segmentation using kmeans

app.py

@@ -0,0 +1,54 @@
+import gradio as gr
+from PIL import Image
+import numpy as np
+from segmentation import segment  
+
+# Fonction principale de l'application
+def bio_analytica(image):
+    """
+    Analyse une image de feuille de plante, segmente les anomalies et retourne l'image segmentée.
+    
+    Args:
+        image (PIL.Image): Image téléchargée par l'utilisateur.
+        
+    Returns:
+        PIL.Image: Image segmentée avec anomalies mises en évidence.
+    """
+    # Sauvegarder temporairement l'image téléchargée
+    image_path = "temp_uploaded_image.jpg"
+    image.save(image_path)
+    
+    # Appeler la fonction segment pour traiter l'image
+    segment(image_path)  
+    
+    # Charger l'image segmentée pour la renvoyer dans l'interface
+    segmented_image = Image.open("image_segmented.jpg")
+    
+    return segmented_image
+
+# Interface utilisateur Gradio
+interface = gr.Interface(
+    fn=bio_analytica,  # Fonction de traitement
+    inputs=gr.Image(type="pil"),  # Entrée : Image téléchargée
+    outputs=gr.Image(type="pil"),  # Sortie : Image segmentée
+
+    title="🌿 Analyse des Feuilles de Plantes - Détection d'Anomalies",
+
+    description="""
+    <div style="text-align: center;">
+        <h2 style="color: green;">Bio Analytica 🌱</h2>
+        <p style="font-size: 16px; color: white;">
+            Téléchargez une image de feuille de plante.<br>
+            Notre outil segmente l'image et fait ressortir les anomalies présentes sur la feuille.<br>
+            Obtenez des informations visuelles claires sur l'état de vos plantes 🌿.
+        </p>
+    </div>
+    """,
+    examples=[["feuille.jpg"], ["feuille_segment.jpg"]],  # Exemples d'images pour test
+    flagging_mode="never",  # Désactiver le signalement des résultats
+    theme="dark"  # Thème simple
+)
+
+# Lancement de l'application
+if __name__ == "__main__":
+    interface.launch()

segmentation.py

@@ -0,0 +1,33 @@
+import cv2
+import numpy as np
+from sklearn.cluster import KMeans
+
+def segment(image_path):
+    # Charger l'image
+    image = cv2.imread(image_path)
+    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # Convertir BGR en RGB
+    h, w, c = image.shape
+
+    # Reshape pour obtenir un tableau de pixels
+    pixels = image.reshape(-1, 3)  # Dimension (H*W, 3)
+
+    # Nombre de clusters
+    K = 2
+
+    # Application de K-means clustering
+    kmeans = KMeans(n_clusters=K, random_state=0, n_init='auto')
+    kmeans.fit(pixels)
+
+    # Remplacer chaque pixel par le centre du cluster auquel il appartient
+    segmented_pixels = kmeans.cluster_centers_[kmeans.labels_]
+    segmented_image = segmented_pixels.reshape(h, w, 3).astype(np.uint8)
+
+    # Convertir l'image segmentée en niveaux de gris
+    gray_image = cv2.cvtColor(segmented_image, cv2.COLOR_RGB2GRAY)
+
+    gray_image=cv2.resize(gray_image,(500,500),interpolation=cv2.INTER_AREA)
+
+
+    # Sauvegarder l'image en noir et blanc
+    cv2.imwrite('image_segmented.jpg', gray_image)
+segment("feuille.jpg")