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}')