Update app.py

app.py

@@ -11,8 +11,6 @@ import gdown
 import os
 import albumentations as A
 import segmentation_models_pytorch as smp
-from rembg import remove
-import mediapipe as mp
 
 # تعريفات عالمية
 classifier = None
@@ -21,10 +19,6 @@ class_names = ["Abnormal(Ulcer)", "Normal(Healthy skin)"]
 IMG_SIZE = 224
 DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
-# تهيئة MediaPipe للكشف عن القدم
-mp_pose = mp.solutions.pose
-mp_drawing = mp.solutions.drawing_utils
-
 class FUSegNet(nn.Module):
     """FUSegNet نموذج مخصص لمطابقة هيكل"""
     def __init__(self, encoder_name='efficientnet-b7', classes=1, activation='sigmoid'):
@@ -46,6 +40,7 @@ def check_and_download(url, path, min_size_mb=50):
         print(f"📥 تحميل النموذج من Google Drive: {url}")
         try:
             gdown.download(url, path, quiet=False, fuzzy=True)
+            print(f"✅ تم تحميل: {os.path.basename(path)}")
         except Exception as e:
             print(f"❌ خطأ في التحميل: {e}")
 
@@ -99,62 +94,54 @@ def initialize_models():
         print(f"❌ خطأ في تحميل نموذج التجزئة: {e}")
         segmenter = None
 
-def remove_background(img: Image.Image):
-    """إزالة خلفية الصورة للتركيز على القدم"""
+def remove_background_simple(img: Image.Image):
+    """إزالة خلفية الصورة بطريقة مبسطة باستخدام OpenCV"""
     try:
-        # استخدام rembg لإزالة الخلفية
         img_np = np.array(img)
-        img_no_bg = remove(img_np)
-        return Image.fromarray(img_no_bg)
+        
+        # تحويل إلى HSV للكشف عن لون البشرة
+        hsv = cv2.cvtColor(img_np, cv2.COLOR_RGB2HSV)
+        
+        # نطاق لون البشرة في HSV
+        lower_skin = np.array([0, 20, 70], dtype=np.uint8)
+        upper_skin = np.array([20, 255, 255], dtype=np.uint8)
+        
+        # قناع البشرة
+        skin_mask = cv2.inRange(hsv, lower_skin, upper_skin)
+        
+        # تنظيف القناع
+        kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
+        skin_mask = cv2.morphologyEx(skin_mask, cv2.MORPH_OPEN, kernel)
+        skin_mask = cv2.morphologyEx(skin_mask, cv2.MORPH_CLOSE, kernel)
+        skin_mask = cv2.dilate(skin_mask, kernel, iterations=1)
+        
+        # تطبيق القناع على الصورة
+        result = cv2.bitwise_and(img_np, img_np, mask=skin_mask)
+        
+        # إذا كانت الصورة سوداء بالكامل، نعيد الصورة الأصلية
+        if np.sum(result) == 0:
+            return img
+        
+        return Image.fromarray(result)
     except Exception as e:
         print(f"⚠️ فشل إزالة الخلفية: {e}")
         return img
 
 def detect_foot_region(img: Image.Image):
-    """الكشف عن منطقة القدم باستخدام MediaPipe"""
+    """الكشف عن منطقة القدم"""
     try:
         img_np = np.array(img)
+        h, w = img_np.shape[:2]
         
-        with mp_pose.Pose(static_image_mode=True, min_detection_confidence=0.5) as pose:
-            results = pose.process(cv2.cvtColor(img_np, cv2.COLOR_RGB2BGR))
-            
-            if results.pose_landmarks:
-                # الحصول على معالم القدمين (المراجع 29-32 للقدم اليسرى و 30-31 للقدم اليمنى)
-                landmarks = results.pose_landmarks.landmark
-                
-                h, w, _ = img_np.shape
-                foot_points = []
-                
-                # القدم اليسرى
-                left_foot_indices = [27, 29, 31]
-                for idx in left_foot_indices:
-                    if landmarks[idx].visibility > 0.5:
-                        foot_points.append([int(landmarks[idx].x * w), int(landmarks[idx].y * h)])
-                
-                # القدم اليمنى
-                right_foot_indices = [28, 30, 32]
-                for idx in right_foot_indices:
-                    if landmarks[idx].visibility > 0.5:
-                        foot_points.append([int(landmarks[idx].x * w), int(landmarks[idx].y * h)])
-                
-                if foot_points:
-                    foot_points = np.array(foot_points)
-                    x_min, y_min = foot_points.min(axis=0)
-                    x_max, y_max = foot_points.max(axis=0)
-                    
-                    # توسيع منطقة الاهتمام قليلاً
-                    padding = 50
-                    x_min = max(0, x_min - padding)
-                    y_min = max(0, y_min - padding)
-                    x_max = min(w, x_max + padding)
-                    y_max = min(h, y_max + padding)
-                    
-                    return img_np[y_min:y_max, x_min:x_max]
-        
-        return img_np
+        # طريقة مبسطة للكشف عن المنطقة السفلية (القدم)
+        # نفترض أن القدم في الجزء السفلي من الصورة
+        foot_height = h // 2  # النصف السفلي من الصورة
+        foot_region = img_np[h - foot_height:, :]
+        
+        return Image.fromarray(foot_region)
     except Exception as e:
         print(f"⚠️ فشل الكشف عن القدم: {e}")
-        return np.array(img)
+        return img
 
