app.py

# -*- coding: utf-8 -*-

# Commented out IPython magic to ensure Python compatibility.




import os
import supervision as sv
from PIL import Image, ImageFilter
import numpy as np
import cv2
import pycocotools.mask as mask_util

from fastapi import FastAPI, File, UploadFile, Form
from fastapi.middleware.cors import CORSMiddleware
from fastapi.responses import FileResponse, HTMLResponse
import shutil
import json
from pathlib import Path
import nest_asyncio
import uvicorn
from pyngrok import ngrok
from diffusers import StableDiffusionInpaintPipeline
import torch
from simple_lama_inpainting import SimpleLama
from sklearn.cluster import (
    KMeans, AgglomerativeClustering, DBSCAN, MiniBatchKMeans, Birch,
    SpectralClustering, MeanShift, OPTICS
)
from sklearn.decomposition import PCA
from sklearn.metrics import silhouette_score
from sklearn.neighbors import KNeighborsClassifier
from torchvision import transforms
import threading
import concurrent.futures
from typing import Tuple
from types import SimpleNamespace
import subprocess
import uuid
from datetime import datetime
from ultralytics import YOLO
import math
import numpy as np
import matplotlib.pyplot as plt

#この下のコードは特定の領域をマスクしないタイプのコード
import uuid
from datetime import datetime



import cv2
import numpy as np
from datetime import datetime
from ultralytics import YOLO
from PIL import Image
app = FastAPI()
# CORSミドルウェアの追加
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],  # ここを適切なオリジンに設定することもできます
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)


HOME = "./"

dangerarray=[10,30,90,50,80,20,40,70,100,60]#ここに各クラスターの危険度を設定しておく
#ここで認識する精度を上げたり下げたりできる

thresholds = {
    'text': 0.1,
    'name tag': 0.1,
    'license plate': 0.3,
    'Mail': 0.3,
    'Documents': 0.3,
    'QR codes': 0.4,
    'barcodes': 0.4,
    'map': 0.5,
    'digital screens': 0.6,
    'information board': 0.5,
    'signboard': 0.3,
    'poster': 0.8,
    'sign': 0.3,
    'logo': 0.3,
    'card': 0.4,
    'window': 0.2,
    'mirror': 0.2,
    'Famous landmark': 0.7,
    'cardboard': 0.6,
    'manhole': 0.6,
    'utility pole': 0.7
}

'''

'''

# Define paths

CONFIG_PATH = os.path.join(HOME, "GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py")
WEIGHTS_NAME = "groundingdino_swint_ogc.pth"
WEIGHTS_PATH = os.path.join(HOME, "weights", WEIGHTS_NAME)
from PIL import Image

def is_bright(pixel):
    # ピクセルの輝度を計算して明るさを判定する
    r, g, b = pixel
    brightness = (0.299 * r + 0.587 * g + 0.114 * b)  # 輝度の計算
    return brightness > 127  # 閾値を127に設定

def analyze_mask_brightness(original_image_path, mask_image_path):
    # 画像を開く
    original_img = Image.open(original_image_path).convert('RGB')
    mask_img = Image.open(mask_image_path).convert('L')  # グレースケールに変換

    width, height = original_img.size

    if mask_img.size != (width, height):
        print("エラー: マスク画像と元画像のサイズが一致していません。")
        return

    # 明るいピクセルと暗いピクセルのカウント
    bright_count = 0
    dark_count = 0

    for y in range(height):
        for x in range(width):
            mask_value = mask_img.getpixel((x, y))
            if mask_value > 127:  # マスクが白（対象領域）ならば
                pixel = original_img.getpixel((x, y))
                if is_bright(pixel):
                    bright_count += 1
                else:
                    dark_count += 1

    # 明るさの結果を判定
    brightness_result = 1 if bright_count > dark_count else 2

    return brightness_result

def classify_mask_size(mask_image_path, small_threshold, medium_threshold, large_threshold):
    # マスク画像を開く
    mask_img = Image.open(mask_image_path).convert('L')  # グレースケールに変換

    width, height = mask_img.size
    total_pixels = width * height
    white_pixel_count = 0

    # マスク画像の白いピクセルをカウント
    for y in range(height):
        for x in range(width):
            mask_value = mask_img.getpixel((x, y))
            if mask_value > 127:  # 白いピクセルと判断
                white_pixel_count += 1

