Este projeto utiliza técnicas de processamento de imagens para a classificação de imagens médicas relacionadas a COVID-19. A implementação atual utiliza o descritor de Hu Moments para extrair características das imagens e treina um classificador SVM (Support Vector Machine) para realizar a classificação. A acurácia do modelo é avaliada no conjunto de teste, e uma matriz de confusão é gerada para uma análise mais detalhada.
Certifique-se de ter os seguintes requisitos instalados no ambiente de execução:
- Python (versão 3.0 ou superior)
- Bibliotecas necessárias:
cv2
,numpy
,scikit-learn
Para instalar as bibliotecas, utilize o seguinte comando:
-
Clone o Repositório:
git clone https://github.com/seu-usuario/Descritor-Python.git cd Descritor-Python
-
Configuração do Ambiente Virtual (opcional, mas recomendado):
python -m venv venv source venv/bin/activate # No Windows: venv\Scripts\activate
-
Instale as Dependências:
pip install -r requirements.txt
pip install opencv-python numpy scikit-learn
-
Execute o Script:
python Descry.py
Organize o conjunto de dados de acordo com a seguinte estrutura:
- C:\Processamento-Imagem\img
- covid
- imagem1.png
- imagem2.jpg
- ...
- normal
- imagem3.jpeg
- imagem4.png
- ...
Execute o script Descry.py
para treinar o modelo, fazer previsões no conjunto de teste e imprimir os resultados. Certifique-se de que o caminho do conjunto de dados (data_path_covid
e data_path_normal
) esteja corretamente configurado no script.
python Descry.py
O script imprimirá a acurácia do modelo no conjunto de teste e a matriz de confusão, fornecendo uma avaliação do desempenho do classificador SVM treinado.
# Projeto de Classificação de Imagens de Raio-X (Descritor Hu Moments)
Este projeto visa a classificação de imagens de raio-X em duas categorias: COVID-19 e Normal. A classificação é realizada utilizando o descritor Hu Moments como método de extração de características, e um classificador SVM (Support Vector Machine).
## Estrutura do Projeto
- `Descry.py`: Script principal contendo a implementação do projeto.
- `README.md`: Este arquivo, fornecendo informações detalhadas sobre o projeto.
- `img/`: Diretório contendo subdiretórios `covid` e `normal` com as imagens de treinamento.
## Requisitos do Ambiente
- Python 3.x
- Bibliotecas: cv2, numpy, scikit-learn
Instale as bibliotecas necessárias usando o seguinte comando:
```bash
pip install opencv-python numpy scikit-learn
Após a execução do script, os resultados serão impressos no console. A acurácia e a matriz de confusão indicarão o desempenho do modelo SVM na classificação das imagens de raio-X.
Se desejar experimentar outros descritores, edite a função extract_hu_moments
em Descry.py
. Considere explorar descritores como LBP (Local Binary Pattern) e testar diferentes configurações do SVM para otimizar o desempenho.
Um vídeo de apresentação do projeto, explicando o desenvolvimento, os resultados e a execução, está disponível aqui.