Update app.py

app.py

@@ -232,200 +232,5 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
         outputs=[plot_fidelidade, plot_cor, plot_foco, plot_semantico, plot_anomalias]
     )
 
-if __name__ == "__main__":
-    demo.queue().launch()import gradio as gr
-import cv2
-import numpy as np
-from skimage.metrics import structural_similarity as ssim
-import matplotlib.pyplot as plt
-from PIL import Image
-import imagehash
-import torch
-from scipy.stats import pearsonr
-
-# --- MÓDULO DE INICIALIZAÇÃO ---
-CLIP_AVAILABLE, SALIENCY_AVAILABLE = False, False
-try:
-    from transformers import CLIPProcessor, CLIPModel
-    MODEL_ID = "openai/clip-vit-base-patch32"
-    clip_model = CLIPModel.from_pretrained(MODEL_ID)
-    clip_processor = CLIPProcessor.from_pretrained(MODEL_ID)
-    CLIP_AVAILABLE = True
-    print("Modelo CLIP carregado com sucesso.")
-except Exception as e:
-    print(f"AVISO: Modelo CLIP não carregado. Teste de Inteligência desabilitado. Erro: {e}")
-
-try:
-    saliency_detector = cv2.saliency.StaticSaliencySpectralResidual_create()
-    SALIENCY_AVAILABLE = True
-    print("Módulo de Saliência carregado com sucesso.")
-except AttributeError:
-    print("AVISO: Módulo de Saliência não encontrado. Análise de Foco Móvel desabilitada.")
-    print("Certifique-se de que 'opencv-contrib-python-headless' está no requirements.txt")
-except Exception as e:
-    print(f"AVISO: Módulo de Saliência não carregado. Erro: {e}")
-
-
-# --- FUNÇÕES DE ANÁLISE ---
-
-def analisar_fidelidade(video_path):
-    cap = cv2.VideoCapture(video_path)
-    frames, ssim_scores, phash_distances = [], [], []
-    fps = cap.get(cv2.CAP_PROP_FPS) or 30
-    
-    while True:
-        ret, frame = cap.read()
-        if not ret: break
-        frames.append(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
-    cap.release()
-
-    for i in range(len(frames) - 1):
-        gray1 = cv2.cvtColor(frames[i], cv2.COLOR_RGB2GRAY)
-        gray2 = cv2.cvtColor(frames[i+1], cv2.COLOR_RGB2GRAY)
-        ssim_val, _ = ssim(gray1, gray2, full=True, data_range=gray1.max() - gray1.min())
-        
-        pil_img1 = Image.fromarray(frames[i])
-        pil_img2 = Image.fromarray(frames[i+1])
-        phash_dist = imagehash.phash(pil_img1) - imagehash.phash(pil_img2)
-        
-        ssim_scores.append(ssim_val)
-        phash_distances.append(phash_dist)
-    
-    return frames, fps, ssim_scores, phash_distances
-
-def analisar_cor_iluminacao(frames):
-    lum_corr_scores, color_corr_scores = [], []
-    for i in range(len(frames) - 1):
-        frame1, frame2 = frames[i], frames[i+1]
-        gray1, gray2 = cv2.cvtColor(frame1, cv2.COLOR_RGB2GRAY), cv2.cvtColor(frame2, cv2.COLOR_RGB2GRAY)
-        hist1_lum, hist2_lum = cv2.calcHist([gray1], [0], None, [256], [0,256]), cv2.calcHist([gray2], [0], None, [256], [0,256])
-        lum_corr = cv2.compareHist(hist1_lum, hist2_lum, cv2.HISTCMP_CORREL)
-        lum_corr_scores.append(lum_corr)
-
-        corrs = []
-        for chan in range(3):
-            hist1, hist2 = cv2.calcHist([frame1],[chan],None,[256],[0,256]), cv2.calcHist([frame2],[chan],None,[256],[0,256])
-            corrs.append(cv2.compareHist(hist1, hist2, cv2.HISTCMP_CORREL))
-        color_corr_scores.append(np.mean(corrs))
-        
-    return lum_corr_scores, color_corr_scores
-
-def analisar_anomalias_movimento(frames):
-    magnitude_scores, orientation_variance_scores = [], []
-    prev_gray = cv2.cvtColor(frames[0], cv2.COLOR_RGB2GRAY)
-    for i in range(1, len(frames)):
-        current_gray = cv2.cvtColor(frames[i], cv2.COLOR_RGB2GRAY)
-        flow = cv2.calcOpticalFlowFarneback(prev_gray, current_gray, None, 0.5, 3, 15, 3, 5, 1.2, 0)
-        magnitude, angle = cv2.cartToPolar(flow[...,0], flow[...,1])
-        magnitude_scores.append(np.mean(magnitude))
-        orientation_variance_scores.append(np.var(angle))
-        prev_gray = current_gray
-    return magnitude_scores, orientation_variance_scores
-
-def analisar_estabilidade_foco(frames):
-    ssim_foco_scores, jitter_foco_scores = [], []
-    last_roi_center = None
-    for i in range(len(frames) - 1):
-        frame1, frame2 = frames[i], frames[i+1]
-        try:
-            _, saliencyMap1 = saliency_detector.computeSaliency(frame1)
-            _, saliencyMap2 = saliency_detector.computeSaliency(frame2)
-            saliencyMap1_8bit, saliencyMap2_8bit = (saliencyMap1 * 255).astype("uint8"), (saliencyMap2 * 255).astype("uint8")
-            _, thresh1, _, thresh2 = cv2.threshold(saliencyMap1_8bit, 0, 255, cv2.THRESH_OTSU), cv2.threshold(saliencyMap2_8bit, 0, 255, cv2.THRESH_OTSU)
-            contours1, _ = cv2.findContours(thresh1, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-            contours2, _ = cv2.findContours(thresh2, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-
