import cv2,os
data_path='/content/drive/MyDrive/Knee-project/Knee-Dataset/'
categories=os.listdir(data_path)
labels=[i for i in range(len(categories))]
label_dict=dict(zip(categories,labels)) #دیکشنری خالی
print(label_dict)
print(categories)
print(labels)

img_size=256
data=[]
label=[]
for category in categories:
folder_path=os.path.join(data_path,category)
img_names=os.listdir(folder_path)
for img_name in img_names:
img_path=os.path.join(folder_path,img_name)
img=cv2.imread(img_path)
try:
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
resized=cv2.resize(gray,(img_size,img_size))
# تغییر اندازه تصویر به ۲۵۶ x 256، زیرا ما به یک اندازه مشترک ثابت برای همه تصاویر در مجموعه داده نیاز داریم
data.append(resized)
label.append(label_dict[category])
# اضافه کردن تصویر و برچسب (دسته بندی شده) به لیست (مجموعه داده)
except Exception as e:
print('Exception:',e)
#اگر استثنایی مطرح شود، استثنا در اینجا چاپ می شود. و به تصویر می رود

import numpy as np
data=np.array(data)/255.0
data=np.reshape(data,(data.shape[0],img_size,img_size,1))
label=np.array(label)
from keras.utils import np_utils
new_label=np_utils.to_categorical(label)

from keras.models import Sequential
from keras.layers import Dense,Activation,Flatten,Dropout
from keras.layers import Conv2D,MaxPooling2D
from keras.callbacks import ModelCheckpoint
model=Sequential()
model.add(Conv2D(128,(3,3),input_shape=data.shape[1:]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
# اولین لایه CNN به دنبال لایه های Relu و MaxPooling
model.add(Conv2D(64,(3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
# لایه کانولوشن دوم به دنبال لایه های Relu و MaxPooling
model.add(Conv2D(32,(3,3)))
model.add(Conv2D(32,(3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
# لایه پیچیدگی سوم به دنبال لایه های Relu و MaxPooling
model.add(Flatten())
# لایه را صاف کنید تا پیچ های خروجی از لایه کانولوشن سوم روی هم قرار گیرند

model.add(Dropout(0.2))
model.add(Dense(128,activation='relu'))
# لایه متراکم از ۱۲۸ نورون
model.add(Dropout(0.1))
model.add(Dense(64,activation='relu'))
# لایه متراکم از ۶۴ نورون
model.add(Dense(5,activation='softmax'))
# لایه نهایی با دو خروجی برای دو دسته
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(data,new_label,test_size=0.1)
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
for i in range(20):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(np.squeeze(x_test[i]))
plt.xlabel(categories[np.argmax(y_test[i])])
plt.show()

history=model.fit(x_train,y_train,epochs=100,validation_split=0.2)

model.save('model.h5')
from matplotlib import pyplot as plt
# ترسیم دقت و خطای مدل اموزش
N = 100 #تعداد دورهای مدل
plt.style.use("ggplot")
plt.figure()
plt.plot(np.arange(0, N), history.history["loss"], label="train_loss")
plt.plot(np.arange(0, N), history.history["val_loss"], label="val_loss")
plt.plot(np.arange(0, N), history.history["accuracy"], label="train_acc")
plt.plot(np.arange(0, N), history.history["val_accuracy"], label="val_acc")
plt.title("Training Loss and Accuracy")
plt.xlabel("Epoch #")
plt.ylabel("Loss/Accuracy")
plt.legend(loc="center right")
plt.savefig("CNN_Model")
vaL_loss, val_accuracy= model.evaluate(x_test, y_test, verbose=0)
print("test loss:", vaL_loss,'%')
print("test accuracy:", val_accuracy,"%")
X = 32

img_size = 256
img_single = x_test[X]
img_single = cv2.resize(img_single, (img_size, img_size))
img_single = (np.expand_dims(img_single, 0))
img_single = img_single.reshape(img_single.shape[0],256,256,1)
predictions_single = model.predict(img_single)
print('A.I predicts:',categories[np.argmax(predictions_single)])
print("Correct prediction for label",np.argmax(y_test[X]),'is',categories[np.argmax(y_test[X])])
plt.imshow(np.squeeze(img_single))
plt.grid(False)
plt.show()

from sklearn.metrics import confusion_matrix
from mlxtend.plotting import plot_confusion_matrix
test_labels = np.argmax(y_test, axis=1)
predictions = model.predict(x_test)
predictions = np.argmax(predictions, axis=-1)
cm = confusion_matrix(test_labels, predictions)
plt.figure()
plot_confusion_matrix(cm,figsize=(12,8), hide_ticks=True,cmap=plt.cm.Blues)
plt.xticks(range(5), ['Normal','Doubtful','Mid','Moderate','Severe'], fontsize=16)
plt.yticks(range(5), ['Normal','Doubtful','Mid','Moderate','Severe'], fontsize=16)
plt.show()