import io
import time
import torch
import numpy as np
import cv2
from fastapi import FastAPI, File, UploadFile
from PIL import Image
import uvicorn
from torchvision import transforms

# 🟢 Tạo FastAPI
app = FastAPI()

# 🟢 Kiểm tra GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 🟢 Tải model MiDaS
midas = torch.hub.load("isl-org/MiDaS", "DPT_Swin2_L_384")
midas.to(device)
midas.eval()

# 🟢 Chuẩn bị bộ tiền xử lý ảnh
transform = transforms.Compose([
    transforms.Resize((384, 384)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

@app.post("/analyze_path/")
async def analyze_path(file: UploadFile = File(...)):
    # 🟢 Đọc file ảnh từ ESP32
    image_bytes = await file.read()
    image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
    image_np = np.array(image)
    flipped_image = cv2.flip(image_np, -1)
    # 🔵 Resize và chuẩn hóa ảnh
    input_tensor = transform(flipped_image).unsqueeze(0).to(device)

    # 🟢 Dự đoán Depth Map với MiDaS
    start_time = time.time()
    with torch.no_grad():
        depth_map = midas(input_tensor)
    end_time = time.time()
    print(f"⏳ MiDaS xử lý trong {end_time - start_time:.4f} giây")

    # 🟢 Chuẩn hóa ảnh Depth Map
    depth_map = depth_map.squeeze().cpu().numpy()
    depth_map = (depth_map - depth_map.min()) / (depth_map.max() - depth_map.min()) * 255
    depth_map = depth_map.astype("uint8")

    # 🟢 Xử lý phát hiện đường đi
    start_detect_time = time.time()
    command = detect_path(depth_map)
    end_detect_time = time.time()
    print(f"⏳ detect_path() xử lý trong {end_detect_time - start_detect_time:.4f} giây")

    return {"command": command}

def detect_path(depth_map):
    """Phân tích đường đi từ ảnh Depth Map"""
    h, w = depth_map.shape
    center_x = w // 2
    scan_y = int(h * 0.8)  # Quét dòng 80% từ trên xuống

    left_region = np.mean(depth_map[scan_y, :center_x])
    right_region = np.mean(depth_map[scan_y, center_x:])
    center_region = np.mean(depth_map[scan_y, center_x - 40:center_x + 40])

    # 🟢 Cải thiện logic xử lý
    threshold = 100  # Ngưỡng phân biệt vật cản
    if center_region > threshold:
        return "forward"
    elif left_region > right_region:
        return "left"
    elif right_region > left_region:
        return "right"
    else:
        return "backward"

# 🟢 Chạy server FastAPI
if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=7860)