    # 白いピクセルの割合を計算
    mask_area_ratio = (white_pixel_count / total_pixels) * 100

    # マスクサイズを分類
    if mask_area_ratio <= small_threshold:
        size_category = 1  # すごく小さい
    elif mask_area_ratio <= medium_threshold:
        size_category = 2  # 小さい
    elif mask_area_ratio <= large_threshold:
        size_category = 3  # 大きい
    else:
        size_category = 4  # すごく大きい

    return size_category

def analyze_mask_combined(original_image_path, mask_image_path, small_threshold, medium_threshold, large_threshold):
    # マスクの大きさを判定
    size_category = classify_mask_size(mask_image_path, small_threshold, medium_threshold, large_threshold)

    # マスク部分の明るさを判定
    brightness_result = analyze_mask_brightness(original_image_path, mask_image_path)

    # 結果を出力
    size_text = {1: "すごく小さい", 2: "小さい", 3: "大きい", 4: "すごく大きい"}
    print(f"マスクの大きさ: {size_text[size_category]} ({size_category})")
    print(f"マスクの明るさ: {brightness_result}")
    result={
            'size':size_category,
            'brightness':brightness_result
            }
    return result



#この下で消去対象を決定
def decide_to_object(risk_level):
    '''
    tex = [
        'text','Name tag', 'License plate', 'Mail', 'Documents', 'QR codes',
        'barcodes', 'Map', 'Digital screens', 'information board',
        'signboard', 'poster', 'sign', 'utility pole'

    ]
    '''
    tex = [
        'text', 'License plate', 'Digital screens',
        'signboard', 'poster', 'sign', 'logo', 'card', 'window', 'mirror',
        'Famous landmark', 'cardboard', 'manhole', 'utility pole'

    ]


    #この配列の要素の順番を変えると消える順番が変わる。
    risk_level = int(risk_level / 20)*(len(tex)/10)#個数決定(1/2)
    return tex[:int(risk_level)+1]

def create_mask(image, x1, y1, x2, y2):
    # Create a black image with the same size as the input image
    mask = np.zeros((image.shape[0], image.shape[1]), dtype=np.uint8)

    # Draw a white rectangle on the mask where the object is located
    cv2.rectangle(mask, (int(x1), int(y1)), (int(x2), int(y2)), 255, -1)

    return mask


def special_process_image_yolo(risk_level, image_path, point1, point2, thresholds=None):
    # デバイスの確認
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print(f"Using device: {device}")
    
    # モデルファイルのパス
    model_path = './1026.pt'
    
    # モデルファイルの存在確認
    if not os.path.isfile(model_path):
        raise FileNotFoundError(f"モデルファイル '{model_path}' が見つかりません。パスを確認してください。")
    
    # YOLOv8モデルをロードし、指定デバイスに移動
    model = YOLO(model_path).to(device)
    print("モデルが正常にロードされ、デバイスに移動しました。")

    # タイムスタンプを作成
    timestamp = datetime.now().strftime("%Y%m%d%H%M%S")

    # リスクレベルに基づいた減衰率の計算
    def logistic_decay(risk_level, k=0.1, r0=50):
        return 1 / (1 + np.exp(-k * (risk_level - r0)))

    decay_factor = logistic_decay(risk_level)
    adjusted_thresholds = {key: max(value - decay_factor + 0.8, 0.01) / 2 for key, value in (thresholds or {}).items()}

    # 画像の読み込みとRGB変換
    image = cv2.imread(image_path)
    image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

    # 推論実行
    results = model(image_rgb)

    # 初期化したマスク画像
    mask = np.zeros(image.shape[:2], dtype=np.uint8)

    # 各検出結果に基づきマスク作成
    for box in results[0].boxes:
        x1, y1, x2, y2 = map(int, box.xyxy[0])
        confidence = box.conf[0]
        class_id = box.cls[0]
        object_type = model.names[int(class_id)]

        # クラス名に基づいたしきい値
        threshold = adjusted_thresholds.get(object_type, 0.5)
        if confidence >= threshold:
            mask[y1:y2, x1:x2] = 255  # ボックス領域を白に設定

