File size: 3,401 Bytes
f9c5997 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 |
import logging
import azure.functions as func
from PIL import Image
import io
import torch
import sys
from pathlib import Path
# A帽adir el directorio de los m贸dulos al sys.path
module_path = Path(__file__).parent / 'RMBG'
sys.path.append(str(module_path))
from briarmbg import BriaRMBG
from utilities import preprocess_image, postprocess_image
import numpy as np
app = func.FunctionApp(http_auth_level=func.AuthLevel.ANONYMOUS)
# Funci贸n para redimensionar la imagen manteniendo la relaci贸n de aspecto
def resize_image(image, target_width=1440, target_height=1440):
original_width, original_height = image.size
# Calcular la relaci贸n de aspecto original
aspect_ratio = original_width / original_height
# Calcular las nuevas dimensiones manteniendo la relaci贸n de aspecto
if aspect_ratio > 1: # Imagen horizontal
new_width = target_width
new_height = int(target_width / aspect_ratio)
else: # Imagen vertical
new_height = target_height
new_width = int(target_height * aspect_ratio)
# Redimensionar la imagen
resized_img = image.resize((new_width, new_height), Image.LANCZOS)
return resized_img
# Cargar el modelo una vez para reutilizarlo en futuras invocaciones
net = BriaRMBG()
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
net = BriaRMBG.from_pretrained("briaai/RMBG-1.4")
net.to(device)
net.eval()
@app.route(route="processimage")
def process_image(req: func.HttpRequest) -> func.HttpResponse:
logging.info('Python HTTP trigger function processed a request.')
try:
# Leer la imagen de entrada desde la solicitud
image_data = req.get_body()
input_image = Image.open(io.BytesIO(image_data))
# Redimensionar la imagen
resized_image = resize_image(input_image)
# Preparar la imagen redimensionada para el modelo
model_input_size = [1024, 1024]
image = preprocess_image(np.array(resized_image), model_input_size).to(device)
# Inferencia
result = net(image)
# Post-procesamiento
result_image = postprocess_image(result[0][0], input_image.size)
# Guardar el resultado
pil_im = Image.fromarray(result_image)
# Crear una nueva imagen en blanco
white_bg = Image.new("RGBA", (1440, 2560), (255, 255, 255, 255))
# Redimensionar la m谩scara para que coincida con las dimensiones de la imagen redimensionada
mask_resized = pil_im.resize(resized_image.size, Image.LANCZOS)
# Calcular la posici贸n para centrar la imagen en el fondo blanco
x_offset = (white_bg.width - resized_image.width) // 2
y_offset = white_bg.height - resized_image.height - 100
# Pegar la imagen sin fondo en el fondo blanco
white_bg.paste(resized_image, (x_offset, y_offset), mask=mask_resized)
# Convertir la imagen resultante a bytes para la respuesta HTTP
output_buffer = io.BytesIO()
white_bg.save(output_buffer, format="PNG")
output_buffer.seek(0)
return func.HttpResponse(output_buffer.read(), mimetype="image/png")
except Exception as e:
logging.error(f"Error processing the image: {e}")
return func.HttpResponse(f"Error processing the image: {e}", status_code=500)
|