import os
import random
import string
import io
import joblib
import cv2
import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, models
from tensorflow.keras.applications import ResNet50, EfficientNetB0
from tensorflow.keras.applications.resnet import preprocess_input
from tensorflow.keras.applications.efficientnet import preprocess_input
from tensorflow.keras.layers import Lambda  # Đảm bảo nhập Lambda từ tensorflow.keras.layers
from keras.applications import ResNet50
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import (
    confusion_matrix,
    ConfusionMatrixDisplay,
    accuracy_score,
    precision_score,
    recall_score,
    f1_score
)
import matplotlib.pyplot as plt
from skimage.feature import graycomatrix, graycoprops
from PIL import Image
import streamlit as st
import cloudinary
import cloudinary.uploader
from cloudinary.utils import cloudinary_url
import torch
# Cloudinary Configuration
cloudinary.config(
    cloud_name = os.getenv("CLOUD"),
    api_key = os.getenv("API"),
    api_secret = os.getenv("SECRET"),
    secure=True
)
# Set page config
st.set_page_config(
    page_title="Stone Detection & Classification",
    page_icon="🪨",
    layout="wide"
)

def generate_random_filename(extension="png"):
    random_string = ''.join(random.choices(string.ascii_letters + string.digits, k=8))
    return f"temp_image_{random_string}.{extension}"

# Custom CSS to improve the appearance
st.markdown("""
    <style>
    .main {
        padding: 2rem;
    }
    .stButton>button {
        width: 100%;
        margin-top: 1rem;
    }
    .upload-text {
        text-align: center;
        padding: 2rem;
    }
    </style>
    """, unsafe_allow_html=True)
def upload_to_cloudinary(file_path, label):
    """
    Upload file to Cloudinary with specified label as folder
    """
    try:
        # Upload to Cloudinary
        upload_result = cloudinary.uploader.upload(
            file_path,
            folder=label,
            public_id=f"{label}_{os.path.basename(file_path)}"
        )

        # Generate optimized URLs
        optimize_url, _ = cloudinary_url(
            upload_result['public_id'],
            fetch_format="auto",
            quality="auto"
        )

        auto_crop_url, _ = cloudinary_url(
            upload_result['public_id'],
            width=500,
            height=500,
            crop="auto",
            gravity="auto"
        )

        return {
            "upload_result": upload_result,
            "optimize_url": optimize_url,
            "auto_crop_url": auto_crop_url
        }

    except Exception as e:
        return f"Error uploading to Cloudinary: {str(e)}"

def resize_to_square(image):
    """Resize image to square while maintaining aspect ratio"""
    size = max(image.shape[0], image.shape[1])
    new_img = np.zeros((size, size, 3), dtype=np.uint8)

    # Calculate position to paste original image
    x_center = (size - image.shape[1]) // 2
    y_center = (size - image.shape[0]) // 2

    # Copy the image into center of result image
    new_img[y_center:y_center+image.shape[0],
            x_center:x_center+image.shape[1]] = image
    return new_img
def color_histogram(image, bins=16):
    """
    Tính histogram màu cho ảnh RGB

    Args:
        image (np.ndarray): Ảnh đầu vào
        bins (int): Số lượng bins của histogram

    Returns:
        np.ndarray: Histogram màu được chuẩn hóa
    """
    # Kiểm tra và chuyển đổi ảnh
    if image is None or image.size == 0:
        raise ValueError("Ảnh không hợp lệ")

    # Đảm bảo ảnh ở dạng uint8
    if image.dtype != np.uint8:
        image = (image * 255).astype(np.uint8)

    # Tính histogram cho từng kênh màu
    hist_r = cv2.calcHist([image], [0], None, [bins], [0, 256]).flatten()
    hist_g = cv2.calcHist([image], [1], None, [bins], [0, 256]).flatten()
    hist_b = cv2.calcHist([image], [2], None, [bins], [0, 256]).flatten()

    # Chuẩn hóa histogram
    hist_r = hist_r / np.sum(hist_r) if np.sum(hist_r) > 0 else hist_r
    hist_g = hist_g / np.sum(hist_g) if np.sum(hist_g) > 0 else hist_g
    hist_b = hist_b / np.sum(hist_b) if np.sum(hist_b) > 0 else hist_b

    return np.concatenate([hist_r, hist_g, hist_b])

def color_moments(image):
    """
    Tính các moment màu cho ảnh

    Args:
        image (np.ndarray): Ảnh đầu vào

    Returns:
        np.ndarray: Các moment màu
    """
    # Kiểm tra và chuyển đổi ảnh
    if image is None or image.size == 0:
        raise ValueError("Ảnh không hợp lệ")