 def preprocess_for_classification(img: Image.Image):
     """معالجة الصورة للتصنيف"""
@@ -169,11 +156,10 @@ def classify_image(img: Image.Image):
     print("🔄 معالجة الصورة وإزالة الخلفية...")
     
     # 1. إزالة الخلفية
-    img_no_bg = remove_background(img)
+    img_no_bg = remove_background_simple(img)
     
     # 2. الكشف عن منطقة القدم
-    foot_region = detect_foot_region(img_no_bg)
-    foot_img = Image.fromarray(foot_region)
+    foot_img = detect_foot_region(img_no_bg)
     
     if classifier is None:
         # التصنيف الافتراضي باستخدام تحليل الألوان
@@ -233,9 +219,9 @@ def segment_ulcer(img: Image.Image):
             output = segmenter(img_tensor)
             pred = output.squeeze().cpu().numpy()
         
-        # إيجاد أفضل عتبة
-        best_threshold = 0.3
-        mask_bin = (pred >= best_threshold).astype(np.uint8)
+        # استخدام عتبة ثابتة
+        threshold = 0.3
+        mask_bin = (pred >= threshold).astype(np.uint8)
         mask_resized = cv2.resize(mask_bin, (img.width, img.height))
         
         ulcer_pixels = np.sum(mask_resized)
@@ -299,17 +285,16 @@ def check_early_symptoms(img: Image.Image):
         symptoms.append("احمرار خفيف في الجلد")
     
     # 2. جفاف الجلد
-    lab = cv2.cvtColor(img_np, cv2.COLOR_RGB2LAB)
-    l_channel = lab[:,:,0]
-    dry_skin_ratio = np.sum(l_channel > 200) / l_channel.size
+    gray = cv2.cvtColor(img_np, cv2.COLOR_RGB2GRAY)
+    dry_skin_ratio = np.sum(gray > 200) / gray.size
     if dry_skin_ratio > 0.1:
         symptoms.append("جفاف في الجلد")
     
-    # 3. تورم محتمل
-    edges = cv2.Canny(cv2.cvtColor(img_np, cv2.COLOR_RGB2GRAY), 50, 150)
+    # 3. تشققات محتملة
+    edges = cv2.Canny(gray, 50, 150)
     edge_density = np.sum(edges > 0) / edges.size
     if edge_density > 0.05:
-        symptoms.append("تورم محتمل")
+        symptoms.append("تشققات محتملة في الجلد")
     
     return symptoms
 
@@ -317,6 +302,10 @@ def apply_ulcer_mask(img: Image.Image, mask):
     """تطبيق قناع القرحة على الصورة"""
     img_np = np.array(img)
     
+    ulcer_pixels = np.sum(mask == 1)
+    if ulcer_pixels == 0:
+        return img
+    
     # إنشاء قناع ملون
     colored_mask = np.zeros_like(img_np)
     colored_mask[mask == 1] = [255, 0, 0]  # أحمر
@@ -333,29 +322,35 @@ def apply_ulcer_mask(img: Image.Image, mask):
     
     return Image.fromarray(result)
 
