Blame for app.py

import streamlit as st
import tensorflow as tf
import numpy as np
from skimage import exposure
from skimage.io import imread
from skimage.transform import resize 
from skimage.filters import sobel

# Función para cargar y preprocesar la imagen
def load_and_preprocess_image(image):
    
    # Descargar datos de imagen
    img = imread(image)
    # Asegúrate de que el tamaño de la imagen coincida con el modelo
    img = resize(img, (224, 224))  
    
    # Mejora de contraste
    img_contrast_enhanced = exposure.equalize_adapthist(img)
    # Detección de bordes
    #img_edges = sobel(img_contrast_enhanced)

    img_final = np.expand_dims(img_contrast_enhanced, axis=0)
    
    return img_final


# Función para procesar la imagen con el modelo
def process_image(image):
    # Carga del modelo
    model = tf.keras.models.load_model('model.h5')  # modelo entrenado respaldado, archivo .h5

    # Preprocesamiento de la imagen
    processed_image = load_and_preprocess_image(image)

    # Predicción
    result = model.predict(processed_image)[0][0]

    predicted_class = 'Maligno' if result >= 0.5 else 'Benigno'
    
    return predicted_class
    

# Configuración de la barra lateral
st.sidebar.title('Clasificador de Cáncer de Piel') # título de la barra
st.sidebar.image('logo.png', width=50)  # icono de la barra
st.sidebar.markdown('[Github](https://github.com/lalovaltierra/MIA)') # link

# Configuración del cuerpo principal
st.title('Selecciona una imágen') # título del cuerpo principal
uploaded_image = st.file_uploader('',type=['jpg', 'jpeg', 'png']) # input para imagen

# Mostrar la imagen cargada y el resultado del procesamiento
col1, col2 = st.columns(2) # se generan dos columnas
col2.subheader("Resultado de la clasificación") #título de la columna 2

if uploaded_image is not None: # si hay imagen 
    
    with col1:
        # Mostrar la imagen
        st.image(uploaded_image, caption='Imagen cargada', width=200)
    
    with col2:
        # Procesar la imagen
        result = process_image(uploaded_image)
        st.text(f'{result}')