    # Đảm bảo ảnh ở dạng float và chuẩn hóa
    img = image.astype(np.float32) / 255.0 if image.max() > 1 else image.astype(np.float32)

    moments = []
    for i in range(3):  # Cho mỗi kênh màu
        channel = img[:,:,i]

        # Tính các moment
        mean = np.mean(channel)
        std = np.std(channel)
        skewness = np.mean(((channel - mean) / (std + 1e-8)) ** 3)

        moments.extend([mean, std, skewness])

    return np.array(moments)

def dominant_color_descriptor(image, k=3):
    """
    Xác định các màu chính thống trị trong ảnh

    Args:
        image (np.ndarray): Ảnh đầu vào
        k (int): Số lượng màu chủ đạo

    Returns:
        np.ndarray: Các màu chủ đạo và tỷ lệ
    """
    # Kiểm tra và chuyển đổi ảnh
    if image is None or image.size == 0:
        raise ValueError("Ảnh không hợp lệ")

    # Đảm bảo ảnh ở dạng uint8
    if image.dtype != np.uint8:
        image = (image * 255).astype(np.uint8)

    # Reshape ảnh thành mảng pixel
    pixels = image.reshape(-1, 3)

    # Các tham số cho K-means
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
    flags = cv2.KMEANS_RANDOM_CENTERS

    try:
        # Thực hiện phân cụm K-means
        _, labels, centers = cv2.kmeans(
            pixels.astype(np.float32), k, None, criteria, 10, flags
        )

        # Tính toán số lượng và tỷ lệ của từng cụm
        unique, counts = np.unique(labels, return_counts=True)
        percentages = counts / len(labels)

        # Kết hợp các màu và tỷ lệ
        dominant_colors = centers.flatten()
        color_percentages = percentages

        return np.concatenate([dominant_colors, color_percentages])
    except Exception:
        # Trả về mảng 0 nếu có lỗi
        return np.zeros(2 * k)

def color_coherence_vector(image, k=3):
    """
    Tính vector liên kết màu

    Args:
        image (np.ndarray): Ảnh đầu vào
        k (int): Số lượng vùng

    Returns:
        np.ndarray: Vector liên kết màu
    """
    # Kiểm tra và chuyển đổi ảnh
    if image is None or image.size == 0:
        raise ValueError("Ảnh không hợp lệ")

    # Chuyển sang ảnh xám
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

    # Đảm bảo ảnh ở dạng uint8
    if gray.dtype != np.uint8:
        gray = np.uint8(gray)

    # Áp dụng Otsu's thresholding
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # Phân tích thành phần liên thông
    num_labels, labels = cv2.connectedComponents(binary)

    ccv = []
    for i in range(1, min(k+1, num_labels)):
        region_mask = (labels == i)
        total_pixels = np.sum(region_mask)
        coherent_pixels = total_pixels

        ccv.extend([coherent_pixels, total_pixels])

    # Đảm bảo độ dài vector
    while len(ccv) < 2 * k:
        ccv.append(0)

    return np.array(ccv)

def edge_features(image, bins=16):
    """
    Trích xuất đặc trưng cạnh từ ảnh

    Args:
        image (np.ndarray): Ảnh đầu vào
        bins (int): Số lượng bins của histogram

    Returns:
        np.ndarray: Đặc trưng cạnh
    """
    # Kiểm tra và chuyển đổi ảnh
    if image is None or image.size == 0:
        raise ValueError("Ảnh không hợp lệ")

    # Chuyển sang ảnh xám
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

    # Đảm bảo ảnh ở dạng uint8
    if gray.dtype != np.uint8:
        gray = np.uint8(gray)

    # Tính Sobel edges
    sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
    sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
    sobel_mag = np.sqrt(sobel_x**2 + sobel_y**2)

    # Chuẩn hóa độ lớn Sobel
    sobel_mag = np.uint8(255 * sobel_mag / np.max(sobel_mag))

    # Tính histogram của Sobel magnitude
    sobel_hist = cv2.calcHist([sobel_mag], [0], None, [bins], [0, 256]).flatten()
    sobel_hist = sobel_hist / np.sum(sobel_hist) if np.sum(sobel_hist) > 0 else sobel_hist

