add functions

utils.py

@@ -61,4 +61,40 @@ def extract_features(image_paths):
             # Dans ce cas, nous utilisons les logits comme vecteur de caractéristiques.
             feature_vector = outputs.logits.cpu().numpy()
             features.append(feature_vector)
-    return np.vstack(features)
+    return np.vstack(features)
+
+def adaptive_threshold(anomaly_scores):
+  """
+  Calcule un seuil adaptatif en utilisant la méthode IQR.
+  """
+  Q1 = np.percentile(anomaly_scores, 25)
+  Q3 = np.percentile(anomaly_scores, 75)
+  IQR = Q3 - Q1
+  threshold = Q3 + 1.5 * IQR  # Ajuster le facteur 1.5 si besoin
+  return threshold
+
+def analyze_image(image_path, all_features_for_threshold):
+    """
+    Analyse une image et détermine si elle est une anomalie.
+    """
+    # Extraire les caractéristiques de l'image
+    features = extract_features([image_path])
+
+    # Appliquer la transformation PCA
+    pca = joblib.load("pca_transformer.pkl")
+    features_reduced = pca.transform(features)
+
+    # Prédire le score d'anomalie
+    anomaly_detector = joblib.load("anomaly_detector.pkl")
+    anomaly_score = anomaly_detector.decision_function(features_reduced)[0]
+
+    # Calculer le seuil adaptatif pour l'ensemble d'entraînement
+    threshold = adaptive_threshold(all_features_for_threshold)
+
+    # Déterminer si l'image est une anomalie
+    if anomaly_score < threshold:
+        result = "Anomalie"
+    else:
+        result = "Normale"
+
+    return result, anomaly_score