    # 絶対座標に変換した点の範囲を黒に設定
    p1_x, p1_y = int(point1[0] * image.shape[1]), int(point1[1] * image.shape[0])
    p2_x, p2_y = int(point2[0] * image.shape[1]), int(point2[1] * image.shape[0])
    x_min, y_min = max(0, min(p1_x, p2_x)), max(0, min(p1_y, p2_y))
    x_max, y_max = min(image.shape[1], max(p1_x, p2_x)), min(image.shape[0], max(p1_y, p2_y))
    mask[y_min:y_max, x_min:x_max] = 0  # 範囲を黒に設定

    # デバッグ用に白い長方形を描画
    debug_image = image_rgb.copy()
    cv2.rectangle(debug_image, (x_min, y_min), (x_max, y_max), (255, 255, 255), 2)

    # デバッグ画像とマスク画像を保存
    save_dir = "./saved_images"
    os.makedirs(save_dir, exist_ok=True)
    debug_image_pil = Image.fromarray(debug_image)
    debug_image_path = os.path.join(save_dir, f"debug_image_with_rectangle_{timestamp}.jpg")
    debug_image_pil.save(debug_image_path)

    mask_image_pil = Image.fromarray(mask)
    mask_image_path = os.path.join(save_dir, f"final_mask_{timestamp}.jpg")
    mask_image_pil.save(mask_image_path)

    print(f"デバッグ画像が {debug_image_path} に保存されました。")
    print(f"マスク画像が {mask_image_path} に保存されました。")

    return mask_image_path


def convert_image_format(input_path, output_format="png"):
    """
    画像をJPGからPNGまたはPNGからJPGに変換する関数。

    Parameters:
    - input_path: 変換したい元画像のパス
    - output_format: 出力形式 ("png" または "jpg" を指定、デフォルトは "png")

    Returns:
    - output_path: 変換された画像の出力パス
    """
    # サポートされているフォーマットかを確認
    if output_format not in ["png", "jpg", "jpeg"]:
        raise ValueError("サポートされている出力形式は 'png' または 'jpg' です。")

    # 画像の読み込み
    image = cv2.imread(input_path)
    if image is None:
        raise ValueError(f"画像が見つかりません: {input_path}")

    # 出力パスの生成
    base_name = os.path.splitext(os.path.basename(input_path))[0]
    output_path = f"{base_name}.{output_format}"

    # 画像の保存
    if output_format == "png":
        cv2.imwrite(output_path, image, [cv2.IMWRITE_PNG_COMPRESSION, 9])  # PNG形式で最高圧縮率
    else:
        cv2.imwrite(output_path, image, [cv2.IMWRITE_JPEG_QUALITY, 90])    # JPG形式で高画質

    return output_path


def mosaic_image_with_mask(image_path, mask_path, output_path, mosaic_level=15):
    """
    マスク画像を使用して元画像の指定領域にモザイクをかける関数。
    Parameters:
    - image_path: 元画像のパス
    - mask_path: モザイクをかけたい領域を白、その他を黒としたマスク画像のパス
    - output_path: モザイク処理結果の出力パス
    - mosaic_level: モザイクの強さ（値が大きいほど粗いモザイクになる）
    Returns:
    - output_path: モザイク処理された画像の出力パス
    """
    # 画像とマスクを読み込み
    image = cv2.imread(image_path)
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)

    # 画像とマスクの読み込みチェック
    if image is None:
        raise ValueError(f"元画像が見つかりません: {image_path}")
    if mask is None:
        raise ValueError(f"マスク画像が見つかりません: {mask_path}")

    # マスク画像が元画像と同じサイズでない場合、リサイズ
    if image.shape[:2] != mask.shape[:2]:
        print(f"マスク画像のサイズを元画像に合わせてリサイズします: {mask.shape} -> {image.shape[:2]}")
        mask = cv2.resize(mask, (image.shape[1], image.shape[0]))

    # モザイクをかける領域を抽出
    mosaic_area = cv2.bitwise_and(image, image, mask=mask)

    # モザイク処理
    small = cv2.resize(mosaic_area, (image.shape[1] // mosaic_level, image.shape[0] // mosaic_level), interpolation=cv2.INTER_LINEAR)
    mosaic = cv2.resize(small, (image.shape[1], image.shape[0]), interpolation=cv2.INTER_NEAREST)

    # マスクを使って元画像にモザイク部分を合成
    mosaic_result = cv2.bitwise_and(mosaic, mosaic, mask=mask)
    image_no_mosaic = cv2.bitwise_and(image, image, mask=cv2.bitwise_not(mask))
    result_image = cv2.add(image_no_mosaic, mosaic_result)