    # Tính mật độ cạnh bằng Canny
    canny_edges = cv2.Canny(gray, 100, 200)
    edge_density = np.sum(canny_edges) / (gray.shape[0] * gray.shape[1])

    return np.concatenate([sobel_hist, [edge_density]])


import pywt  # Thư viện xử lý wavelet

def histogram_in_color_space(image, color_space='HSV', bins=16):
    """
    Tính histogram của ảnh trong một không gian màu mới.
    """
    if color_space == 'HSV':
        converted = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
    elif color_space == 'LAB':
        converted = cv2.cvtColor(image, cv2.COLOR_RGB2Lab)
    else:
        raise ValueError("Unsupported color space")

    histograms = []
    for i in range(3):  # 3 kênh màu
        hist = cv2.calcHist([converted], [i], None, [bins], [0, 256]).flatten()
        hist = hist / np.sum(hist)
        histograms.append(hist)

    return np.concatenate(histograms)

def glcm_features(image, distances=[1, 2, 3], angles=[0, np.pi/4, np.pi/2, 3*np.pi/4], levels=256):
    """
    Tính các đặc trưng GLCM của ảnh grayscale.
    """
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

    # Đảm bảo ảnh ở dạng uint8
    if gray.dtype != np.uint8:
        gray = (gray * 255).astype(np.uint8)

    glcm = graycomatrix(gray, distances=distances, angles=angles, levels=levels, symmetric=True, normed=True)

    features = []
    # Các thuộc tính phổ biến: contrast, homogeneity, energy, correlation
    for prop in ['contrast', 'homogeneity', 'energy', 'correlation']:
        features.extend(graycoprops(glcm, prop).flatten())

    return np.array(features)

def gabor_features(image, kernels=None):
    """
    Tính các đặc trưng từ bộ lọc Gabor.
    """
    if kernels is None:
        kernels = []
        for theta in np.arange(0, np.pi, np.pi / 4):  # Các góc từ 0 đến 180 độ
            for sigma in [1, 3]:  # Các giá trị sigma
                for frequency in [0.1, 0.5]:  # Các tần số
                    kernel = cv2.getGaborKernel((9, 9), sigma, theta, 1/frequency, gamma=0.5, ktype=cv2.CV_32F)
                    kernels.append(kernel)

    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    features = []
    for kernel in kernels:
        filtered = cv2.filter2D(gray, cv2.CV_32F, kernel)
        features.append(filtered.mean())
        features.append(filtered.var())

    return np.array(features)

def wavelet_features(image, wavelet='db1', level=3):
    """
    Trích xuất các hệ số wavelet từ ảnh grayscale.
    """
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    coeffs = pywt.wavedec2(gray, wavelet, level=level)
    features = []
    for coeff in coeffs:
        if isinstance(coeff, tuple):  # Chi tiết (LH, HL, HH)
            for subband in coeff:
                features.append(subband.mean())
                features.append(subband.var())
        else:  # Xấp xỉ (LL)
            features.append(coeff.mean())
            features.append(coeff.var())

    return np.array(features)

from skimage.feature import local_binary_pattern
from skimage.color import rgb2gray
from skimage.measure import shannon_entropy
from skimage.feature import hog

def illumination_features(image):
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    mean_brightness = np.mean(gray)
    contrast = np.std(gray)
    return np.array([mean_brightness, contrast])

def saturation_index(image):
    hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
    s_channel = hsv[:, :, 1]
    mean_saturation = np.mean(s_channel)
    std_saturation = np.std(s_channel)
    return np.array([mean_saturation, std_saturation])

def local_binary_pattern_features(image, num_points=24, radius=3):
    gray = rgb2gray(image)
    lbp = local_binary_pattern(gray, num_points, radius, method="uniform")
    hist, _ = np.histogram(lbp.ravel(), bins=np.arange(0, num_points + 3), range=(0, num_points + 2))
    hist = hist / np.sum(hist)
    return hist

def fourier_transform_features(image):
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    f_transform = np.fft.fft2(gray)
    f_shift = np.fft.fftshift(f_transform)
    magnitude_spectrum = 20 * np.log(np.abs(f_shift) + 1)
    mean_frequency = np.mean(magnitude_spectrum)
    std_frequency = np.std(magnitude_spectrum)
    return np.array([mean_frequency, std_frequency])

