from fastapi import FastAPI, UploadFile, File
import tensorflow as tf
import numpy as np
import cv2
import io
import tempfile


app = FastAPI()

# Load model Keras
model = tf.keras.models.load_model("lontara_model_finetuning.keras")

# Label kelas sesuai model
labels = [
    "Tu", "He", "We", "No", "Mu", "Bu", "Ji", "Jo", "I", "Nro", "Cu", "Na", "Bo", "Yi", "Se", "Nyi",
    "So", "Wa", "Ko", "Ge", "E", "Yo", "Ngu", "Ra", "Wo", "Ta", "Pe", "Nra", "Da", "Ci", "Lo", "Nci",
    "U", "Ro", "Mo", "Nre", "Du", "Be", "Mpu", "Hu", "Ne", "Nyo", "Ncu", "Su", "Ju", "Gu", "Nu", "Di",
    "Nri", "Gi", "Co", "Nca", "Ri", "Si", "Ja", "Bi", "Ke", "Wu", "Nki", "Te", "Go", "Ya", "Nku", "Pu",
    "Nka", "Ba", "Mpe", "A", "Nya", "Me", "Nge", "Mpa", "Ma", "Mpi", "O", "Mi", "Re", "Po", "Ti", "Je",
    "Nco", "Pa", "Ho", "Nko", "Ce", "Li", "Nke", "Ru", "Ca", "Ke_", "Do", "Ga", "Mpo", "Nye", "Nru", "Nga",
    "Lu", "Pi", "Ku", "Ni", "Nce", "Le", "Ngo", "De", "Ki", "Wi", "Hi", "Ye", "Ngi", "Ka", "Nyu", "La",
    "Ha", "Sa"
]

@app.get("/")
def home():
    return {"message": "Aksara Lontara API is running"}

@app.post("/predict")
async def predict(file: UploadFile = File(...)):
    # Simpan file gambar sementara
    temp = tempfile.NamedTemporaryFile(delete=False, suffix=".jpg")
    temp.write(await file.read())
    temp.close()

    # Baca gambar menggunakan OpenCV
    image = cv2.imread(temp.name)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # Thresholding untuk mempermudah deteksi huruf
    _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

    # Temukan kontur huruf
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # Urutkan kontur dari kiri ke kanan
    contours = sorted(contours, key=lambda c: cv2.boundingRect(c)[0])

    # Loop untuk memotong dan klasifikasi tiap huruf
    hasil_klasifikasi = []
    for contour in contours:
        x, y, w, h = cv2.boundingRect(contour)
        huruf = gray[y:y+h, x:x+w]

        # Resize ke ukuran model
        huruf = cv2.resize(huruf, (128, 128))
        huruf = np.array(huruf) / 255.0
        huruf = huruf.reshape(1, 128, 128, 1)

        # Prediksi
        prediction = model.predict(huruf)
        label = labels[np.argmax(prediction)]
        hasil_klasifikasi.append(label)

    # Gabungkan hasil klasifikasi menjadi teks akhir
    hasil_teks = "".join(hasil_klasifikasi)

    return {"prediction": hasil_teks}