#include <numeric>//包含了C++标准库中的<numeric>头文件，提供了数值计算的相关函数和模板。
#include <ctime>//包含了C++标准库中的<ctime>头文件，提供了关于时间和日期的相关函数和类型。

#include "easypr/train/annCh_train.h"//包含了EasyPR库中的annCh_train.h头文件，这个头文件可能包含了用于训练ANN（人工神经网络）字符识别的相关函数和类。
#include "easypr/config.h"//包含了EasyPR库的config.h头文件，这个头文件可能包含了一些配置EasyPR库的全局变量和宏定义。
#include "easypr/core/chars_identify.h"//包含了EasyPR库的chars_identify.h头文件，这个头文件可能包含了字符识别的核心功能的声明。
#include "easypr/core/feature.h"//包含了EasyPR库的feature.h头文件，这个头文件可能包含了特征提取和处理的相关的函数和类。
#include "easypr/core/core_func.h"//包含了EasyPR库的core_func.h头文件，这个头文件可能包含了一些核心的函数和类。
#include "easypr/util/util.h"//包含了EasyPR库的util.h头文件，这个头文件可能包含了一些工具函数和类。
#include "easypr/train/create_data.h"//包含了EasyPR库的create_data.h头文件，这个头文件可能包含了用于创建训练数据的函数和类。

namespace easypr {                                   // 定义命名空间easypr  
  
  AnnChTrain::AnnChTrain(const char* chars_folder, const char* xml)  // 定义构造函数，参数为字符文件夹路径和xml文件路径  
    : chars_folder_(chars_folder), ann_xml_(xml)                     // 初始化chars_folder_和ann_xml_成员变量  
  {  
    ann_ = cv::ml::ANN_MLP::create();    // 创建一个MLP（Multilayer Perceptron，多层感知器）对象，用于字符识别  
    type = 1;                          // 初始化type为1，可能表示某种类型或模式  
    kv_ = std::shared_ptr<Kv>(new Kv); // 创建一个Kv对象，并使用std::shared_ptr管理内存，实现共享所有权模型  
    kv_->load("resources/text/province_mapping");  // 加载kv_对象，可能从文件"resources/text/province_mapping"中加载数据  
    extractFeature = getGrayPlusProject;  // 初始化extractFeature函数指针，指向getGrayPlusProject函数，用于特征提取  
  }
void AnnChTrain::train()  
{  
    int classNumber = 0; // 类别数量，初始化为0，需要在后续代码中赋值  
    int input_number = 0; // 输入节点数量，初始化为0，需要在后续代码中赋值  
    int hidden_number = 0; // 隐藏层节点数量，初始化为0，需要在后续代码中赋值  
    int output_number = 0; // 输出节点数量，初始化为0，需要在后续代码中赋值  
  
    bool useLBP = false; // 是否使用LBP特征，初始化为false  
    if (useLBP) // 如果使用LBP特征  
      input_number = kCharLBPPatterns * kCharLBPGridX * kCharLBPGridY; // 则设置输入节点数量为LBP特征的数量  
    else  
      input_number = kGrayCharHeight * kGrayCharWidth; // 否则设置输入节点数量为字符图像的高度和宽度的乘积  
  
    input_number += 64; // 在输入节点数量基础上加64，可能是为了增加一些额外的输入节点  
}

classNumber = kChineseNumber; // 类别数量，这里假设 kChineseNumber 是一个定义好的常量  
hidden_number = kCharHiddenNeurons; // 隐藏层节点数量，这里假设 kCharHiddenNeurons 是一个定义好的常量  
output_number = classNumber; // 输出节点数量，等于类别数量  
cv::Mat layers; // 声明一个 OpenCV 的 Mat 对象，用于存储网络层的数据，但在这段代码中没有使用  
  
int first_hidden_neurons = 48; // 第一隐藏层节点数量，硬编码为48  
int second_hidden_neurons = 32; // 第二隐藏层节点数量，硬编码为32  
  
int N = input_number; // 输入节点数量，这里假设 input_number 是一个定义好的变量  
int m = output_number; // 输出节点数量，等于类别数量，这里假设 output_number 是一个定义好的变量  
  
