src/img_processing.py

import os
import cv2
import pandas as pd
import torch
import torch.nn as nn
import torchvision.transforms as transforms
from torchvision.models import resnet18  # Usaremos uma CNN pré-treinada (ResNet18)

# Configurações
DATASET_PATH = "./animals/"  # Pasta principal com as subpastas de animais
CSV_FOLDER = "./csv_folder"  # Pasta para salvar os CSVs
IMAGE_SIZE = (224, 224)    # Tamanho das imagens para a CNN

# Criar a pasta csv_folder se não existir
if not os.path.exists(CSV_FOLDER):
    os.makedirs(CSV_FOLDER)

# Carregar uma CNN pré-treinada (ResNet18) e remover a camada final (fully connected)
cnn_model = resnet18(pretrained=True)
cnn_model = nn.Sequential(*list(cnn_model.children())[:-1])  # Remove a última camada
cnn_model.eval()  # Colocar o modelo em modo de avaliação

# Transformações para a imagem
transform = transforms.Compose([
    transforms.ToPILImage(),
    transforms.Resize(IMAGE_SIZE),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # Normalização para o modelo pré-treinado
])

# Função para extrair características de uma imagem usando a CNN
def extract_features(image):
    with torch.no_grad():  # Desativar cálculo de gradientes
        image_tensor = transform(image).unsqueeze(0)  # Adicionar dimensão do batch
        features = cnn_model(image_tensor)  # Extrair características
        return features.flatten().numpy()  # Achatar e converter para numpy array

# Função para processar uma subpasta (espécie) e salvar em um DataFrame
def process_animal_folder(animal_class, class_path):
    # Lista para armazenar os dados da subpasta
    data = []
    
    # Percorrer as imagens da subpasta
    for image_name in os.listdir(class_path):
        image_path = os.path.join(class_path, image_name)
        
        try:
            # Verificar se o arquivo é uma imagem válida
            if not image_name.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
                print(f"Ignorando arquivo não suportado: {image_path}")
                continue
            
            # Carregar a imagem
            image = cv2.imread(image_path)
            if image is None:
                raise ValueError(f"Falha ao carregar a imagem: {image_path}")
            
            # Extrair características usando a CNN
            features = extract_features(image)
            
            # Adicionar ao dataset com o label sendo o nome da subpasta
            data.append([animal_class] + list(features))
        except Exception as e:
            print(f"Erro ao processar {image_path}: {e}")
    
    # Verificar se há dados antes de criar o DataFrame
    if not data:
        print(f"Nenhuma imagem válida encontrada na pasta: {class_path}")
        return None
    
    # Criar DataFrame
    columns = ["label"] + [f"feature_{i}" for i in range(len(data[0]) - 1)]
    df = pd.DataFrame(data, columns=columns)
    
    return df

# Percorrer as subpastas
for animal_class in os.listdir(DATASET_PATH):
    class_path = os.path.join(DATASET_PATH, animal_class)
    
    # Verificar se é uma pasta
    if os.path.isdir(class_path):
        print(f"Processando imagens da classe: {animal_class}")
        
        # Processar a subpasta e obter o DataFrame
        df = process_animal_folder(animal_class, class_path)
        
        if df is not None:
            # Salvar CSV com o nome do animal
            csv_filename = os.path.join(CSV_FOLDER, f"{animal_class}_dataset.csv")
            try:
                df.to_csv(csv_filename, index=False)
                print(f"Dataset salvo como '{csv_filename}'")
            except Exception as e:
                print(f"Erro ao salvar o dataset {csv_filename}: {e}")

print("Processamento concluído!")