    # モザイク処理結果を保存
    cv2.imwrite(output_path, result_image)

    return output_path


#この下は、openCV
def inpaint_image_with_mask(image_path, mask_path, output_path, inpaint_radius=5, inpaint_method=cv2.INPAINT_TELEA):
    """
    マスク画像を使用して元画像のインペイントを行う関数。

    Parameters:
    - image_path: 元画像のパス
    - mask_path: マスク画像のパス（修復したい領域が白、その他が黒）
    - output_path: インペイント結果の出力パス
    - inpaint_radius: インペイントの半径（デフォルトは5）
    - inpaint_method: インペイントのアルゴリズム（デフォルトはcv2.INPAINT_TELEA）

    Returns:
    - inpainted_image: インペイントされた画像
    """
    # 画像とマスクを読み込み
    image = cv2.imread(image_path)
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)  # マスクはグレースケールで読み込み

    # マスク画像が正常に読み込めたかチェック
    if image is None:
        raise ValueError(f"元画像が見つかりません: {image_path}")
    if mask is None:
        raise ValueError(f"マスク画像が見つかりません: {mask_path}")

    # マスク画像が元画像と同じサイズでない場合、リサイズ
    if image.shape[:2] != mask.shape[:2]:
        print(f"マスク画像のサイズを元画像に合わせてリサイズします: {mask.shape} -> {image.shape[:2]}")
        mask = cv2.resize(mask, (image.shape[1], image.shape[0]))

    # インペイント処理
    inpainted_image = cv2.inpaint(image, mask, inpaint_radius, inpaint_method)

    # インペイント結果を保存
    cv2.imwrite(output_path, inpainted_image)

    return  output_path


def stamp_image_with_mask(base_image_path, mask_path,output_path,stamp_image_path='./main.png'):
    """
    マスク画像を使用して元画像に別の画像を埋め込む関数。

    Parameters:
    - base_image_path: 元画像のパス
    - mask_path: マスク画像のパス（埋め込みたい領域が白、その他が黒）
    - embed_image_path: 埋め込み用画像のパス
    - output_path: 結果の出力パス

    Returns:
    - output_path: 埋め込み処理された画像の出力パス
    """
    # 画像とマスクを読み込み
    base_image = cv2.imread(base_image_path)
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)
    embed_image = cv2.imread(stamp_image_path)

    # 画像が正常に読み込めたかチェック
    if base_image is None:
        raise ValueError(f"元画像が見つかりません: {base_image_path}")
    if mask is None:
        raise ValueError(f"マスク画像が見つかりません: {mask_path}")
    if embed_image is None:
        raise ValueError(f"埋め込み用画像が見つかりません: {stamp_image_path}")

    # マスク画像と埋め込み画像を元画像と同じサイズにリサイズ
    if base_image.shape[:2] != mask.shape[:2]:
        print(f"マスク画像のサイズを元画像に合わせてリサイズします: {mask.shape} -> {base_image.shape[:2]}")
        mask = cv2.resize(mask, (base_image.shape[1], base_image.shape[0]))
    if base_image.shape[:2] != embed_image.shape[:2]:
        print(f"埋め込み画像のサイズを元画像に合わせてリサイズします: {embed_image.shape[:2]} -> {base_image.shape[:2]}")
        embed_image = cv2.resize(embed_image, (base_image.shape[1], base_image.shape[0]))

    # マスク領域に埋め込み画像を配置
    embedded_image = base_image.copy()
    embedded_image[mask == 255] = embed_image[mask == 255]

    # 結果を保存
    cv2.imwrite(output_path, embedded_image)

    return output_path
import torch
from PIL import Image, ImageFilter
import numpy as np
from simple_lama_inpainting import SimpleLama

def inpaint_image_with_mask1(img_path, mask_path, output_path, resize_factor=0.5):
    print('lama')
    
    # GPUが利用可能か確認
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

    # 画像とマスクを読み込み
    image = Image.open(img_path).convert("RGB")  # 画像をRGBに変換
    mask = Image.open(mask_path).convert('L')  # マスクをグレースケールに変換
    