// 在这里注释掉了两行代码，它们原先可能是用于计算第一层和第二层隐藏层的节点数量的公式  
//int first_hidden_neurons = int(std::sqrt((m + 2) * N) + 2 * std::sqrt(N / (m + 2)));  
//int second_hidden_neurons = int(m * std::sqrt(N / (m + 2)));  
  
bool useTLFN = false; // 是否使用TLFN，初始化为false，但在这段代码中没有使用

if (!useTLFN) { // 如果不使用两层神经网络（TLFN）  
  layers.create(1, 3, CV_32SC1); // 创建一个1行3列的OpenCV Mat对象，数据类型为32位有符号整数  
  layers.at<int>(0) = input_number; // 设置输入层节点数量  
  layers.at<int>(1) = hidden_number; // 设置隐藏层节点数量  
  layers.at<int>(2) = output_number; // 设置输出层节点数量  
}  
else { // 如果使用两层神经网络（TLFN）  
  fprintf(stdout, ">> Use two-layers neural networks,\n"); // 打印信息到标准输出，表示正在使用两层神经网络  
  fprintf(stdout, ">> First_hidden_neurons: %d \n", first_hidden_neurons); // 打印第一层隐藏层节点数量到标准输出  
  fprintf(stdout, ">> Second_hidden_neurons: %d \n", second_hidden_neurons); // 打印第二层隐藏层节点数量到标准输出  
  
  layers.create(1, 4, CV_32SC1); // 创建一个1行4列的OpenCV Mat对象，数据类型为32位有符号整数  
  layers.at<int>(0) = input_number; // 设置输入层节点数量  
  layers.at<int>(1) = first_hidden_neurons; // 设置第一层隐藏层节点数量  
  layers.at<int>(2) = second_hidden_neurons; // 设置第二层隐藏层节点数量  
  layers.at<int>(3) = output_number; // 设置输出层节点数量  
}

// 设置神经网络层的大小  
ann_->setLayerSizes(layers);  
  
// 设置激活函数为Sigmoid函数，其对称性取决于第二个参数，第三个参数是该函数的斜率  
ann_->setActivationFunction(cv::ml::ANN_MLP::SIGMOID_SYM, 1, 1);  
  
// 设置训练方法为反向传播法  
ann_->setTrainMethod(cv::ml::ANN_MLP::TrainingMethods::BACKPROP);  
  
// 设置训练终止条件为最大迭代次数30000次，或当误差小于0.0001时终止  
ann_->setTermCriteria(cvTermCriteria(CV_TERMCRIT_ITER, 30000, 0.0001));  
  
// 设置权重的更新比例因子为0.1  
ann_->setBackpropWeightScale(0.1);  
  
// 设置权重的动量更新比例因子为0.1  
ann_->setBackpropMomentumScale(0.1);  
  
// 获取文件夹中的文件列表，如果文件列表为空，则打印错误信息并给出建议  
auto files = Utils::getFiles(chars_folder_);  
if (files.size() == 0) {  
  fprintf(stdout, "No file found in the train folder!\n");  
  fprintf(stdout, "You should create a folder named \"tmp\" in EasyPR main folder.\n");  
  fprintf(stdout, "Copy train data folder(like \"annCh\") under \"tmp\". \n");  
  return;  
}  
  
// 使用原始数据或原始数据 + 合成的数据进行训练和验证，具体数量由 m_number_for_count 决定  
trainVal(m_number_for_count);

// 定义一个方法，用于识别汉字  
// 参数：输入图像  
// 返回值：一个由汉字字符串和对应的省份字符串组成的pair  
std::pair<std::string, std::string> AnnChTrain::identifyGrayChinese(cv::Mat input) {  
  // 定义特征向量  
  Mat feature;  
  // 从输入图像中提取特征  
  extractFeature(input, feature);  
  // 初始化最大值为-2  
  float maxVal = -2;  
  // 初始化结果为0  
  int result = 0;  
  
  // 定义输出矩阵，大小为1行，kChineseNumber列，数据类型为CV_32FC1（32位浮点型）  
  cv::Mat output(1, kChineseNumber, CV_32FC1);  
  // 使用神经网络模型进行预测，输入特征向量，输出结果到output矩阵中  
  ann_->predict(feature, output);  
  
  // 遍历输出矩阵中的每一个值  
  for (int j = 0; j < kChineseNumber; j++) {  
    // 获取当前位置的值  
    float val = output.at<float>(j);  
    // 如果当前值大于maxVal，则更新maxVal和result的值  
    //std::cout << "j:" << j << "val:" << val << std::endl;  
    if (val > maxVal) {  
      maxVal = val;  
      result = j;  
    }  
  }  
  
  // 根据result的值计算索引index，注意这里进行了偏移操作，可能是因为字符集的索引与输出结果的索引之间存在偏移  
  auto index = result + kCharsTotalNumber - kChineseNumber;  
  // 根据索引获取对应的字符key  
  const char* key = kChars[index];  
  // 将字符key转换为字符串s  
  std::string s = key;  
  // 通过kv_（应该是某个键值对容器）获取与s对应的省份字符串，存储到province变量中  
  std::string province = kv_->get(s);  
  
