🖼️ Web OpenImage Processor

Um processador de imagens baseado na web que utiliza Flask e OpenCV para aplicar diversos filtros e técnicas avançadas de processamento de imagem e visão computacional.

📋 Índice

• Características
• Filtros Disponíveis
• Instalação
• Uso com Docker
• Configuração
• API
• Desenvolvimento
• Contribuição
• Licença

✨ Características

• Interface web moderna e responsiva com design intuitivo
• 10+ algoritmos de processamento de imagem implementados
• Explicações detalhadas de cada filtro e seus parâmetros
• Processamento em tempo real com feedback visual
• Suporte a múltiplos formatos de imagem (JPG, PNG, BMP, TIFF)
• Containerização com Docker para fácil deployment
• Configuração flexível via variáveis de ambiente
• Logs detalhados para monitoramento
• Tratamento de erros robusto

🔧 Filtros Disponíveis

Detecção de Bordas

• Canny Edge Detection: O algoritmo mais popular para detecção de bordas
• Sobel Edge Detection: Detecta bordas usando gradientes direcionais

Segmentação

• Segmentação Adaptativa: Limiarização automática baseada em regiões locais
• Segmentação Manual: Controle total sobre valores de limiarização
• Limiarização Otsu: Cálculo automático do limiar ótimo

Filtros de Suavização

• Filtro Gaussiano: Suavização preservando bordas
• Filtro de Média: Redução de ruído por média aritmética

Análise e Melhoria

• Equalização de Histograma: Melhoria automática de contraste
• Análise de Histograma: Visualização da distribuição de intensidades
• Contagem de Objetos: Detecção e contagem automática de objetos

🚀 Instalação

Pré-requisitos

• Python 3.8+
• pip
• Docker (opcional)

Instalação Local

1. Clone o repositório

git clone https://github.com/mferraz56/Web_OpenImageProcessor.git
cd Web_OpenImageProcessor

2. Crie um ambiente virtual

python -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate     # Windows

3. Instale as dependências

pip install -r requirements.txt

4. Configure as variáveis de ambiente

cp .env.example .env
# Edite o arquivo .env conforme necessário

5. Execute a aplicação

python app.py

A aplicação estará disponível em http://localhost:7000

🐳 Uso com Docker

Docker Compose (Recomendado)

1. Configure as variáveis no .env

# Exemplo de configuração para produção
FLASK_DEBUG=false
DOCKER_CPU_LIMIT=2.0
DOCKER_MEMORY_LIMIT=2048

2. Execute com Docker Compose

docker-compose up -d

Docker Manual

# Build da imagem
docker build -t web_image_processor .

# Execute o container
docker run -d \
  -p 7000:7000 \
  -v $(pwd)/Entrada:/app/Entrada \
  -v $(pwd)/Saida:/app/Saida \
  --name web_image_processor \
  web_image_processor

⚙️ Configuração

Variáveis de Ambiente

Variável	Padrão	Descrição
FLASK_HOST	0.0.0.0	Host da aplicação
FLASK_PORT	7000	Porta da aplicação
FLASK_DEBUG	false	Modo debug
UPLOAD_FOLDER	./Entrada	Diretório de upload
PROCESSED_FOLDER	./Saida	Diretório de saída
MAX_FILE_SIZE	16	Tamanho máximo em MB
DOCKER_CPU_LIMIT	2.0	Limite de CPU
DOCKER_MEMORY_LIMIT	2048	Limite de memória em MB

Configurações de Hardware

O docker-compose.yml permite parametrizar limites de hardware:

deploy:
  resources:
    limits:
      cpus: '${DOCKER_CPU_LIMIT:-2.0}'
      memory: '${DOCKER_MEMORY_LIMIT:-2048}M'
    reservations:
      cpus: '${DOCKER_CPU_RESERVATION:-1.0}'
      memory: '${DOCKER_MEMORY_RESERVATION:-1024}M'

📡 API

Endpoints Disponíveis

Endpoint	Método	Descrição
/	GET	Interface web principal
/get_image/<filename>	GET	Serve imagens processadas
/adaptativeSegmentation	POST	Segmentação adaptativa
/canny	POST	Detecção Canny
/cannyEdge	POST	Contagem de objetos
/equalize	POST	Equalização de histograma
/gaussian	POST	Filtro Gaussiano
/histogram	POST	Análise de histograma
/manualSegmentation	POST	Segmentação manual
/mediam	POST	Filtro de média
/otsu	POST	Limiarização Otsu
/sobel	POST	Detecção Sobel