    # 画像とマスクのサイズを合わせる
    mask = mask.resize(image.size, Image.NEAREST)
    
    # マスクのエッジをぼかす (Gaussian Blur)
    blurred_mask = mask.filter(ImageFilter.GaussianBlur(radius=3))  # 半径3ピクセルでぼかし

    # SimpleLama インスタンスを作成
    simple_lama = SimpleLama()

    # 画像とマスクをNumPy配列に変換
    image_np = np.array(image)
    mask_np = np.array(blurred_mask) / 255.0  # マスクを0-1範囲にスケーリング
    
    # 入力画像とマスクをSimpleLamaに渡してインペイント
    inpainted_np = simple_lama(image_np, mask_np)  # NumPy配列を渡す

    # 結果を画像として保存
    result_image = Image.fromarray(np.uint8(inpainted_np))  # NumPy array -> PIL Image

    # 出力画像をリサイズ
    new_size = (int(result_image.width * resize_factor), int(result_image.height * resize_factor))
    result_image = result_image.resize(new_size, Image.ANTIALIAS)

    # 結果を保存
    result_image.save(output_path)
    print(f"Inpainted image saved at {output_path}")
    return output_path


















# 保存先のディレクトリを指定
SAVE_DIR = Path("./saved_images")
SAVE_DIR.mkdir(parents=True, exist_ok=True)

def save_image(file, filename):
    """画像ファイルを指定ディレクトリに保存"""
    filepath = SAVE_DIR / filename
    with open(filepath, "wb") as buffer:
        shutil.copyfileobj(file, buffer)
    return filepath

@app.post("/create-mask-and-inpaint-opencv")
async def create_mask_and_inpaint_opencv(image: UploadFile = File(...), risk_level: int = Form(...)):
    point1 = (0.00000000000002, 0.00000000000002)
    point2 = (0.00000000000001, 0.00000000000001)
    input_path = save_image(image.file, "input.jpg")
    mask_path =  special_process_image_yolo(risk_level, input_path, point1, point2, thresholds)

    output_path = SAVE_DIR / "output_opencv.jpg"
    # OpenCVでインペイント
    inpaint_image_with_mask(input_path, mask_path, output_path)

    return FileResponse(output_path)
@app.post("/create-mask-and-inpaint-mosaic")
async def create_mask_and_inpaint_opencv(image: UploadFile = File(...), risk_level: int = Form(...)):
    point1 = (0.00000000000002, 0.00000000000002)
    point2 = (0.00000000000001, 0.00000000000001)
    input_path = save_image(image.file, "input.jpg")
    mask_path =  special_process_image_yolo(risk_level, input_path, point1, point2, thresholds)

    output_path = SAVE_DIR / "output_opencv.jpg"
    # OpenCVでインペイント
    mosaic_image_with_mask(input_path, mask_path, output_path)

    return FileResponse(output_path)
@app.post("/create-mask-and-inpaint-stamp")
async def create_mask_and_inpaint_opencv(image: UploadFile = File(...), risk_level: int = Form(...)):
    point1 = (0.00000000000002, 0.00000000000002)
    point2 = (0.00000000000001, 0.00000000000001)
    input_path = save_image(image.file, "input.jpg")
    mask_path =  special_process_image_yolo(risk_level, input_path, point1, point2, thresholds)

    output_path = SAVE_DIR / "output_opencv.jpg"
    # OpenCVでインペイント
    stamp_image_with_mask(input_path, mask_path, output_path)

    return FileResponse(output_path)






@app.post("/create-mask-and-inpaint-simple-lama")
async def create_mask_and_inpaint_simple_lama(image: UploadFile = File(...), risk_level: int = Form(...)):
    input_path = save_image(image.file, "input.jpg")
    point1 = (0.00000000000002, 0.00000000000002)
    point2 = (0.00000000000001, 0.00000000000001)
    mask_path =  special_process_image_yolo(risk_level, input_path, point1, point2, thresholds)
    output_path = SAVE_DIR / "output_simple_lama.jpg"
    # SimpleLamaでインペイント
    inpaint_image_with_mask1(input_path, mask_path, output_path, resize_factor=1)

    return FileResponse(output_path)


