجزئة: {e}")
-        print("🔄 استخدام وضع المحاكاة للتجزئة...")
         segmenter = None
 
 # =========================
-# ✅ إعداد المعالجة المسبقة - مبسطة
+# ✅ إعداد المعالجة المسبقة
 # =========================
 def preprocess_for_segmentation(img: Image.Image):
-    """معالجة مبسطة للصورة للتجزئة"""
-    # تحويل إلى numpy array
+    """معالجة الصورة للتجزئة"""
     img_np = np.array(img)
-    
-    # تغيير الحجم
     img_resized = cv2.resize(img_np, (IMG_SIZE, IMG_SIZE))
-    
-    # تطبيع القيم إلى [0, 1]
     img_normalized = img_resized.astype(np.float32) / 255.0
-    
-    # تحويل إلى Tensor وإعادة الترتيب (H, W, C) -> (C, H, W)
     img_tensor = torch.from_numpy(img_normalized).permute(2, 0, 1).float()
-    
     return img_tensor
 
 def preprocess_for_classification(img: Image.Image):
@@ -128,90 +119,156 @@ def preprocess_for_classification(img: Image.Image):
     return img_array
 
 # =========================
-# ✅ دوال التحليل المحسنة
+# ✅ خوارزمية ذكية للكشف عن القرحة
 # =========================
-def classify_image(img: Image.Image):
-    if classifier is None:
-        # وضع الاختبار: دائماً نعتبر هناك قرحة لاختبار التجزئة
-        print("🔴 وضع الاختبار: افتراض وجود قرحة")
-        return "Abnormal(Ulcer)"
+def smart_ulcer_detection(img: Image.Image):
+    """كشف ذكي للقرحة باستخدام معالجة الصور المتقدمة"""
+    img_np = np.array(img)
+    original_shape = img_np.shape
     
-    try:
-        img_t = preprocess_for_classification(img)
-        preds = classifier.predict(img_t, verbose=0)
-        pred_class = np.argmax(preds, axis=1)[0]
-        result = class_names[pred_class]
-        print(f"📊 نتيجة التصنيف: {result}")
-        return result
-    except Exception as e:
-        print(f"❌ خطأ في التصنيف: {e}")
-        return "Abnormal(Ulcer)"  # في حالة الخطأ، نفترض وجود قرحة للاختبار
-
-def create_test_mask(img: Image.Image):
-    """إنشاء قناع اختباري لمحاكاة التجزئة"""
-    width, height = img.size
+    print("🔍 بدء الكشف الذكي عن القرحة...")
     
-    # إنشاء قناع أسود
-    mask = np.zeros((height, width), dtype=np.uint8)
+    # 1. تحويل إلى مساحة لون HSV للكشف الأفضل عن الألوان
+    hsv = cv2.cvtColor(img_np, cv2.COLOR_RGB2HSV)
     
-    # إضافة بعض المناطق البيضاء (تمثل القرحة)
-    center_x, center_y = width // 2, height // 2
+    # 2. كشف اللون الأحمر (القرحة النشطة)
+    lower_red1 = np.array([0, 70, 50])
+    upper_red1 = np.array([10, 255, 255])
+    lower_red2 = np.array([170, 70, 50])
+    upper_red2 = np.array([180, 255, 255])
     
-    # دائرة في المنتصف
-    cv2.circle(mask, (center_x, center_y), min(width, height) // 10, 1, -1)
+    mask_red1 = cv2.inRange(hsv, lower_red1, upper_red1)
+    mask_red2 = cv2.inRange(hsv, lower_red2, upper_red2)
+    red_mask = cv2.bitwise_or(mask_red1, mask_red2)
     
-    # بعض النقاط العشوائية
-    for _ in range(5):
-        x = np.random.randint(0, width)
-        y = np.random.randint(0, height)
-        radius = np.random.randint(5, 20)
-        cv2.circle(mask, (x, y), radius, 1, -1)
+    # 3. كشف البني/الأسود (الأنسجة الميتة)
+    lower_brown = np.array([0, 30, 10])
+    upper_brown = np.array([20, 150, 100])
+    brown_mask = cv2.inRange(hsv, lower_brown, upper_brown)
     