Exemplo de Uso da API

import requests

# Upload e processamento
files = {'file': open('imagem.jpg', 'rb')}
data = {'mediana': 5, 'canny1': 50, 'canny2': 150}

response = requests.post('http://localhost:7000/canny', 
                        files=files, data=data)

if response.json()['success']:
    image_url = response.json()['image_url']
    print(f"Imagem processada: {image_url}")

🛠️ Desenvolvimento

Estrutura do Projeto

Web_OpenImageProcessor/
├── app.py                 # Aplicação Flask principal
├── requirements.txt       # Dependências Python
├── Dockerfile            # Configuração Docker
├── docker-compose.yml    # Orquestração Docker
├── .env                  # Variáveis de ambiente
├── templates/
│   └── index.html        # Interface web
├── static/
│   └── styles.css        # Estilos CSS
├── Entrada/              # Diretório de upload
├── Saida/                # Diretório de saída
└── logs/                 # Logs da aplicação

Adicionando Novos Filtros

1. Implemente o método na classe ImageProcessorFilters:

def new_filter(self, img: np.ndarray, filename: str, param1: int) -> str:
    """
    Descrição do novo filtro.
    
    Args:
        img: Imagem de entrada
        filename: Nome do arquivo
        param1: Parâmetro do filtro
        
    Returns:
        str: Caminho do arquivo processado
    """
    # Implementação do filtro
    processed_img = cv2.some_operation(img, param1)
    
    output_path = self._generate_output_filename(filename, "NewFilter")
    cv2.imwrite(output_path, processed_img)
    
    return output_path

2. Adicione a rota Flask:

@app.route('/newfilter', methods=['POST'])
def new_filter_route():
    try:
        file = request.files['file']
        param1 = int(request.form['param1'])
        
        filepath, filename, img = save_uploaded_file(file)
        output_path = image_processor.new_filter(img, filename, param1)
        
        return jsonify({
            "success": True,
            "output_path": output_path,
            "image_url": url_for('get_image', filename=os.path.basename(output_path))
        })
    except Exception as e:
        return jsonify({"success": False, "error": str(e)}), 500

3. Atualize o frontend adicionando a definição no JavaScript.

Executando Testes

# Instalar dependências de teste
pip install pytest pytest-cov

# Executar testes
pytest tests/ -v --cov=app

# Executar testes com relatório HTML
pytest tests/ --cov=app --cov-report=html

📊 Monitoramento e Logs

Configuração de Logs

# Logs são configurados automaticamente
# Localização: ./logs/app.log
# Rotação automática quando atingir 10MB
# Mantém 5 arquivos de backup

Healthcheck

O container inclui healthcheck automático:

# Verificar status
docker-compose ps

# Logs do healthcheck
docker-compose logs web_image_processor

🤝 Contribuição

1. Fork o projeto
2. Crie uma branch para sua feature (git checkout -b feature/AmazingFeature)
3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')
4. Push para a branch (git push origin feature/AmazingFeature)
5. Abra um Pull Request

Diretrizes de Contribuição

• Mantenha o código bem documentado
• Adicione testes para novas funcionalidades
• Siga o padrão de commit convencional
• Atualize a documentação quando necessário

📄 Algoritmos Implementados

Detalhes Técnicos

• Canny Edge Detection: Implementa supressão de não-máximos e histerese
• Sobel Operator: Calcula gradientes nas direções X e Y
• Adaptive Thresholding: Usa média local para calcular limiares
• Otsu's Method: Maximiza variância inter-classe
• Gaussian Blur: Convolução com kernel Gaussiano 2D
• Histogram Equalization: Redistribuição de intensidades no espaço YUV

🔒 Segurança

• Validação de tipos de arquivo
• Sanitização de nomes de arquivo
• Limites de tamanho configuráveis
• Execução em usuário não-root no Docker
• Logs de segurança para auditoria

📈 Performance

Benchmarks

Filtro	Tempo Médio (512x512)	Memória
Gaussian	~50ms	~20MB
Canny	~80ms	~25MB
Otsu	~30ms	~15MB
Histogram	~100ms	~30MB

---