#下のendpointは特定領域をマスクしないタイプのもの


#下記はDeepFillv2
























# ベクトル化対象のオブジェクトリスト
TEXT_PROMPTS = [
     'text','Name tag', 'License plate', 'Mail', 'Documents', 'QR codes',
        'barcodes', 'Map', 'Digital screens', 'information board',
        'signboard', 'poster', 'sign', 'logo', 'card', 'window', 'mirror',
        'Famous landmark', 'cardboard', 'manhole', 'utility pole'
]
BOX_THRESHOLD = 0.3
TEXT_THRESHOLD = 0.3

# クラスタリング結果をJSONファイルから読み込む関数
def load_sums_from_json(filepath):
    with open(filepath, 'r') as json_file:
        sums = json.load(json_file)
    return sums

# ベクトルデータをJSONファイルから読み込む関数
def load_vectors_from_json(filepath):
    with open(filepath, 'r') as json_file:
        data = json.load(json_file)
    return data

# 新しい画像を分類する関数
def classify_new_image(new_image_vector, sums_data, loaded_vectors, loaded_object_names, k=1):
    cluster_centers = []
    for cluster in sums_data:
        indices = [loaded_object_names.index(obj_name) for obj_name in cluster]
        cluster_vectors = np.array([loaded_vectors[obj_name] for obj_name in cluster])
        cluster_center = np.mean(cluster_vectors, axis=0)
        cluster_centers.append(cluster_center)

    knn = KNeighborsClassifier(n_neighbors=k)
    knn.fit(cluster_centers, range(len(cluster_centers)))

    new_image_label = knn.predict([new_image_vector])
    return new_image_label[0]

import torch
import cv2
import numpy as np
from ultralytics import YOLO  # YOLOv8ライブラリ

def process_image_vec(image_path):
    # GPUを使用できるか確認
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print(device)
    # YOLOv8モデルをロードし、GPUに移動
    model = YOLO('./1026.pt')  # モデルのパスを指定
    model.to(device)  # モデルをGPUに移動

    # 初期化
    object_vector = np.zeros(len(TEXT_PROMPTS))

    # 画像の読み込み
    image = cv2.imread(image_path)
    image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

    # YOLOで推論を実行
    results = model(image_rgb)  # 推論を実行

    # 各プロンプトごとに確認
    for i, text_prompt in enumerate(TEXT_PROMPTS):
        prompt_sum = 0  # 各プロンプトに対応するスコアの合計

        for box in results[0].boxes:
            class_id = int(box.cls[0])
            confidence = box.conf[0]
            detected_class = model.names[class_id]

            # 検出クラス名とテキストプロンプトの一致を確認
            if text_prompt.lower() == detected_class.lower():
                prompt_sum += confidence  # クラスが一致した場合、信頼度を加算

        # object_vectorにスコアを格納
        object_vector[i] = prompt_sum

    print(object_vector)
    return object_vector.tolist()





# APIのエンドポイント
@app.post("/classify-image/")
async def classify_image(file: UploadFile = File(...)):
    image_path = "./temp_image.jpg"

    # アップロードされた画像を保存
    with open(image_path, "wb") as buffer:
        buffer.write(await file.read())

    # 画像をベクトル化
    new_image_vector = process_image_vec(image_path)

    # JSONファイルからデータを読み込む
    json_filepath = "./output_vectors.json"
    loaded_data = load_vectors_from_json(json_filepath)
    loaded_vectors = {obj_name: np.array(vector) for obj_name, vector in loaded_data.items()}
    loaded_object_names = list(loaded_vectors.keys())

    # 既存のクラスタリング結果を読み込む
    sums_data = load_sums_from_json("./sums_data.json")

    # 新しい画像がどのクラスタに分類されるかを判定
    new_image_cluster = classify_new_image(new_image_vector, sums_data, loaded_vectors, loaded_object_names)

    return {"danger":dangerarray[int(new_image_cluster + 1)]}#バグったらここを＋にして


@app.post("/create-mask-and-inpaint-simple-lama-special")
async def create_mask_and_inpaint_simple_lama(
    image: UploadFile = File(...),
    risk_level: int = Form(...),
    x1: float = Form(...),
    y1: float = Form(...),
    x2: float = Form(...),
    y2: float = Form(...),
):
    # Extract points from the form data
    point1 = [x1, y1]
    point2 = [x2, y2]

    # Save the input image
    input_path = save_image(image.file, "input.jpg")
    print('1111',point1,point2)
    # Create a mask image (using the new process_image function)
    mask_path = special_process_image_yolo(risk_level, input_path, point1, point2,thresholds=thresholds)

