import cv2
import numpy as np
from flask import Flask, Response, request
import json
import time
import sys
import os


max_readings = int(sys.argv[1])
porta = sys.argv[2]
url = sys.argv[3]
arquivoSaida = sys.argv[4]

app = Flask(__name__)
# Função para detecção de objetos usando YOLO e salvar as coordenadas em um arquivo JSON
def detect_objects(conf_threshold, nms_threshold, _camera_index):
    # Definir intervalos de cor verde no espaço HSV
    lower_green = np.array([35, 50, 50])  # Valores de limite inferior (Hue, Saturation, Value)
    upper_green = np.array([90, 255, 255])  # Valores de limite superior (Hue, Saturation, Value)

    cap = cv2.VideoCapture(_camera_index, cv2.CAP_DSHOW)
    readings = []

    while True:
        ret, frame = cap.read()
        if not ret:
            break

        # Converter a imagem de BGR para HSV
        hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

        # Criar uma máscara para os pixels verdes na faixa especificada
        mask = cv2.inRange(hsv, lower_green, upper_green)

        # Encontrar os contornos na máscara
        contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        current_readings = []
        idx = 0  # Índice de detecção
        for contour in contours:
            area = cv2.contourArea(contour)
            if area > 1000:  # Filtrar áreas menores que um valor específico (ajuste conforme necessário)
                x, y, w, h = cv2.boundingRect(contour)
                cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
                cv2.putText(frame, f'Green {idx}', (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

                # Salvar as informações da detecção
                detection_info = {
                    'id': int(idx),
                    'descricao': 'Green',
                    'x': int(x),
                    'y': int(y),
                    'largura': int(w),
                    'altura': int(h),
                    'confianca': 1.0  # Neste caso, confiança fixa para detecções baseadas em cores
                }
                current_readings.append(detection_info)
                idx += 1

        # Atualizar os resultados
        timestamp = time.time()
        readings.append({'timestamp': timestamp, 'objetos': current_readings})

        # ... (código para salvar em arquivo e mostrar a imagem permanece inalterado)

        # Convertendo frame para JPEG e enviando via Flask
        ret, buffer = cv2.imencode('.jpg', frame)
        frame = buffer.tobytes()
        yield (b'--frame\r\n'
               b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n')


@app.route('/' + url, methods=['GET'])
def video_feed():
    conf_threshold = float(request.args.get('conf_threshold'))
    nms_threshold = float(request.args.get('nms_threshold'))
    camera_index = int(request.args.get('camera_index'))
    return Response(detect_objects(conf_threshold, nms_threshold, camera_index), mimetype='multipart/x-mixed-replace; boundary=frame')

if __name__ == "__main__":
    app.run(host='0.0.0.0', port=porta)