  // 返回一个由字符s和省份province组成的pair对象  
  return std::make_pair(s, province);  
}  
  
// 定义一个方法，用于测试模型性能（目前为空）  
void AnnChTrain::test() {  
  // TODO: 需要实现测试代码，评估模型的性能指标，如准确率、召回率等。  
}  
  
// 定义一个方法，用于训练验证集（目前为空）  
void AnnChTrain::trainVal(size_t number_for_count) {  
  // 断言chars_folder_不为空，否则会抛出异常（TODO: 需要实现断言失败的处理逻辑）  
  assert(chars_folder_);  
  // 定义训练样本的存储容器train_samples（TODO: 这里需要解释这个变量名和变量的具体含义）  
  cv::Mat train_samples;  
  // 定义训练图像、验证图像的存储容器（TODO: 这里需要解释这些变量名和变量的具体含义）  
  std::vector<cv::Mat>  train_images, val_images;  
  std::vector<int> train_label, val_labels;  
  // 设置训练验证集分割比例为0.7（70%用于训练，30%用于验证）  
  float percentage = 0.7f;  
  // 设置类别数为kChineseNumber（TODO: 需要解释这个变量的具体含义）直接把代码改成评注形式

// 循环遍历每个字符类别  
for (int i = 0; i < classNumber; ++i) {   
  // 从kChars数组中获取当前字符的键  
  auto char_key = kChars[i + kCharsTotalNumber - classNumber];  
  // 定义一个字符数组sub_folder，用于存储子文件夹的路径，并初始化为0  
  char sub_folder[512] = { 0 };  
  // 使用sprintf函数将字符键和字符文件夹路径拼接，存入sub_folder  
  sprintf(sub_folder, "%s/%s", chars_folder_, char_key);  
  // 将字符键转化为字符串类型，方便后续操作  
  std::string test_char(char_key);  
  // 如果test_char不等于"zh_yun"，则跳过当前循环  
  // if (test_char != "zh_yun") continue;  
  fprintf(stdout, ">> Testing characters %s in %s \n", char_key, sub_folder);  
  // 调用utils::getFiles函数获取子文件夹下的所有文件，存入chars_files  
  auto chars_files = utils::getFiles(sub_folder);  
  // 获取子文件夹下的文件数量  
  size_t char_size = chars_files.size();  
  fprintf(stdout, ">> Characters count: %d \n", (int)char_size);  
  
  // 定义一个向量matVec，用于存储处理过的图像  
  std::vector<cv::Mat> matVec;  
  // 为matVec预留空间，提高性能  
  matVec.reserve(number_for_count);  
  // 内层循环，遍历子文件夹下的每一个文件  
  for (auto file : chars_files) {  
    std::cout << file << std::endl;  
    // 使用OpenCV的imread函数读取图像，并将其转化为灰度图像  
    auto img = cv::imread(file, IMREAD_GRAYSCALE);  // a grayscale image   
    Mat img_resize;  
    // 为img_resize分配空间，并设置其大小和数据类型  
    img_resize.create(kGrayCharHeight, kGrayCharWidth, CV_8UC1);  
    // 使用OpenCV的resize函数调整图像大小  
    resize(img, img_resize, img_resize.size(), 0, 0, INTER_LINEAR);  
    // 将调整大小后的图像存入matVec  
    matVec.push_back(img_resize);  
  }  
}
// 生成合成图像  
// genrate the synthetic images  
for (int t = 0; t < (int)number_for_count - (int)char_size; t++) {  
  // 确定随机数的范围  
  int rand_range = char_size + t;  
  // 生成一个随机数  
  int ran_num = rand() % rand_range;  
  // 从matVec中获取一个图像  
  auto img = matVec.at(ran_num);  
  // 显示该图像  
  SHOW_IMAGE(img, 0);  
  // 生成合成图像  
  auto simg = generateSyntheticImage(img);  
  // 显示合成图像  
  SHOW_IMAGE(simg, 0);  
  // 将合成图像添加到matVec中  
  matVec.push_back(simg);  
}  
// 输出matVec的大小  
fprintf(stdout, ">> Characters count: %d \n", (int)matVec.size());  
  
// 对matVec进行随机排序  
// random sort the mat;  
srand(unsigned(time(NULL)));  
random_shuffle(matVec.begin(), matVec.end());  
  