    # Define the output path for the inpainted image
    output_path = "./output_simple_lama.jpg"

    # Perform inpainting with SimpleLama
    inpaint_image_with_mask1(input_path, mask_path, output_path, resize_factor=1)

    # Return the resulting image as a response
    return FileResponse(output_path, media_type="image/jpeg", filename="output_simple_lama.jpg")




from PIL import Image

def resize_mask_to_match(image_path, mask_path):
    # オリジナル画像とマスク画像を読み込む
    original_image = Image.open(image_path)
    mask_image = Image.open(mask_path)

    # マスク画像をオリジナル画像のサイズにリサイズ
    resized_mask = mask_image.resize(original_image.size)

    # マスク画像を上書き保存
    resized_mask.save(mask_path)

@app.post("/create-mask-and-inpaint-sum")
async def create_mask_sum(image: UploadFile = File(...), risk_level: int = Form(...),
    x1: float = Form(...),
    y1: float = Form(...),
    x2: float = Form(...),
    y2: float = Form(...),):
    default_x = 0.001
    default_y = 0.001


    point1 = [default_x if math.isnan(x1) else x1, default_y if math.isnan(y1) else y1]

    point2 = [default_x if math.isnan(x2) else x2, default_y if math.isnan(y2) else y2]


    input_path = save_image(image.file, "input.jpg")
    mask_path = special_process_image_yolo(risk_level, input_path, point1, point2,thresholds=thresholds)
    # 現在のタイムスタンプを生成
    timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
    # 一意な識別子を生成
    unique_id = uuid.uuid4().hex
    output_path = f"./output_simple_lama_{timestamp}_{unique_id}.jpg"

    # OpenCVでインペイント
    inpaint_image_with_mask1(input_path, mask_path, output_path)

    return FileResponse(output_path)



@app.get("/", response_class=HTMLResponse)
async def read_root():
    html_content = """
<!DOCTYPE html>
<html lang="ja">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>画像処理アプリ</title>
    <!-- Bootstrap CSS -->
    <link href="https://stackpath.bootstrapcdn.com/bootstrap/4.5.2/css/bootstrap.min.css" rel="stylesheet">
    <!-- jQuery UI CSS -->
    <link rel="stylesheet" href="https://code.jquery.com/ui/1.12.1/themes/base/jquery-ui.css">
    <link href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/5.15.4/css/all.min.css" rel="stylesheet">
    <style>
        body {
            background-color: #f0f0f5;
            color: #333;
            text-align: center;
            padding: 40px 20px;
        }
        h1 {
            color: #555;
            margin-bottom: 30px;
            font-weight: bold;
        }
        .image-preview, .processed-preview {
            max-width: 100%;
            height: auto;
            border-radius: 10px;
            box-shadow: 0 4px 15px rgba(0, 0, 0, 0.2);
            margin-top: 20px;
        }
        #result {
            margin-top: 40px;
            display: none;
        }
        .slider-container {
            text-align: left;
            margin-top: 20px;
        }
        .slider-label {
            font-size: 1.2rem;
            color: #333;
        }
        #slider {
            margin-top: 10px;
        }
        .btn-primary {
            background-color: #007bff;
            border-color: #007bff;
            font-size: 1.2rem;
            padding: 10px 20px;
            border-radius: 50px;
        }
        .btn-primary:hover {
            background-color: #0056b3;
            border-color: #004085;
        }
        .form-control, .custom-select {
            border-radius: 20px;
            box-shadow: 0 2px 5px rgba(0, 0, 0, 0.1);
        }
        .form-control-file {
            font-size: 1rem;
        }
        .form-group {
            margin-bottom: 25px;
        }
        .btn-success {
            padding: 10px 20px;
            border-radius: 50px;
        }
    </style>
</head>
<body>
    <div class="container">
        <h1><i class="fas fa-image"></i> 画像処理アプリ - モザイクとインペイント</h1>
        <div class="form-group">
            <input type="file" id="uploadImage" class="form-control-file" accept="image/*" onchange="previewImage()">
        </div>
        <img id="uploadedImage" class="image-preview" src="#" alt="アップロードされた画像" style="display: none;">
        <div class="form-group mt-4">
            <label for="processingType">処理方法を選択:</label>
            <select id="processingType" class="custom-select">
                <option value="opencv">OpenCVインペイント</option>
                <option value="simple_lama">Simple Lamaインペイント</option>
                <option value="stamp">stampインペイント</option>
                <option value="mosaic">mosaicインペイント</option>
            </select>
        </div>
        <div class="slider-container">
            <label for="riskLevel" class="slider-label">リスクレベル (0-100): <span id="riskLevelLabel">50</span></label>
            <div id="slider"></div>
        </div>
        <button class="btn btn-primary mt-4" onclick="processImage()">処理開始</button>
        <div id="result" class="mt-5">
            <h2>処理結果:</h2>
            <img id="processedImage" class="processed-preview" src="" alt="">
            <a id="downloadLink" class="btn btn-success mt-3" href="#" download="processed_image.jpg">処理された画像をダウンロード</a>
        </div>
    </div>
    <!-- jQuery and Bootstrap JS -->
    <script src="https://code.jquery.com/jquery-3.5.1.min.js"></script>
    <script src="https://stackpath.bootstrapcdn.com/bootstrap/4.5.2/js/bootstrap.min.js"></script>
    <!-- jQuery UI -->
    <script src="https://code.jquery.com/ui/1.12.1/jquery-ui.js"></script>
    <script>
        $(function() {
            // スライダーの設定
            $("#slider").slider({
                range: "min",
                value: 50,
                min: 0,
                max: 100,
                slide: function(event, ui) {
                    $("#riskLevelLabel").text(ui.value);
                }
            });
        });