-def generate_report(classification, ulcer_percentage, risk_level, risk_score, symptoms, has_ulcer):
-    """توليد تقرير مفصل"""
+def generate_detailed_report(classification, ulcer_percentage, risk_level, risk_score, symptoms, has_ulcer):
+    """توليد تقرير مفصل بالعربية"""
+    
     report = {
         "التصنيف": classification,
         "نسبة_القرحة": f"{ulcer_percentage:.2f}%",
-        "مستوى_الخطورة": risk_level,
-        "درجة_الخطورة": risk_score,
-        "التوصيات": []
+        "مستوى_الخطورة": f"{risk_level} {risk_score}/5",
+        "التوصيات_الطبية": []
     }
     
     if not has_ulcer:
+        report["الحالة"] = "سليمة"
         if symptoms:
-            report["الأعراض_المبكرة"] = symptoms
-            report["التوصيات"].append("مراجعة طبية للكشف عن الأعراض المبكرة")
-            report["التوصيات"].append("العناية اليومية بالقدمين")
+            report["الاعراض_المبكرة"] = symptoms
+            report["التوصيات_الطبية"].append("🔸 مراجعة طبية للكشف عن الأعراض المبكرة")
+            report["التوصيات_الطبية"].append("🔸 العناية اليومية بالقدمين وترطيبها")
+            report["التوصيات_الطبية"].append("🔸 فحص دوري للقدمين")
         else:
-            report["الحالة"] = "سليمة"
-            report["التوصيات"].append("استمرار في العناية بالقدمين")
-            report["التوصيات"].append("فحص دوري للقدمين")
+            report["الاعراض_المبكرة"] = "لا توجد أعراض مبكرة"
+            report["التوصيات_الطبية"].append("✅ استمرار في العناية الروتينية بالقدمين")
+            report["التوصيات_الطبية"].append("✅ الحفاظ على نظافة القدمين وجفافهما")
     else:
-        report["التوصيات"].append("مراجعة عاجلة مع طبيب مختص")
-        report["التوصيات"].append("العناية المركزة بالمنطقة المصابة")
-        report["التوصيات"].append("تجنب الضغط على المنطقة المصابة")
+        report["الحالة"] = "توجد قرحة"
+        report["التوصيات_الطبية"].append("🚨 مراجعة عاجلة مع طبيب مختص")
+        report["التوصيات_الطبية"].append("🔴 تجنب الضغط على المنطقة المصابة")
+        report["التوصيات_الطبية"].append("💊 العناية المركزة بالمنطقة وتنظيفها يومياً")
+        
+        if risk_level == "High Risk":
+            report["التوصيات_الطبية"].append("⚠️ قد تحتاج إلى تدخل طبي عاجل")
     
     return report
 
@@ -365,10 +360,11 @@ def analyze_single_image(img: Image.Image):
         return None, {"خطأ": "لم يتم رفع صورة"}
     
     try:
-        print("\n" + "="*50)
+        print("\n" + "="*60)
         print("🚀 بدء تحليل الصورة...")
         
         # 1. التصنيف مع إزالة الخلفية
+        print("📝 الخطوة 1: التصنيف وإزالة الخلفية...")
         classification, processed_img = classify_image(img)
         has_ulcer = classification == "Abnormal(Ulcer)"
         
@@ -381,6 +377,7 @@ def analyze_single_image(img: Image.Image):
             print("✅ لا توجد قرحة - الكشف عن الأعراض المبكرة...")
             early_symptoms = check_early_symptoms(processed_img)
             final_img = processed_img
+            analysis_note = "تم تحليل الصورة ولم يتم اكتشاف قرحة"
         else:
             print("⚠️ اكتشاف قرحة - المتابعة للتجزئة...")
             # 3. تجزئة القرحة
@@ -391,16 +388,21 @@ def analyze_single_image(img: Image.Image):
             
             # 4. تطبيق القناع
             final_img = apply_ulcer_mask(processed_img, ulcer_mask)
+            analysis_note = f"تم اكتشاف قرحة بنسبة {ulcer_percentage:.2f}%"
         
         # 5. حساب مستوى الخطر
         risk_level, risk_score, risk_emoji = calculate_risk_level(ulcer_percentage)
         
-        # 6. توليد التقرير
-        report = generate_report(
+        # 6. توليد التقرير المفصل
+        report = generate_detailed_report(
             classification, ulcer_percentage, risk_level, risk_score, 
             early_symptoms, has_ulcer
         )
         