def fractal_dimension(image):
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    size = gray.shape[0] * gray.shape[1]
    edges = cv2.Canny(gray, 100, 200)
    count = np.sum(edges > 0)
    fractal_dim = np.log(count + 1) / np.log(size)
    return np.array([fractal_dim])


def glossiness_index(image):
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    glossiness = np.mean(gray[binary == 255])
    return np.array([glossiness])

def histogram_oriented_gradients(image):
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    features, _ = hog(gray, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(2, 2), visualize=True)
    return features

def color_entropy(image):
    entropy = shannon_entropy(image)
    return np.array([entropy])

def spatial_color_distribution(image, grid_size=4):
    h, w, _ = image.shape
    features = []
    for i in range(grid_size):
        for j in range(grid_size):
            x_start = i * h // grid_size
            x_end = (i + 1) * h // grid_size
            y_start = j * w // grid_size
            y_end = (j + 1) * w // grid_size
            patch = image[x_start:x_end, y_start:y_end]
            hist = cv2.calcHist([patch], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256]).flatten()
            hist = hist / np.sum(hist)
            features.extend(hist)
    return np.array(features)

def uniform_region_features(image):
    gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    num_labels, labels = cv2.connectedComponents(gray)
    unique, counts = np.unique(labels, return_counts=True)
    uniformity = np.sum((counts / np.sum(counts)) ** 2)
    return np.array([uniformity])

def color_space_features(image):
    ycbcr = cv2.cvtColor(image, cv2.COLOR_RGB2YCrCb)
    ycbcr_hist = cv2.calcHist([ycbcr], [1, 2], None, [16, 16], [0, 256, 0, 256]).flatten()
    lab = cv2.cvtColor(image, cv2.COLOR_RGB2Lab)
    lab_hist = cv2.calcHist([lab], [1, 2], None, [16, 16], [0, 256, 0, 256]).flatten()
    ycbcr_hist = ycbcr_hist / np.sum(ycbcr_hist)
    lab_hist = lab_hist / np.sum(lab_hist)
    return np.concatenate([ycbcr_hist, lab_hist])
@st.cache_resource
def extract_features(image):
    color_hist = color_histogram(image)
    color_mom = color_moments(image)
    dom_color = dominant_color_descriptor(image)
    ccv = color_coherence_vector(image)
    edges = edge_features(image)
    hsv_hist = histogram_in_color_space(image, color_space='HSV')
    glcm = glcm_features(image)
    gabor = gabor_features(image)
    wavelet = wavelet_features(image)
    illumination = illumination_features(image)
    saturation = saturation_index(image)
    lbp = local_binary_pattern_features(image)
    fourier = fourier_transform_features(image)
    fractal = fractal_dimension(image)
    return np.concatenate([
        color_hist,
        color_mom,
        dom_color,
        ccv,
        edges,
        hsv_hist,
        glcm,
        gabor,
        wavelet,
        illumination,
        saturation,
        lbp,
        fourier,
        fractal,
    ])

def load_models():
    """Load both object detection and classification models"""
    # Load object detection model
    device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
    object_detection_model = torch.load("fasterrcnn_resnet50_fpn_090824.pth", map_location=device)
    object_detection_model.to(device)
    object_detection_model.eval()

    # Load classification model
    classification_model = tf.keras.models.load_model('mlp_model.h5')

    return object_detection_model, classification_model, device

def create_efficientnetb0_feature_extractor(input_shape=(256, 256, 3), num_classes=None):
    # Xây dựng mô hình EfficientNetB0 đã huấn luyện sẵn từ TensorFlow
    inputs = layers.Input(shape=input_shape)

    # Thêm lớp Lambda để tiền xử lý ảnh
    x = Lambda(preprocess_input, output_shape=input_shape)(inputs)  # Xử lý ảnh đầu vào

    # Sử dụng mô hình EfficientNetB0 đã được huấn luyện sẵn
    efficientnetb0_model = EfficientNetB0(include_top=False, weights='imagenet', input_tensor=x)

