Update app.py

app.py

@@ -7,6 +7,241 @@ from PIL import Image
 import imagehash
 import torch
 from scipy.stats import pearsonr
+import os
+
+# --- MÓDULO DE INICIALIZAÇÃO ---
+# Tenta carregar os modelos e módulos, definindo flags de disponibilidade.
+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 = cv2.calcHist([gray1], [0], None, [256], [0,256])
+        hist2_lum = cv2.calcHist([gray2], [0], None, [256], [0,256])
+        cv2.normalize(hist1_lum, hist1_lum, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
+        cv2.normalize(hist2_lum, hist2_lum, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
+        lum_corr = cv2.compareHist(hist1_lum, hist2_lum, cv2.HISTCMP_CORREL)
+        lum_corr_scores.append(lum_corr)
+
+        corrs = []
+        for chan in range(3):
+            hist1 = cv2.calcHist([frame1],[chan],None,[256],[0,256])
+            hist2 = cv2.calcHist([frame2],[chan],None,[256],[0,256])
+            cv2.normalize(hist1, hist1, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
+            cv2.normalize(hist2, hist2, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
+            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 = [], []
+    if not frames: return [], []
+    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], angleInDegrees=True)
+        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_cv, frame2_cv = cv2.cvtColor(frames[i], cv2.COLOR_RGB2BGR), cv2.cvtColor(frames[i+1], cv2.COLOR_RGB2BGR)
+        try:
+            _, saliencyMap1 = saliency_detector.computeSaliency(frame1_cv)
+            _, saliencyMap2 = saliency_detector.computeSaliency(frame2_cv)
+            saliencyMap1_8bit, saliencyMap2_8bit = (saliencyMap1 * 255).astype("uint8"), (saliencyMap2 * 255).astype("uint8")
+            _, thresh1 = cv2.threshold(saliencyMap1_8bit, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
+            _, thresh2 = cv2.threshold(saliencyMap2_8bit, 0, 255, cv2.THRESH_BINARY | 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_gray, roi2_gray = cv2.cvtColor(frames[i][y1:y1+h1, x1:x1+w1], cv2.COLOR_RGB2GRAY), cv2.cvtColor(frames[i+1][y2:y2+h2, x2:x2+w2], cv2.COLOR_RGB2GRAY)
+                if roi1_gray.size == 0 or roi2_gray.size == 0: raise ValueError("ROI vazia")
+                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 Exception:
+            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 ---
+def plot_to_file(fig, filename):
+    path = f"{filename}.png"
+    fig.savefig(path)
+    plt.close(fig)
+    return path
+
+def gerar_grafico_fidelidade(ssim, phash, num_frames, fps):
+    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(16, 10), sharex=True)
+    x_axis = [i/fps for i in range(len(ssim))]
+    ax1.plot(x_axis, ssim, label='SSIM')
+    ax2.plot(x_axis, phash, label='pHash Distance', color='red')
+    ax1.set_title('Fidelidade Estrutural (SSIM)'); ax2.set_title('Mudança Perceptual (pHash)')
+    return plot_to_file(fig, "fidelidade")
+
+def gerar_grafico_cor(lum, color, num_frames, fps):
+    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(16, 10), sharex=True)
+    x_axis = [i/fps for i in range(len(lum))]
+    ax1.plot(x_axis, lum, label='Luminância', color='gold')
+    ax2.plot(x_axis, color, label='Cor (RGB)', color='magenta')
+    ax1.set_title('Consistência de Iluminação'); ax2.set_title('Consistência de Cor')
+    return plot_to_file(fig, "cor")
+
+def gerar_grafico_anomalias(mag, var, num_frames, fps):
+    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(16, 10), sharex=True)
+    x_axis = [i/fps for i in range(len(mag))]
+    ax1.plot(x_axis, mag, label='Magnitude')
+    ax2.plot(x_axis, var, label='Variância de Orientação', color='red')
+    ax1.set_title('Magnitude do Movimento'); ax2.set_title('Incoerência de Movimento (Glitches)')
+    return plot_to_file(fig, "anomalias")
+
+def gerar_grafico_foco(ssim_global, ssim_foco, jitter, num_frames, fps):
+    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(16, 10), sharex=True)
+    x_axis = [i/fps for i in range(len(ssim_global))]
+    ax1.plot(x_axis, ssim_global, label='Global')
+    ax1.plot(x_axis, ssim_foco, label='Foco')
+    ax2.plot(x_axis, jitter, label='Jitter', color='coral')
+    ax1.set_title('Estabilidade de Foco (SSIM)'); ax2.set_title('Jitter de Foco')
+    return plot_to_file(fig, "foco")
+
+
+# --- FUNÇÃO DE CALLBACK PRINCIPAL ---
+def run_full_analysis(video_path, descriptions_text, progress=gr.Progress()):
+    if video_path is None: raise gr.Error("Por favor, 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 = gerar_grafico_cor(lum_scores, color_scores, len(frames), fps)
+
+    progress(0.4, desc="Analisando glitches de movimento...")
+    mag_scores, var_scores = analisar_anomalias_movimento(frames)
+    anomalias_plot_path = gerar_grafico_anomalias(mag_scores, var_scores, len(frames), fps)
+
+    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 = gerar_grafico_foco(ssim_scores, ssim_foco, jitter_foco, len(frames), fps)
+
+    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)
+    
+    progress(1.0, desc="Análise completa!")
+    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 para o teste de inteligência...")
+            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()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