+        # إضافة ملخص النتائج
+        report["ملخص_التحليل"] = analysis_note
+        report["رمز_الخطورة"] = risk_emoji
+        
         print(f"📊 النتائج النهائية:")
         print(f"   - التصنيف: {classification}")
         print(f"   - نسبة القرحة: {ulcer_percentage:.2f}%")
@@ -412,31 +414,18 @@ def analyze_single_image(img: Image.Image):
         
     except Exception as e:
         print(f"❌ خطأ في تحليل الصورة: {e}")
-        return img, {"خطأ": f"فشل في التحليل: {str(e)}"}
-
-def analyze_images(img1, img2):
-    """تحليل صورتين"""
-    results = []
-    reports = {}
-    
-    for idx, img in enumerate([img1, img2]):
-        image_key = f"صورة_{idx+1}"
-        
-        if img is None:
-            results.append(None)
-            reports[image_key] = {"حالة": "لم يتم رفع صورة"}
-        else:
-            analyzed_img, report = analyze_single_image(img)
-            results.append(analyzed_img)
-            reports[image_key] = report
-    
-    return results, reports
+        error_report = {
+            "خطأ": "فشل في تحليل الصورة",
+            "التفاصيل": str(e),
+            "التوصيات": ["يرجى تحميل صورة أخرى", "تأكد من وضوح الصورة"]
+        }
+        return img, error_report
 
 # تهيئة النماذج
 print("🚀 جاري تهيئة النماذج...")
 initialize_models()
 
-# واجهة Gradio
+# واجهة Gradio المبسطة
 with gr.Blocks(title="نظام تحليل قرحة القدم السكري", theme=gr.themes.Soft()) as demo:
     gr.Markdown("""
     # 🦶 نظام الذكاء الاصطناعي لتحليل قرحة القدم السكري
@@ -447,25 +436,32 @@ with gr.Blocks(title="نظام تحليل قرحة القدم السكري", the
     3. **إذا لا توجد قرحة**: الكشف عن أعراض مبكرة
     4. **إذا توجد قرحة**: تحديد منطقة القرحة بدقة
     5. **تقييم مستوى الخطورة** وتوليد التقرير
+    
+    **🔍 ارفع صورة واحدة للتحليل**
     """)
     
     with gr.Row():
-        with gr.Column():
-            gr.Markdown("### 📤 رفع الصور")
-            with gr.Row():
-                img1 = gr.Image(type="pil", label="الصورة الأولى", height=250)
-                img2 = gr.Image(type="pil", label="الصورة الثانية", height=250)
-            
+        with gr.Column(scale=1):
+            gr.Markdown("### 📤 رفع الصورة")
+            image_input = gr.Image(type="pil", label="صورة القدم", height=300)
             analyze_btn = gr.Button("🔍 بدء التحليل", variant="primary", size="lg")
+            
+            gr.Markdown("""
+            **💡 نصائح للصورة:**
+            - صورة واضحة للقدم
+            - إضاءة جيدة
+            - خلفية بسيطة إن أمكن
+            - القدم مرئية بوضوح
+            """)
         
-        with gr.Column():
-            gr.Markdown("### 📊 النتائج")
-            gallery = gr.Gallery(label="الصور المحللة", columns=2, height="auto")
-            json_output = gr.JSON(label="التقارير الطبية")
+        with gr.Column(scale=1):
+            gr.Markdown("### 📊 نتائج التحليل")
+            image_output = gr.Image(label="الصورة المحللة", height=300)
+            json_output = gr.JSON(label="التقرير الطبي", show_label=True)
     
     gr.Markdown("""
     ---
-    **🎯 تفسير النتائج:**
+    **🎯 تفسير مستويات الخطورة:**
     - **🟢 No Risk**: لا توجد قرحة ولا أعراض مبكرة
     - **🟡 Low Risk**: أعراض مبكرة أو قرحة صغيرة (<1%)
     - **🟠 Medium Risk**: قرحة متوسطة (1-5%)
@@ -475,11 +471,12 @@ with gr.Blocks(title="نظام تحليل قرحة القدم السكري", the
     """)
     
     analyze_btn.click(
-        fn=analyze_images,
-        inputs=[img1, img2],
-        outputs=[gallery, json_output]
+        fn=analyze_single_image,
+        inputs=[image_input],
+        outputs=[image_output, json_output]
     )
 
 if __name__ == "__main__":
     print("🌐 بدء تشغيل السيرفر...")
-    demo.launch(server_name="0.0.0.0", server_port=7860, share=True)                                                           
+    print("✅ النظام جاهز لتحليل صورة واحدة")
+    demo.launch(server_name="0.0.0.0", server_port=7860, share=True)