    # Trích xuất đặc trưng từ mô hình EfficientNetB0
    x = layers.GlobalAveragePooling2D()(efficientnetb0_model.output)

    if num_classes:
        x = layers.Dense(num_classes, activation='softmax')(x)  # Thêm lớp phân loại (nếu có)

    return models.Model(inputs=inputs, outputs=x)

def perform_object_detection(image, model, device):
    original_size = image.size
    target_size = (256, 256)
    frame_resized = cv2.resize(np.array(image), dsize=target_size, interpolation=cv2.INTER_AREA)
    frame_rgb = cv2.cvtColor(frame_resized, cv2.COLOR_RGB2BGR).astype(np.float32)
    frame_rgb /= 255.0
    frame_rgb = frame_rgb.transpose(2, 0, 1)
    frame_rgb = torch.from_numpy(frame_rgb).float().unsqueeze(0).to(device)

    with torch.no_grad():
        outputs = model(frame_rgb)

    boxes = outputs[0]['boxes'].cpu().detach().numpy().astype(np.int32)
    labels = outputs[0]['labels'].cpu().detach().numpy().astype(np.int32)
    scores = outputs[0]['scores'].cpu().detach().numpy()

    result_image = frame_resized.copy()
    cropped_images = []
    detected_boxes = []

    for i in range(len(boxes)):
        if scores[i] >= 0.75:
            x1, y1, x2, y2 = boxes[i]
            if (int(labels[i])-1) == 1 or (int(labels[i])-1) == 0:
                color = (0, 255, 0)  # Green bounding box
                label_text = f'Region {i}'

                # Scale coordinates to original image size
                original_h, original_w = original_size[::-1]
                scale_h, scale_w = original_h / target_size[0], original_w / target_size[1]
                x1_orig, y1_orig = int(x1 * scale_w), int(y1 * scale_h)
                x2_orig, y2_orig = int(x2 * scale_w), int(y2 * scale_h)

                # Crop and process detected region
                cropped_image = np.array(image)[y1_orig:y2_orig, x1_orig:x2_orig]

                # Check if image has 4 channels (RGBA), convert to RGB
                if cropped_image.shape[-1] == 4:
                    cropped_image = cv2.cvtColor(cropped_image, cv2.COLOR_RGBA2RGB)
                else:
                  cropped_image = cv2.cvtColor(cropped_image, cv2.COLOR_BGR2RGB)
                # Resize cropped image
                resized_crop = resize_to_square(cropped_image)
                cropped_images.append([i,resized_crop])
                detected_boxes.append((x1, y1, x2, y2))

                # Draw bounding box
                cv2.rectangle(result_image, (x1, y1), (x2, y2), color, 1)
                cv2.putText(result_image, label_text, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 255, 255), 1, cv2.LINE_AA)  # Yellow text, smaller font

    return Image.fromarray(result_image), cropped_images, detected_boxes

def preprocess_image(image):
    """Preprocess the image for classification"""
    # Convert image to numpy array and resize
    img_array = np.array(image)
    img_array = cv2.resize(img_array, (256, 256))

    # Extract custom features (ensure this returns a 1D array)
    features = extract_features(img_array)
    features = features.flatten()  # Ensure 1D

    # Extract EfficientNet features
    model_extractor = create_efficientnetb0_feature_extractor()
    model_features = model_extractor.predict(np.expand_dims(img_array, axis=0))
    model_features = model_features.flatten()  # Convert to 1D array

    # Combine features
    features_combined = np.concatenate([features, model_features])
    features_combined = features_combined.reshape(1, -1)  # Reshape to 2D for scaler

    # Load and apply scaler
    scaler = joblib.load('scaler.pkl')
    processed_image = scaler.transform(features_combined)

    return processed_image

def get_top_predictions(prediction, class_names, top_k=5):
    """Get top k predictions with their probabilities"""
    top_indices = prediction.argsort()[0][-top_k:][::-1]
    top_predictions = [
        (class_names[i], float(prediction[0][i]) * 100)
        for i in top_indices
    ]
    return top_predictions

def main():
    st.title("🪨 Stone Detection & Classification")
    st.write("Upload an image to detect and classify stone surfaces")

    if 'predictions' not in st.session_state:
        st.session_state.predictions = None

    col1, col2 = st.columns(2)

    with col1:
        st.subheader("Upload Image")
        uploaded_file = st.file_uploader("Choose an image...", type=["jpg", "jpeg", "png"])

        if uploaded_file is not None:
            image = Image.open(uploaded_file)
            st.image(image, caption="Uploaded Image", use_column_width=True)

            with st.spinner('Processing image...'):
                try:
                    # Load both models
                    object_detection_model, classification_model, device = load_models()

