Update app.py

app.py

@@ -1,34 +1,19 @@
 import gradio as gr
-import tensorflow as tf
-import numpy as np
-from PIL import Image
+from preprocess import preprocess_single_image  # Importamos la función de preprocesamiento
 
-# --- Cargar el modelo completo ---
-model = tf.keras.models.load_model("autoencoder_complete_model_Fourier.keras")
+def process_image(img):
+    """
+    Recibe una imagen del usuario y la devuelve en dos versiones:
+    - Imagen normalizada
+    - Imagen con ruido agregado
+    """
+    img_clean, img_noisy = preprocess_single_image(img)
+    return img_clean, img_noisy  # Devuelve ambas imágenes
 
-# --- Transformaciones necesarias ---
-def preprocess_image(img):
-    """ Prepara la imagen para el modelo (escala 0-1 y redimensiona a 256x256). """
-    img = img.resize((256, 256))  # Asegurar tamaño correcto
-    img_array = np.array(img) / 255.0  # Normalizar entre 0 y 1
-    img_array = np.expand_dims(img_array, axis=0)  # Añadir batch dimension
-    return img_array
-
-def denoise_image(img):
-    """ Pasa la imagen ruidosa por el autoencoder y devuelve la imagen reconstruida. """
-    img_array = preprocess_image(img)
-
-    # Pasar la imagen por el autoencoder
-    denoised_img = model.predict(img_array)
-
-    # Postprocesamiento
-    denoised_img = np.squeeze(denoised_img)  # Remover batch dimension
-    denoised_img = (denoised_img * 255).astype(np.uint8)  # Convertir a formato uint8
-    return denoised_img
-
-# --- Interfaz Gradio ---
-gr.Interface(fn=denoise_image,
-             inputs=gr.Image(type="pil"),  # Imagen de entrada
-             outputs=gr.Image(type="numpy"),  # Imagen de salida
-             examples=["noisy1.jpg", "noisy2.jpg"]  # Ejemplos opcionales
+# --- Interfaz de Gradio ---
+gr.Interface(fn=process_image,
+             inputs=gr.Image(type="pil"),
+             outputs=[gr.Image(type="numpy", label="Imagen Normalizada"),
+                      gr.Image(type="numpy", label="Imagen con Ruido")],
+             examples=["example1.jpg", "example2.jpg"]  # Opcional
 ).launch()