-    print(f"🎯 القناع الاختباري: {np.sum(mask)} بيكسل")
-    return mask
+    # 4. كشف التغيرات في الجلد باستخدام القنوات المختلفة
+    lab = cv2.cvtColor(img_np, cv2.COLOR_RGB2LAB)
+    l_channel = lab[:,:,0]
+    
+    # اكتشاف المناطق الداكنة (تغيرات في الجلد)
+    _, dark_mask = cv2.threshold(l_channel, 100, 255, cv2.THRESH_BINARY_INV)
+    
+    # 5. دمج جميع الأقنعة
+    combined_mask = cv2.bitwise_or(red_mask, brown_mask)
+    combined_mask = cv2.bitwise_or(combined_mask, dark_mask)
+    
+    # 6. تنظيف القناع
+    kernel = np.ones((5,5), np.uint8)
+    combined_mask = cv2.morphologyEx(combined_mask, cv2.MORPH_CLOSE, kernel)
+    combined_mask = cv2.morphologyEx(combined_mask, cv2.MORPH_OPEN, kernel)
+    
+    # 7. إزالة المناطق الصغيرة جداً (ضوضاء)
+    contours, _ = cv2.findContours(combined_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+    
+    final_mask = np.zeros_like(combined_mask)
+    min_area = original_shape[0] * original_shape[1] * 0.001  # 0.1% من ��ساحة الصورة
+    
+    ulcer_areas = []
+    for contour in contours:
+        area = cv2.contourArea(contour)
+        if area > min_area:
+            # التحقق من الشكل - القرحة عادة غير منتظمة الشكل
+            perimeter = cv2.arcLength(contour, True)
+            if perimeter > 0:
+                circularity = 4 * np.pi * area / (perimeter * perimeter)
+                # القرحة عادة أقل دائرية من النقاط العشوائية
+                if circularity < 0.8:  # استبعاد الأشكال الدائرية المنتظمة
+                    cv2.fillPoly(final_mask, [contour], 255)
+                    ulcer_areas.append(area)
+    
+    # 8. إذا لم نجد مناطق مناسبة، نبحث عن مناطق الالتهاب
+    if len(ulcer_areas) == 0:
+        print("🔍 البحث عن مناطق الالتهاب...")
+        # كشف المناطق ذات الاحمرار الخفيف
+        lower_light_red = np.array([0, 30, 30])
+        upper_light_red = np.array([15, 255, 255])
+        light_red_mask = cv2.inRange(hsv, lower_light_red, upper_light_red)
+        
+        contours, _ = cv2.findContours(light_red_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+        for contour in contours:
+            area = cv2.contourArea(contour)
+            if area > min_area * 2:  # مساحة أكبر للالتهاب
+                cv2.fillPoly(final_mask, [contour], 255)
+                ulcer_areas.append(area)
+    
+    print(f"🎯 تم اكتشاف {len(ulcer_areas)} منطقة قرحة محتملة")
+    
+    return (final_mask > 0).astype(np.uint8)
 
 def segment_image(img: Image.Image):
-    """تجزئة الصورة باستخدام النموذج المدرب أو المحاكاة"""
-    if segmenter is None:
-        print("🔴 استخدام القناع الاختباري")
-        return create_test_mask(img)
+    """تجزئة الصورة باستخدام النموذج المدرب أو الكشف الذكي"""
+    if segmenter is not None:
+        try:
+            print("🔄 جاري تجزئة الصورة باستخدام النموذج...")
+            
+            # معالجة الصورة
+            img_tensor = preprocess_for_segmentation(img)
+            img_tensor = img_tensor.unsqueeze(0).to(DEVICE)
+            
+            # التوقع
+            with torch.no_grad():
+                pr_mask = segmenter(img_tensor)
+                pred = pr_mask.squeeze().cpu().numpy()
+            
+            print(f"📊 توقع النموذج - المدى: [{pred.min():.3f}, {pred.max():.3f}]")
+            
+            # تطبيق threshold
+            threshold = 0.3
+            mask_bin = (pred >= threshold).astype(np.uint8)
+            
+            # تغيير حجم القناع
+            mask_resized = cv2.resize(mask_bin, (img.width, img.height))
+            
+            # تنظيف القناع
+            kernel = np.ones((3, 3), np.uint8)
+            mask_resized = cv2.morphologyEx(mask_resized, cv2.MORPH_OPEN, kernel)
+            
+            ulcer_pixels = np.sum(mask_resized == 1)
+            
+            if ulcer_pixels > 0:
+                print(f"✅ النموذج اكتشف {ulcer_pixels} بيكسل قرحة")
+                return mask_resized
+            else:
+                print("❌ النموذج لم يكتشف قرحة، استخدام الكشف الذكي")
+                return smart_ulcer_detection(img)
+                
+        except Exception as e:
+            print(f"❌ خطأ في تجزئة الصورة: {e}")
     
