Spaces:
Runtime error
Runtime error
| import gradio as gr | |
| import tensorflow as tf | |
| import numpy as np | |
| import cv2 # Faltaba importar OpenCV | |
| from huggingface_hub import hf_hub_download | |
| # Descargar modelo desde Hugging Face | |
| model_path = hf_hub_download(repo_id="Bmo411/DenoisingAutoencoder", filename="autoencoder_complete_model_Fourier.keras") | |
| # Cargar el modelo una sola vez para evitar recargas en cada ejecución | |
| model = tf.keras.models.load_model(model_path, compile=True) | |
| def degrade_image(image, downscale_factor=4): | |
| """Reduce la calidad de la imagen reduciendo su tamaño y volviéndola a escalar.""" | |
| h, w = image.shape[:2] | |
| # Reducir tamaño (forzando pérdida de calidad) | |
| small_img = cv2.resize(image, (w // downscale_factor, h // downscale_factor), interpolation=cv2.INTER_AREA) | |
| # Volver a escalarla al tamaño original SIN mejorar calidad (interpolación brusca) | |
| degraded_img = cv2.resize(small_img, (w, h), interpolation=cv2.INTER_NEAREST) | |
| return degraded_img | |
| def preprocess_image(image, std_dev=0.1, downscale_factor=4, target_size=(256, 256)): | |
| """Recibe una imagen en numpy array, la degrada en calidad, le agrega ruido y la normaliza.""" | |
| # Reducir calidad primero | |
| degraded_img = degrade_image(image, downscale_factor) | |
| # Redimensionar a tamaño esperado por el modelo | |
| resized_img = cv2.resize(degraded_img, target_size, interpolation=cv2.INTER_AREA) | |
| # Normalizar | |
| resized_img = resized_img.astype(np.float32) / 255.0 | |
| # Agregar ruido gaussiano | |
| noise = np.random.normal(0, std_dev, resized_img.shape) # Media=0, desviación estándar=std_dev | |
| noisy_img = resized_img + noise # Sumar el ruido a la imagen | |
| noisy_img = np.clip(noisy_img, 0, 1) # Asegurar valores en el rango [0,1] | |
| return noisy_img | |
| def Denoiser(imagen): | |
| """Aplica el modelo autoencoder para eliminar ruido de la imagen.""" | |
| # Convertir imagen de entrada a array NumPy y asegurarse de que está en formato correcto | |
| imagen = np.array(imagen) # Convertir de PIL a NumPy | |
| # Preprocesar imagen (degradarla y agregar ruido) | |
| noisy_image = preprocess_image(imagen) | |
| # Expandir dimensiones para que tenga el formato correcto para el modelo (batch_size, h, w, c) | |
| noisy_image_input = np.expand_dims(noisy_image, axis=0) | |
| # Predecir con el autoencoder | |
| reconstructed = model.predict(noisy_image_input)[0] # Quitar batch_size | |
| return noisy_image, reconstructed | |
| # Crear interfaz en Gradio con dos salidas de imagen | |
| demo = gr.Interface( | |
| fn=Denoiser, | |
| inputs=gr.Image(type="numpy"), # Para que Gradio pase la imagen como un array de NumPy | |
| outputs=[gr.Image(type="numpy", label="Imagen con Ruido"), | |
| gr.Image(type="numpy", label="Imagen Restaurada")], | |
| title="Autoencoder para Denoising", | |
| description="Este modelo de autoencoder reduce el ruido en imágenes. Sube una imagen y el modelo generará una versión restaurada." | |
| ) | |
| # Lanzar la aplicación en Gradio | |
| demo.launch() |