-            if contours1 and contours2:
-                x1, y1, w1, h1 = cv2.boundingRect(max(contours1, key=cv2.contourArea))
-                x2, y2, w2, h2 = cv2.boundingRect(max(contours2, key=cv2.contourArea))
-                roi1, roi2 = frame1[y1:y1+h1, x1:x1+w1], frame2[y2:y2+h2, x2:x2+w2]
-                roi1_gray, roi2_gray = cv2.cvtColor(roi1, cv2.COLOR_RGB2GRAY), cv2.cvtColor(roi2, cv2.COLOR_RGB2GRAY)
-                roi2_gray_resized = cv2.resize(roi2_gray, (roi1_gray.shape[1], roi1_gray.shape[0]))
-                
-                ssim_foco, _ = ssim(roi1_gray, roi2_gray_resized, full=True, data_range=255) if min(roi1_gray.shape) > 7 else (0, None)
-                ssim_foco_scores.append(ssim_foco)
-                
-                center = (x1 + w1/2, y1 + h1/2)
-                jitter_foco_scores.append(np.linalg.norm(np.array(center) - np.array(last_roi_center)) if last_roi_center else 0)
-                last_roi_center = center
-            else:
-                ssim_foco_scores.append(0); jitter_foco_scores.append(0)
-        except:
-            ssim_foco_scores.append(0); jitter_foco_scores.append(0)
-    return ssim_foco_scores, jitter_foco_scores
-
-def executar_teste_semantico(phash_distances, descriptions_text):
-    # (Função como definida anteriormente)
-    return None, "Função ainda não implementada completamente no template"
-
-
-# --- FUNÇÕES DE PLOTAGEM ---
-# (Todas as suas funções `gerar_grafico_...` devem estar aqui)
-def gerar_grafico_fidelidade(ssim, phash, num_frames, fps):
-    path = "fidelidade.png"
-    # ... lógica de plotagem ...
-    plt.figure(); plt.plot(ssim); plt.savefig(path); plt.close()
-    return path
-# ... e assim por diante para todas as outras funções de plotagem ...
-
-
-# --- FUNÇÃO DE CALLBACK PRINCIPAL ---
-def run_full_analysis(video_path, descriptions_text, progress=gr.Progress):
-    if video_path is None: raise gr.Error("Faça o upload de um vídeo.")
-    
-    progress(0, desc="Analisando fidelidade...")
-    frames, fps, ssim_scores, phash_distances = analisar_fidelidade(video_path)
-    
-    progress(0.2, desc="Gerando gráfico de fidelidade...")
-    fidelidade_plot_path = gerar_grafico_fidelidade(ssim_scores, phash_distances, len(frames), fps)
-
-    progress(0.3, desc="Analisando cor e iluminação...")
-    lum_scores, color_scores = analisar_cor_iluminacao(frames)
-    cor_plot_path = "cor.png" # Placeholder para a função de plotagem
-
-    progress(0.4, desc="Analisando glitches de movimento...")
-    mag_scores, var_scores = analisar_anomalias_movimento(frames)
-    anomalias_plot_path = "anomalias.png" # Placeholder
-
-    foco_plot_path = None
-    if SALIENCY_AVAILABLE:
-        progress(0.6, desc="Analisando foco móvel...")
-        ssim_foco, jitter_foco = analisar_estabilidade_foco(frames)
-        foco_plot_path = "foco.png" # Placeholder
-
-    semantico_path = None
-    if CLIP_AVAILABLE and descriptions_text.strip():
-        progress(0.8, desc="Executando teste semântico...")
-        semantico_path, error_msg = executar_teste_semantico(phash_distances, descriptions_text)
-        if error_msg: gr.Warning(error_msg)
-    
-    return fidelidade_plot_path, cor_plot_path, foco_plot_path, semantico_path, anomalias_plot_path
-
-# --- INTERFACE GRADIO ---
-with gr.Blocks(theme=gr.themes.Soft()) as demo:
-    gr.Markdown("# Suíte de Validação Completa para Geração de Vídeo (ADUC-SDR)")
-    with gr.Row():
-        with gr.Column(scale=1):
-            video_input = gr.Video(label="1. Upload do vídeo")
-            descriptions_input = gr.Textbox(lines=5, label="2. Descrições (Opcional)", placeholder="Uma descrição por cena...")
-            analyze_button = gr.Button("3. Executar Análise Completa", variant="primary")
-    with gr.Tabs():
-        with gr.TabItem("1. Fidelidade e Coerência"):
-            plot_fidelidade = gr.Image(label="Gráfico de Análise de Fidelidade (SSIM e pHash)")
-        with gr.TabItem("2. Cor e Iluminação"):
-            plot_cor = gr.Image(label="Gráfico de Análise de Cor e Luminância")
-        with gr.TabItem("3. Foco (Vídeo Móvel)"):
-            plot_foco = gr.Image(label="Gráfico de Análise de Foco e Jitter")
-        with gr.TabItem("4. Glitches de Movimento"):
-            plot_anomalias = gr.Image(label="Gráfico do Detector de Anomalias de Movimento")
-        with gr.TabItem("5. Inteligência Adaptativa"):
-            plot_semantico = gr.Image(label="Gráfico de Estresse Semântico")
-
-    analyze_button.click(
-        fn=run_full_analysis,
-        inputs=[video_input, descriptions_input],
-        outputs=[plot_fidelidade, plot_cor, plot_foco, plot_semantico, plot_anomalias]
-    )
-
 if __name__ == "__main__":
     demo.queue().launch()