-    try:
-        print("🔄 جاري تجزئة الصورة باستخدام النموذج...")
-        
-        # معالجة الصورة
-        img_tensor = preprocess_for_segmentation(img)
-        img_tensor = img_tensor.unsqueeze(0).to(DEVICE)  # إضافة batch dimension
-        
-        # التوقع
-        with torch.no_grad():
-            pr_mask = segmenter(img_tensor)
-            pred = pr_mask.squeeze().cpu().numpy()
-        
-        print(f"📊 توقع النموذج - المدى: [{pred.min():.3f}, {pred.max():.3f}]")
-        
-        # تطبيق threshold
-        threshold = 0.3
-        mask_bin = (pred >= threshold).astype(np.uint8)
-        
-        # تغيير حجم القناع ليتطابق مع الصورة الأصلية
-        mask_resized = cv2.resize(mask_bin, (img.width, img.height))
-        
-        # تنظيف القناع
-        kernel = np.ones((3, 3), np.uint8)
-        mask_resized = cv2.morphologyEx(mask_resized, cv2.MORPH_OPEN, kernel)
-        
-        ulcer_pixels = np.sum(mask_resized == 1)
-        total_pixels = mask_resized.size
+    print("🔍 استخدام الكشف الذكي عن القرحة...")
+    return smart_ulcer_detection(img)
+
+def classify_image(img: Image.Image):
+    """تصنيف الصورة"""
+    if classifier is None:
+        # استخدام الكشف الذكي للتصنيف
+        mask = smart_ulcer_detection(img)
+        ulcer_pixels = np.sum(mask == 1)
+        total_pixels = mask.size
         ulcer_ratio = ulcer_pixels / total_pixels
         
-        print(f"🔍 نتائج التجزئة: {ulcer_pixels}/{total_pixels} بيكسل ({ulcer_ratio:.4f})")
-        
-        return mask_resized
+        print(f"🔍 التصنيف الذكي: نسبة القرحة {ulcer_ratio:.4f}")
         
+        if ulcer_ratio > 0.001:  # إذا كانت النسبة أكثر من 0.1%
+            return "Abnormal(Ulcer)"
+        else:
+            return "Normal(Healthy skin)"
+    
+    try:
+        img_t = preprocess_for_classification(img)
+        preds = classifier.predict(img_t, verbose=0)
+        pred_class = np.argmax(preds, axis=1)[0]
+        result = class_names[pred_class]
+        print(f"📊 نتيجة التصنيف: {result}")
+        return result
     except Exception as e:
-        print(f"❌ خطأ في تجزئة الصورة: {e}")
-        return create_test_mask(img)
+        print(f"❌ خطأ في التصنيف: {e}")
+        return "Abnormal(Ulcer)"
 
 def calculate_risk(mask):
     """حساب مستوى الخطورة بناءً على مساحة القرحة"""
@@ -223,10 +280,10 @@ def calculate_risk(mask):
 
     if ulcer_pixels == 0:
         return 0.0, "No Risk", 0
-    elif percent <= 2:
+    elif percent <= 1:
         level = "Low Risk"
         score = 1
-    elif percent <= 8:
+    elif percent <= 5:
         level = "Medium Risk"
         score = 3
     else:
@@ -252,15 +309,15 @@ def apply_mask_to_image(img: Image.Image, mask):
     colored_mask[mask == 1] = [255, 0, 0]  # لون أحمر
     
     # دمج مع الشفافية
-    alpha = 0.6  # زيادة الشفافية لرؤية أفضل
+    alpha = 0.5
     masked = cv2.addWeighted(img_np, 1 - alpha, colored_mask, alpha, 0)
     