                    # Perform object detection
                    result_image, cropped_images, detected_boxes = perform_object_detection(
                        image, object_detection_model, device
                    )

                    if not cropped_images:
                        st.warning("No stone surfaces detected in the image")
                        return

                    # Display detection results
                    st.subheader("Detection Results")
                    st.image(result_image, caption="Detected Stone Surfaces", use_column_width=True)

                    # Process each detected region
                    class_names = ['10', '6.5', '7', '7.5', '8', '8.5', '9', '9.2', '9.5', '9.7']
                    all_predictions = []
                    all_image=[]
                    for idx, cropped_image in cropped_images:
                      processed_image = preprocess_image(cropped_image)
                      prediction = classification_model.predict(processed_image)
                      top_predictions = get_top_predictions(prediction, class_names)
                      all_predictions.append([idx,top_predictions])
                      all_image.append(cropped_image)
                    # Store in session state
                    st.session_state.predictions = all_predictions
                    st.session_state.image = all_image
                except Exception as e:
                    st.error(f"Error during processing: {str(e)}")

    with col2:
        st.subheader("Classification Results")
        if st.session_state.predictions is not None:
            for idx, predictions in st.session_state.predictions:
                st.markdown(f"### Region {idx}")
                st.image(st.session_state.image[idx], use_column_width=True)
                # Display main prediction
                top_class, top_confidence = predictions[0]
                st.markdown(f"**Primary Prediction: Grade {top_class}**")
                st.markdown(f"**Confidence: {top_confidence:.2f}%**")
                st.progress(top_confidence / 100)

                # Display all predictions for this region
                st.markdown("**Top 5 Predictions**")
                for class_name, confidence in predictions:
                    col_label, col_bar, col_value = st.columns([2, 6, 2])
                    with col_label:
                        st.write(f"Grade {class_name}")
                    with col_bar:
                        st.progress(confidence / 100)
                    with col_value:
                        st.write(f"{confidence:.2f}%")

                st.markdown("---")
                st.markdown("</div>", unsafe_allow_html=True)

                # User Confirmation Section
                st.markdown("### Xác nhận độ chính xác của mô hình")
                st.write("Giúp chúng tôi cải thiện mô hình bằng cách xác nhận độ chính xác của dự đoán.")

                # Accuracy Radio Button
                accuracy_option = st.radio(
                    "Dự đoán có chính xác không?",
                    ["Chọn", "Chính xác", "Không chính xác"],
                    index=0,
                    key=f"accuracy_radio_{idx}"
                )
                if accuracy_option == "Không chính xác":
                  # Input for correct grade
                  correct_grade = st.selectbox(
                      "Chọn màu đá đúng:",
                      ['10', '6.5', '7', '7.5', '8', '8.5', '9', '9.2', '9.5', '9.7'],
                      index=None,
                      placeholder="Chọn màu đúng",
                      key=f"selectbox_correct_grade_{idx}"
                  )

                  # Kiểm tra xem đã tải lên hay chưa
                  if f"uploaded_{idx}" not in st.session_state:
                      st.session_state[f"uploaded_{idx}"] = False

                  # Chỉ thực hiện khi người dùng đã chọn giá trị và chưa tải lên
                  if correct_grade and not st.session_state[f"uploaded_{idx}"]:
                      st.info(f"Đã chọn màu đúng: {correct_grade}")

                      # Resize hình ảnh xuống 256x256
                      resized_image = Image.fromarray(st.session_state.image[idx]).resize((256, 256))
                      temp_image_path = generate_random_filename()

                      # Lưu tệp resize tạm thời
                      resized_image.save(temp_image_path)

                      # Tải ảnh lên Cloudinary
                      cloudinary_result = upload_to_cloudinary(temp_image_path, correct_grade)

                      if isinstance(cloudinary_result, dict):
                          st.success(f"Hình ảnh đã được tải lên thành công cho màu {correct_grade}")
                          st.write(f"URL công khai: {cloudinary_result['upload_result']['secure_url']}")
                          # Đánh dấu trạng thái đã tải lên
                          st.session_state[f"uploaded_{idx}"] = True
                      else:
                          st.error(cloudinary_result)

        else:
            st.info("Upload an image to see detection and classification results")

if __name__ == "__main__":
    main()