import os
import logging
import torch
import cv2
import numpy as np
from preprocess import unsharp_masking
import time
from sklearn.cluster import KMeans
import os
from preprocessar_imagem import preprocessar_imagem

# Define the "device" variable at the global scope
device = "cuda" if torch.cuda.is_available() else "cpu"

# Função para ordenar e pré-processar a imagem de entrada
def ordenar_e_preprocessar_imagem(img, modelo):
    ori = img.copy()
    img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    h, w = img.shape
    img_out = preprocessar_imagem(img, modelo)
    return img_out, h, w, img, ori
    
# Função para processar a imagem de entrada
def processar_imagem_de_entrada(img, modelo, pipe, device, salvar_resultado=False):
    try:
        # Faça uma cópia da imagem original
        img = img.copy()
        
        # Coloque o modelo na GPU (se disponível) e configure-o para modo de avaliação
        pipe = pipe.to(device).eval()
        
        # Registre o tempo de início
        start = time.time()
        
        # Pré-processe a imagem e obtenha informações de dimensão
        img, h, w, ori_gray, ori = ordenar_e_preprocessar_imagem(img, modelo)
        
        # Converta a imagem para o formato esperado pelo modelo e coloque-a na GPU
        img = torch.FloatTensor(img).unsqueeze(0).to(device)
        
        # Realize a inferência do modelo sem gradientes
        with torch.no_grad():
            if modelo == 'AngioNet':
                img = torch.cat([img, img], dim=0)
            logit = np.round(torch.softmax(pipe.forward(img), dim=1).detach().cpu().numpy()[0, 0]).astype(np.uint8)
        
        # Calcule o tempo decorrido
        spent = time.time() - start
        spent = f"{spent:.3f} segundos"

        # Redimensione o resultado, se necessário
        if h != 512 or w != 512:
            logit = cv2.resize(logit, (h, w))

        # Converta o resultado para um formato booleano
        logit = logit.astype(bool)
        
        # Salve o resultado em um arquivo se a opção estiver ativada
        if salvar_resultado:
            nome_arquivo = os.path.join(caminho_salvar_resultado, f'resultado_{int(time.time())}.png')
            cv2.imwrite(nome_arquivo, logit)
        
        return spent, logit
    
    except Exception as e:
        logging.error(f"Error: {str(e)}")
        return str(e), None

# ... (rest of your code)