        function previewImage() {
            const fileInput = document.getElementById('uploadImage');
            const uploadedImage = document.getElementById('uploadedImage');
            if (fileInput.files && fileInput.files[0]) {
                const reader = new FileReader();
                reader.onload = function (e) {
                    const img = new Image();
                    img.onload = function() {
                        const canvas = document.createElement('canvas');
                        const ctx = canvas.getContext('2d');
                        canvas.width = 640;
                        canvas.height = 480;
                        ctx.drawImage(img, 0, 0, 640, 480);
                        uploadedImage.src = canvas.toDataURL('image/jpeg');
                        uploadedImage.style.display = 'block';
                        uploadedImage.dataset.resizedImage = uploadedImage.src;
                    };
                    img.src = e.target.result;
                };
                reader.readAsDataURL(fileInput.files[0]);
            }
        }

        function processImage() {
            const processingType = document.getElementById('processingType').value;
            const riskLevel = $("#slider").slider("value");
            const resultDiv = document.getElementById('result');
            const processedImage = document.getElementById('processedImage');
            const downloadLink = document.getElementById('downloadLink');
            const resizedImageDataURL = document.getElementById('uploadedImage').dataset.resizedImage;

            if (!resizedImageDataURL) {
                alert("画像を選択してください。");
                return;
            }

            fetch(resizedImageDataURL)
                .then(res => res.blob())
                .then(blob => {
                    const formData = new FormData();
                    formData.append('image', blob, 'resized_image.jpg');
                    formData.append('risk_level', riskLevel);

                    let apiEndpoint;
                    if (processingType === "opencv") {
                        apiEndpoint = "/create-mask-and-inpaint-opencv";
                    } else if (processingType === "simple_lama") {
                        apiEndpoint = "/create-mask-and-inpaint-simple-lama";
                    } else if (processingType === "stamp") {
                        apiEndpoint = "/create-mask-and-inpaint-stamp";
                    } else if (processingType === "mosaic") {
                        apiEndpoint = "/create-mask-and-inpaint-mosaic";
                    }
                    const url = "https://rein0421-aidentify.hf.space" + apiEndpoint;

                    fetch(url, {
                        method: 'POST',
                        body: formData
                    })
                    .then(response => {
                        if (!response.ok) {
                            throw new Error("Network response was not ok");
                        }
                        return response.blob();
                    })
                    .then(blob => {
                        const objectURL = URL.createObjectURL(blob);
                        processedImage.src = objectURL;
                        downloadLink.href = objectURL;
                        resultDiv.style.display = "block";
                    })
                    .catch(error => {
                        console.error("画像処理に失敗しました。", error);
                        alert("画像処理に失敗しました。");
                    });
                });
        }
    </script>
</body>
</html>

    """
    return HTMLResponse(content=html_content)
if __name__ == "__main__":

    app.run(host="0.0.0.0", port=7860)