// 获取matVec的大小  
int mat_size = (int)matVec.size();  
// 计算分割索引  
int split_index = int((float)mat_size * percentage);  
// 从后往前遍历matVec  
for (int j = mat_size - 1; j >= 0; j--) {  
  // 从matVec中获取图像  
  Mat img = matVec.at(j);  
  // 此处代码可能有误，因为该判断语句始终为真，无法起到分割训练集和验证集的作用  
  // 应该根据split_index来分割训练集和验证集  
  if (1) {  
    Mat feature;  
    // 提取图像特征  
    extractFeature(img, feature);  
    if (j <= split_index) {  
      // 将特征和图像添加到训练样本和训练图像中  
      train_samples.push_back(feature);  
      train_images.push_back(img);  
      train_label.push_back(i);  
    }  
    else {  
      // 将图像添加到验证图像中，将标签添加到验证标签中  
      val_images.push_back(img);  
      val_labels.push_back(i);  
    }  
  }  
}
  // generate train data
  train_samples.convertTo(train_samples, CV_32F);
  cv::Mat train_classes = cv::Mat::zeros((int)train_label.size(), classNumber, CV_32F);
  for (int i = 0; i < train_classes.rows; ++i)
    train_classes.at<float>(i, train_label[i]) = 1.f;
  auto train_data = cv::ml::TrainData::create(train_samples, cv::ml::SampleTypes::ROW_SAMPLE, train_classes);

  // train the data, calculate the cost time
  std::cout << "Training ANN chinese model, please wait..." << std::endl;
  long start = utils::getTimestamp();
  ann_->train(train_data);
  long end = utils::getTimestamp();
  ann_->save(ann_xml_);
  std::cout << "Your ANN Model was saved to " << ann_xml_ << std::endl;
  std::cout << "Training done. Time elapse: " << (end - start) / (1000 * 60) << "minute" << std::endl;

  // test the accuracy_rate in train
  if (1) {
    int corrects_all = 0, sum_all = train_images.size();
    std::cout << "train_images size: " << sum_all << std::endl;
    for (size_t i = 0; i < train_images.size(); ++i) {
      cv::Mat img = train_images.at(i);
      int label = train_label.at(i);
      auto char_key = kChars[label + kCharsTotalNumber - classNumber];
      std::pair<std::string, std::string> ch = identifyGrayChinese(img);
      if (ch.first == char_key)
        corrects_all++;
    }
    float accuracy_rate = (float)corrects_all / (float)sum_all;
    std::cout << "Train error_rate: " << (1.f - accuracy_rate) * 100.f << "% "<< std::endl;
  }

  // test the accuracy_rate in val
  if (1) {
    int corrects_all = 0, sum_all = val_images.size();
    std::cout << "val_images: " << sum_all << std::endl;
    for (size_t i = 0; i < val_images.size(); ++i) {
      cv::Mat img = val_images.at(i);
      int label = val_labels.at(i);
      auto char_key = kChars[label + kCharsTotalNumber - classNumber];
      std::pair<std::string, std::string> ch = identifyGrayChinese(img);
      if (ch.first == char_key)
        corrects_all++;
    }
    float accuracy_rate = (float)corrects_all / (float)sum_all;
    std::cout << "Test error_rate: " << (1.f - accuracy_rate) * 100.f << "% "<< std::endl;
  }

}

cv::Ptr<cv::ml::TrainData> AnnChTrain::tdata() {
  assert(chars_folder_);

  cv::Mat samples;
  std::vector<int> labels;

  std::cout << "Collecting chars in " << chars_folder_ << std::endl;

  int classNumber = 0;
  if (type == 0) classNumber = kCharsTotalNumber;
  if (type == 1) classNumber = kChineseNumber;

  for (int i = 0; i < classNumber; ++i) {
    auto char_key = kChars[i + kCharsTotalNumber - classNumber];
    char sub_folder[512] = {0};

    sprintf(sub_folder, "%s/%s", chars_folder_, char_key);
    std::cout << "  >> Featuring characters " << char_key << " in "
              << sub_folder << std::endl;

    auto chars_files = utils::getFiles(sub_folder);
    for (auto file : chars_files) {
      auto img = cv::imread(file, 0);  // a grayscale image
      auto fps = charFeatures2(img, kPredictSize);

      samples.push_back(fps);
      labels.push_back(i);
    }
  }

  cv::Mat samples_;
  samples.convertTo(samples_, CV_32F);
  cv::Mat train_classes =
    cv::Mat::zeros((int)labels.size(), classNumber, CV_32F);

  for (int i = 0; i < train_classes.rows; ++i) {
    train_classes.at<float>(i, labels[i]) = 1.f;
  }

  return cv::ml::TrainData::create(samples_, cv::ml::SampleTypes::ROW_SAMPLE,
                                   train_classes);
}
}