Update app.py

app.py

@@ -77,14 +77,12 @@ class SuperUpscaler:
     def preprocess_for_ai(self, image, max_size=512):
         """
         تحضير الصورة للنموذج بدون تقليل الحجم الشديد.
-        - تحافظ على أكبر قدر من التفاصيل
-        - تجعل الأبعاد قابلة للقسمة على 4
         """
         try:
             rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
             h, w = rgb_image.shape[:2]
             
-            # تقليل فقط إذا كانت الصورة كبيرة جداً (أكبر من 512px)
+            # تقليل فقط إذا كانت الصورة كبيرة جداً
             if max(h, w) > max_size:
                 scale = max_size / max(h, w)
                 new_w = int(w * scale)
@@ -94,7 +92,7 @@ class SuperUpscaler:
             
             h, w = rgb_image.shape[:2]
             
-            # جعل الأبعاد قابلة للقسمة على 4 (متطلب النموذج)
+            # جعل الأبعاد قابلة للقسمة على 4
             new_h = ((h + 3) // 4) * 4
             new_w = ((w + 3) // 4) * 4
 
@@ -186,13 +184,15 @@ class SuperUpscaler:
             return None
 
     def process_large_image_in_tiles(self, image, tile_size=512, overlap=64):
-        """تقسيم الصورة الكبيرة إلى أجزاء ومعالجتها بشكل محسّن."""
+        """تقسيم الصورة الكبيرة إلى أجزاء ومعالجتها بشكل محسّن - مع إصلاح خطأ الدمج."""
         try:
             h, w = image.shape[:2]
             print(f"📦 تقسيم صورة {w}x{h} إلى أجزاء {tile_size}x{tile_size}")
 
             output_h, output_w = h * self.scale, w * self.scale
-            final_image = np.zeros((output_h, output_w, 3), dtype=np.uint8)
+            
+            # ✅ تغيير النوع إلى float32 لتجنب خطأ التحويل
+            final_image = np.zeros((output_h, output_w, 3), dtype=np.float32)
             weight_map = np.zeros((output_h, output_w), dtype=np.float32)
 
             processed_tiles = 0
@@ -226,15 +226,19 @@ class SuperUpscaler:
                         
                         if fade_size > 0:
                             for i in range(fade_size):
-                                fade[i, :] *= i / fade_size
-                                fade[-i-1, :] *= i / fade_size
-                                fade[:, i] *= i / fade_size
-                                fade[:, -i-1] *= i / fade_size
+                                alpha = i / fade_size
+                                fade[i, :] *= alpha
+                                fade[-i-1, :] *= alpha
+                                fade[:, i] *= alpha
+                                fade[:, -i-1] *= alpha
+                        
+                        # ✅ تحويل enhanced_tile إلى float32 للدمج
+                        enhanced_tile_float = enhanced_tile[:actual_tile_h, :actual_tile_w].astype(np.float32)
                         
                         for c in range(3):
                             final_image[y_start:y_end_out, x_start:x_end_out, c] += (
-                                enhanced_tile[:actual_tile_h, :actual_tile_w, c] * fade
-                            ).astype(np.uint8)
+                                enhanced_tile_float[:, :, c] * fade
+                            )
                         
                         weight_map[y_start:y_end_out, x_start:x_end_out] += fade
 
@@ -242,20 +246,23 @@ class SuperUpscaler:
                     if processed_tiles % 5 == 0:
                         print(f"📦 تمت معالجة {processed_tiles}/{total_tiles} من الأجزاء")
 
-            # تطبيع حسب الوزن
+            # ✅ تطبيع حسب الوزن بشكل صحيح
+            # تجنب القسمة على صفر
+            weight_map = np.maximum(weight_map, 1e-6)
+            
             for c in range(3):
-                final_image[:, :, c] = np.divide(
-                    final_image[:, :, c],
-                    weight_map,
-                    out=np.zeros_like(final_image[:, :, c], dtype=np.uint8),
-                    where=weight_map != 0
-                )
+                final_image[:, :, c] = final_image[:, :, c] / weight_map
+            
+            # ✅ تحويل إلى uint8 في النهاية
+            final_image = np.clip(final_image, 0, 255).astype(np.uint8)
 
             print("✅ تم دمج الأجزاء بنجاح!")
             return final_image
 
         except Exception as exc:
             print(f"❌ خطأ أثناء معالجة الأجزاء: {exc}")
+            import traceback
+            traceback.print_exc()
             return None
 
     def postprocess_from_ai(self, output):