import numpy as np
import torch
import torch.nn.functional as F
from torchvision.transforms.functional import normalize
import gradio as gr
from gradio_imageslider import ImageSlider
from briarmbg import BriaRMBG
import PIL
from PIL import Image
from typing import Tuple


net = BriaRMBG.from_pretrained("briaai/RMBG-1.4")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
net.to(device)

    
def redimensionar_imagem(imagem):
    imagem = imagem.convert('RGB')
    tamanho_entrada_modelo = (1024, 1024)
    imagem = imagem.resize(tamanho_entrada_modelo, Image.BILINEAR)
    return imagem


def processar(imagem):

    # preparar entrada
    imagem_original = Image.fromarray(imagem)
    w,h = tamanho_imagem_original = imagem_original.size
    imagem = redimensionar_imagem(imagem_original)
    im_np = np.array(imagem)
    im_tensor = torch.tensor(im_np, dtype=torch.float32).permute(2,0,1)
    im_tensor = torch.unsqueeze(im_tensor,0)
    im_tensor = torch.divide(im_tensor,255.0)
    im_tensor = normalize(im_tensor,[0.5,0.5,0.5],[1.0,1.0,1.0])
    if torch.cuda.is_available():
        im_tensor=im_tensor.cuda()

    # inferência
    resultado = net(im_tensor)
    # pós-processamento
    resultado = torch.squeeze(F.interpolate(resultado[0][0], size=(h,w), mode='bilinear') ,0)
    ma = torch.max(resultado)
    mi = torch.min(resultado)
    resultado = (resultado-mi)/(ma-mi)    
    # imagem para pil
    im_array = (resultado*255).cpu().data.numpy().astype(np.uint8)
    pil_im = Image.fromarray(np.squeeze(im_array))
    # colar a máscara na imagem original
    nova_im = Image.new("RGBA", pil_im.size, (0,0,0,0))
    nova_im.paste(imagem_original, mask=pil_im)

    return nova_im


# block = gr.Blocks().queue()

# with block:
#     gr.Markdown("## BRIA RMBG 1.4")
#     gr.HTML('''
#       <p style="margin-bottom: 10px; font-size: 94%">
#         Esta é uma demonstração do BRIA RMBG 1.4 que utiliza
#         <a href="https://huggingface.co/briaai/RMBG-1.4" target="_blank">o modelo de matting de imagem BRIA RMBG-1.4</a> como base. 
#       </p>
#     ''')
#     with gr.Row():
#         with gr.Column():
#             input_image = gr.Image(sources=None, type="pil") # None para upload, ctrl+v e webcam
#             # input_image = gr.Image(sources=None, type="numpy") # None para upload, ctrl+v e webcam
#             run_button = gr.Button(value="Executar")
            
#         with gr.Column():
#             result_gallery = gr.Gallery(label='Resultado', show_label=False, elem_id="gallery", columns=[1], height='auto')
#     ips = [input_image]
#     run_button.click(fn=processar, inputs=ips, outputs=[result_gallery])

# block.launch(debug = True)

# block = gr.Blocks().queue()

gr.Markdown("## BRIA RMBG 1.4")
gr.HTML('''
  <p style="margin-bottom: 10px; font-size: 94%">
    Esta é uma demonstração do BRIA RMBG 1.4 que utiliza
    <a href="https://huggingface.co/briaai/RMBG-1.4" target="_blank">o modelo de matting de imagem BRIA RMBG-1.4</a> como base. 
  </p>
''')
exemplos = [['./input.jpg'],]
# output = ImageSlider(position=0.5,label='Imagem sem fundo', type="pil", show_download_button=True)
# demo = gr.Interface(fn=processar,inputs="image", outputs=output, examples=exemplos, title=title, description=description)
demo = gr.Interface(fn=processar,inputs="image", outputs="image", examples=exemplos)

if __name__ == "__main__":
    demo.launch(share=False)