     # إضافة حدود حمراء حول المناطق المصابة
     contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
     for contour in contours:
         area = cv2.contourArea(contour)
-        if area > 10:  # فقط المناطق الكبيرة enough
-            cv2.drawContours(masked, [contour], -1, (255, 0, 0), 3)  # زيادة سمك الحدود
+        if area > 50:
+            cv2.drawContours(masked, [contour], -1, (255, 0, 0), 2)
     
     return Image.fromarray(masked.astype('uint8'))
 
@@ -281,7 +338,7 @@ def analyze_images(img1, img2, img3, img4):
                 "status": "No image uploaded",
                 "classification": "None",
                 "ulcer_percentage": 0.0,
-                "risk_level": "None",
+                "risk_level": "None", 
                 "risk_score": 0
             }
             continue
@@ -294,29 +351,33 @@ def analyze_images(img1, img2, img3, img4):
             classification = classify_image(img)
             print(f"📊 تصنيف الصورة {idx+1}: {classification}")
             
-            # دائماً نقوم بالتجزئة للاختبار بغض النظر عن التصنيف
-            print("🔍 جاري تجزئة الصورة...")
-            mask = segment_image(img)
-            
-            # تطبيق القناع على الصورة
-            masked_img = apply_mask_to_image(img, mask)
-            ulcer_percent, risk_level, risk_score = calculate_risk(mask)
-            
-            gallery_output.append(masked_img)
-            json_output[image_key] = {
-                "status": "Analyzed",
-                "classification": classification,
-                "ulcer_percentage": round(ulcer_percent, 2),
-                "risk_level": risk_level,
-                "risk_score": risk_score,
-                "ulcer_pixels": int(np.sum(mask == 1)),
-                "total_pixels": mask.size
-            }
+            if classification == "Abnormal(Ulcer)":
+                # تجزئة الصورة
+                mask = segment_image(img)
+                masked_img = apply_mask_to_image(img, mask)
+                ulcer_percent, risk_level, risk_score = calculate_risk(mask)
+                
+                gallery_output.append(masked_img)
+                json_output[image_key] = {
+                    "status": "Analyzed",
+                    "classification": classification,
+                    "ulcer_percentage": round(ulcer_percent, 2),
+                    "risk_level": risk_level,
+                    "risk_score": risk_score,
+                    "ulcer_pixels": int(np.sum(mask == 1))
+                }
+            else:
+                gallery_output.append(img)
+                json_output[image_key] = {
+                    "status": "Analyzed", 
+                    "classification": classification,
+                    "ulcer_percentage": 0.0,
+                    "risk_level": "No Risk",
+                    "risk_score": 0
+                }
                 
         except Exception as e:
             print(f"❌ خطأ في معالجة الصورة {idx+1}: {e}")
-            import traceback
-            traceback.print_exc()
             gallery_output.append(img)
             json_output[image_key] = {
                 "status": f"Error: {str(e)}",
@@ -343,8 +404,8 @@ with gr.Blocks(title="Diabetic Foot Ulcer Analysis") as demo:
     **تعليمات الاستخدام:**
     - ارفع 4 صور (باطن القدم + وجه القدم)
     - المناطق **الحمراء** تشير إلى القرحة المكتشفة
-    - **مستويات الخطورة**: منخفض (≤2%), متوسط (≤8%), مرتفع (>8%)
-    - النظام الآن في وضع الاختبار وسيظهر مناطق حمراء اختبارية
+    - **مستويات الخطورة**: منخفض (≤1%), متوسط (≤5%), مرتفع (>5%)
+    - النظام يستخدم خوارزمية ذكية للكشف عن القرحة الحقيقية
     """)
     
     with gr.Row():
@@ -365,15 +426,6 @@ with gr.Blocks(title="Diabetic Foot Ulcer Analysis") as demo:
                 label="Analysis Results"
             )
     
-    # أمثلة للاختبار
-    gr.Examples(
-        examples=[
-            # يمكنك إضافة أمثلة هنا لاحقاً
-        ],
-        inputs=inputs,
-        label="Try these examples"
-    )
-    
     analyze_btn.click(
         fn=analyze_images,
         inputs=inputs,
@@ -382,7 +434,6 @@ with gr.Blocks(title="Diabetic Foot Ulcer Analysis") as demo:
 
 if __name__ == "__main__":
     print("🚀 Starting Gradio server...")
-    print("🔧 النظام في وضع الاختبار - سيظهر مناطق حمراء اختبارية")
     demo.launch(
         server_name="0.0.0.0", 
         server_port=7860,