You can deploy this model and start earning money today!

JoelRl/
analisis_computacional_tintas

Views

No views yet

Análisis computacional de tintas en manuscritos

Herramienta para caracterizar y comparar las tintas de manuscritos históricos a partir de imágenes digitalizadas. El flujo de trabajo binariza cada imagen con la red neuronal DP-LinkNet para aislar los píxeles de tinta, recorta el área de escritura y aplica tres análisis sobre los píxeles extraídos: valores RGB promedio con histogramas de color, descriptores de textura GLCM y descriptores LBP. Los resultados se agrupan mediante K-Means y se exportan como gráficos.

Requisitos

Python 3.8+ con las siguientes librerías:

opencv-python
numpy
matplotlib
pandas
scikit-learn
scikit-image
scipy
torch torchvision   # requiere PyTorch; con CUDA es considerablemente más rápido
gradio              # solo para la interfaz web

Instalación rápida:

pip install opencv-python numpy matplotlib pandas scikit-learn scikit-image scipy torch torchvision gradio

La binarización con DP-LinkNet requiere los pesos entrenados en DP-LinkNet-main/weights/. Ya están incluidos en el repositorio.

Uso

Interfaz de escritorio (Tkinter)

Atajo rápido (Windows)

Haz doble clic en launch.bat. Detecta automáticamente el entorno conda con CUDA y, si no lo encuentra, usa el Python disponible en el sistema.

Inicialización desde terminal

python app_gui.py

Añadir imágenes — usa el botón "Añadir imágenes" o "Añadir carpeta" para cargar los archivos PNG/JPG a analizar.
Seleccionar pasos — activa o desactiva: redimensionar, binarizar (DP-LinkNet), recortar bordes.
Seleccionar análisis — RGB + histogramas, GLCM, LBP (pueden combinarse libremente).
Configurar clustering — ajusta el rango de k y los valores finales por análisis.
Pulsa Ejecutar análisis. Los gráficos se guardan en resultados/<timestamp>/ y se pueden abrir con el botón "Ver resultados".

En la primera ejecución la aplicación detecta automáticamente el entorno Python con PyTorch disponible. Si la detección falla, selecciona el ejecutable manualmente en el panel de opciones.

Interfaz web (Gradio)

python app_gradio.py

Se abre un navegador en http://localhost:7860. Sube las imágenes, configura las opciones en el panel izquierdo y pulsa Ejecutar análisis. Los gráficos aparecen en la galería de resultados.

Esta interfaz también es compatible con despliegue en Hugging Face Spaces.

Estructura del proyecto

├── app_gui.py                  # Interfaz de escritorio
├── app_gradio.py               # Interfaz web
├── DP-LinkNet-main/
│   ├── networks/dplinknet.py   # Arquitectura de la red
│   ├── weights/                # Pesos entrenados (DIBCO, Bickley Diary)
│   └── binarize_compat.py      # Script de binarización
└── resultados/                 # Gráficos generados (creado en ejecución)

JoelRl/analisis_computacional_tintas