app.py

import cv2
import numpy as np
import gradio as gr
from skimage.filters import threshold_sauvola
from skimage.morphology import opening, closing, disk

def preprocess_image(image):
    """
    Görüntüyü gri tonlamaya dönüştürür ve gürültüyü azaltmak için
    Gauss bulanıklığı uygular.

    Args:
        image: İşlenecek renkli görüntü.

    Returns:
        Gri tonlamalı ve bulanıklaştırılmış görüntü.
    """
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    return blur

def sauvola_thresholding(image):
    """
    Görüntüye Sauvola eşikleme algoritmasını [1] uygular ve
    negatifini alır.

    Args:
        image: Eşiklenecek gri tonlamalı görüntü.

    Returns:
        Eşiklenmiş ikili görüntü.

    Referanslar:
    [1] Sauvola, J., and Pietikäinen, M. (2000). Adaptive document image
        binarization. Pattern recognition, 33(2), 225-236.
    """
    thresh_sauvola = threshold_sauvola(image, window_size=25)
    binary_sauvola = image > thresh_sauvola
    binary_sauvola = np.invert(binary_sauvola)
    return (binary_sauvola.astype(np.uint8) * 255).astype(np.uint8)

def morphological_operations(image):
    """
    Görüntüye morfolojik açma ve kapama işlemlerini [2] uygular.

    Args:
        image: İşlenecek ikili görüntü.

    Returns:
        Açma ve kapama işlemleri uygulanmış görüntü.

    Referanslar:
    [2] Gonzalez, R. C., Woods, R. E., and Eddins, S. L. (2004). Digital
        image processing using MATLAB. Pearson Education India.
    """
    selem = disk(2)  # Yapılandırıcı eleman
    opened = opening(image, selem)
    closed = closing(opened, selem)
    return closed

def detect_defect(image, area_threshold=50):
    """
    Kaynak dikişindeki kusurları tespit etmek için kontur analizi [3]
    kullanır ve kontur alanına göre filtreleme yapar.

    Args:
        image: Kusur tespiti yapılacak ikili görüntü.
        area_threshold: Kusur olarak kabul edilecek minimum kontur alanı.

    Returns:
        Kusur tespit sonucu ("Kusur tespit edildi" veya "Kusur tespit edilmedi")
        ve tespit edilen kusurların konturları (varsa).

    Referanslar:
    [3] Suzuki, S. (1985). Topological structural analysis of digitized
        binary images by border following. Computer vision, graphics, and
        image processing, 30(1), 32-46.
    """
    contours, _ = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    defects = [cnt for cnt in contours if cv2.contourArea(cnt) > area_threshold]
    if len(defects) > 0:
        return "Kusur tespit edildi", defects
    return "Kusur tespit edilmedi", None

def threshold_yenileri(image, threshold_method="sauvola"):
    """
    Farklı eşikleme yöntemlerini uygular.

    Args:
        image: Eşiklenecek gri tonlamalı görüntü.
        threshold_method: Kullanılacak eşikleme yöntemi ("sauvola", "adaptive" veya "sauvola_adaptive").

    Returns:
        Eşiklenmiş ikili görüntü.
    """
    if threshold_method == "sauvola":
        return sauvola_thresholding(image)
    elif threshold_method == "adaptive":
        thresholded = cv2.adaptiveThreshold(
            image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2
        )
        return cv2.bitwise_not(thresholded)
    elif threshold_method == "sauvola_adaptive":
        # Sauvola ile eşikleme yap
        sauvola_thresh = sauvola_thresholding(image)
        # Adaptive eşikleme yap ve tersini al
        adaptive_thresh = cv2.adaptiveThreshold(
            image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2
        )
        adaptive_thresh = cv2.bitwise_not(adaptive_thresh)
        # İki sonucu birleştir (mantıksal VEYA işlemi)
        combined_thresh = cv2.bitwise_or(sauvola_thresh, adaptive_thresh)
        return combined_thresh
    else:
        raise ValueError("Geçersiz eşikleme yöntemi.")

def predict(image, area_threshold=50, threshold_method="sauvola"):
    """
    Verilen görüntünün kaynak dikişindeki kusurları tahmin eder.

    Args:
        image: İşlenecek kaynak görüntüsü.
        area_threshold: Kusur olarak kabul edilecek minimum kontur alanı.
        threshold_method: Kullanılacak eşikleme yöntemi ("sauvola", "adaptive" veya "sauvola_adaptive").

    Returns:
        İşlem çıktıları (gri tonlamalı, eşiklenmiş, bölümlenmiş ve kusurlar
        vurgulanmış görüntüler) ve kusur tespit sonucu.
    """
    processed_image = preprocess_image(image)
    thresholded_image = threshold_yenileri(processed_image, threshold_method)
    segmented_image = morphological_operations(thresholded_image)
    result, defects = detect_defect(segmented_image, area_threshold)

    if defects is not None:
        for defect in defects:
            cv2.drawContours(image, [defect], -1, (0, 0, 255), 2)

    image_outputs = [
        (processed_image, "Gri Tonlamalı Görüntü"),
        (thresholded_image, "Eşiklenmiş Görüntü"),
        (segmented_image, "Açma ve Kapama ile Bölümlenmiş Görüntü"),
        (image, "Kusurlar Vurgulanmış Görüntü"),
    ]

    return image_outputs, result

# Gradio arayüzü
demo = gr.Interface(
    fn=predict,
    inputs=[
        gr.Image(type="numpy"),
        gr.Slider(
            minimum=10,
            maximum=500,
            value=50,
            step=10,
            label="Kontur Alan Eşiği",
        ),
        gr.Dropdown(
            choices=["sauvola", "adaptive", "sauvola_adaptive"],
            value="sauvola",
            label="Eşikleme Yöntemi",
        ),
    ],
    outputs=[
        gr.Gallery(
            label="İşlem Çıktıları",
            show_label=True,
            elem_id="gallery",
            columns=[1],
            object_fit="contain",
            height="auto",
        ),
        gr.Textbox(label="Sonuç"),
    ],
    examples=[
        ["W0001_0000.png", 50, "sauvola"],
        ["W0001_0001.png", 100, "adaptive"],
        ["W0001_0002.png", 75, "sauvola_adaptive"],
    ],
    title="Kaynak Kusur Tespit Uygulaması",
    description="Bir kaynak görüntüsü yükleyin ve kusur olup olmadığını kontrol edin.",
)

if __name__ == "__main__":
    demo.launch()