"""Tests d'intégration : vrai modèle CRNN, vraies images — pas de mock.

Plus lents que les tests unitaires (chargement du modèle ~30-90s sur CPU) :
à lancer séparément avec `pytest tests/test_integration.py -v`, pas dans la
boucle de développement rapide.
"""
import os
import unittest

import numpy as np
from PIL import Image

from app.recognizer import load_model, get_device, recognize_screen
from app.postprocess import process as postprocess_results
from app.quality import estimate_image_quality
from app.rules import evaluate as evaluate_rules
from app.preprocessing import detect_screen_region

REPO_ROOT = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))

# Photo resserrée sur l'écran (pas besoin de détection d'écran) — voir
# l'annotation ajoutée cette session : prix=10000, volume=14.28, prix_litre=700
SAMPLE_IMAGE = os.path.join(
    REPO_ROOT, "Images datasetdiversifié", "Images nettes", "20260622_121734_009.jpg"
)


def _imread(path):
    img = Image.open(path).convert("RGB")
    arr = np.array(img)
    return arr[:, :, ::-1].copy()  # RGB -> BGR pour rester cohérent avec cv2


@unittest.skipUnless(os.path.exists(SAMPLE_IMAGE), "image d'exemple absente de ce clone")
class TestRealModelIntegration(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        cls.device = get_device()
        cls.model = load_model(device=cls.device)

    def test_recognizes_known_screen(self):
        img = _imread(SAMPLE_IMAGE)
        crop, (x, y, w, h) = detect_screen_region(img)
        img_to_process = crop if w < img.shape[1] * 0.95 else img

        recognized = recognize_screen(self.model, img_to_process, self.device)
        self.assertGreaterEqual(len(recognized), 1, "le CRNN n'a rien renvoyé")

        parsed = postprocess_results(recognized, fuel_price=700)
        quality = estimate_image_quality(img_to_process, ocr_results=recognized)
        gate = evaluate_rules(parsed, quality, fuel_price=700)

        print("\nrecognized:", recognized)
        print("parsed:", parsed)
        print("gate:", gate)

        # On ne verrouille pas une exactitude parfaite (précision du modèle
        # documentée dans docs/LIMITATIONS.md) : on vérifie que le pipeline
        # tourne bout-en-bout et renvoie une structure exploitable.
        self.assertIn(gate["success"], (True, False))
        self.assertIsInstance(gate["confidence_score"], float)


if __name__ == "__main__":
    unittest.main()