#include<iostream>
#include<omp.h>
#include<time.h>
#include<fstream>
#include<string>
#include<vector>
#include<queue>
#include<opencv2/opencv.hpp>

using namespace std;
using namespace cv;

#define wenJianLuJing "C:\\OpenCV\\rec5\\"		//要识别的图片
#define simplepath "C:\\OpenCV\\simple3\\"		//模板存储路径
#define logShuChuLuJing "C:\\OpenCV\\out.txt"	//调试日志输出路径

#define yongDuoXianCheng//是否开启多线程优化 如果没有环境，请关闭

//#define debug1 //一级debug 用于测试，输出图片
//#define debug2 //二级debug 用于演示，输出debug信息

ofstream fout;
vector<string> filenames;//正确结果

//用于debug的一些函数
void showImg(Mat m, string lable = "debug") {
#ifdef debug1
	imshow(lable, m);
	waitKey();
#endif // debug1

}
int i = 0;
void writeImg(Mat m, string name = "") {
#ifdef debug1
	if (name == "")
	{
		name = to_string(i);
		i++;
	}
	writeImg(m, name + ".jpg");
	//waitKey();
#endif // debug1

}




///////////////////////////////////开始///////////////////////////////////////////////



/*
	文件名预处理
	获取文件名，转化为可以对比的字符串
	输入为文件路径，输出完整文件名。
	完成人：
*/
string ChuLiWenJianMing(string s) {
	string r;
	string base = wenJianLuJing;
	int j = s.find(wenJianLuJing);
	s = s.substr(s.find(wenJianLuJing) + base.size());

	for (size_t i = 0; i < s.size(); i++)
	{
		if (s[i] == 'x' || s[i] == 'X' || (s[i] >= '0' && s[i] <= '9'))
		{
			r.push_back(s[i]);
		}
	}


#ifdef debug1
	cout << "处理的文件名：" << r << endl;
#endif // debug1

	return r;
}

//////////////////////////////////////////////////////////////////////////////////////
/*
	图片读取加载
	从文件夹中读取文件
	完成人：
*/
vector<Mat> ShuRuTuPian() {//暂定 内存不足再改

	vector<string> tuPianMen;//存储路径
	glob(wenJianLuJing, tuPianMen, 0);

	vector < Mat> tuPian;

	for (int i = 0; i < tuPianMen.size(); i++)
	{
		Mat img = imread(tuPianMen[i]);
		tuPian.push_back(img);
#ifdef debug2
		cout << "读取 " << i << " 成功：" + tuPianMen[i] << endl;
#endif // debug2

		filenames.push_back(ChuLiWenJianMing(tuPianMen[i]));
	}

	return tuPian;
}

//////////////////////////////////////////////////////////////////////////////////////
/*
	图片降噪
	降噪
	输入为一个图像的数组 代表需要处理的所有图片 输出为处理好的图像的数组
	完成人：
*/
//排序求中值
int reorder(vector<int>& shuzu)
{
	int zhongzhi;
	for (int i = 0; i < 9; i++)
	{
		for (int j = 0; j < 9 - i - 1; j++)
		{
			if (shuzu[j] > shuzu[j + 1])
			{
				int temp;
				temp = shuzu[j + 1];
				shuzu[j + 1] = shuzu[j];
				shuzu[j] = temp;
			}
		}
	}
	zhongzhi = shuzu[4];
	return zhongzhi;
}
//单个图片降噪
void denoising(Mat grayImg, Mat& grayImg2)
{
	grayImg2 = Mat(grayImg.rows, grayImg.cols, CV_8UC1);
	vector<int>temp(9); //定义九个方向
	int xx[9] = { 1,-1,1,-1,-1,0,1,0,0 };
	int yy[9] = { 1,-1,-1,1,0,1,0,-1,0 };
	for (int i = 0; i < grayImg.rows; i++)
	{
		for (int j = 0; j < grayImg.cols; j++)
		{
			//边缘部分不做处理
			if (i == 0 || i == grayImg.rows - 1 || j == 0 || j == grayImg.cols - 1)
			{
				grayImg2.at<uchar>(i, j) = grayImg.at<uchar>(i, j);
			}
			else
			{
				for (int k = 0; k < 9; k++)
				{
					temp[k] = grayImg.at<uchar>(i + xx[k], j + yy[k]);
				}
				grayImg2.at<uchar>(i, j) = reorder(temp);
			}
		}
	}

}
//降噪
Mat jiangZaoTuPian(Mat m) {
	//GaussianBlur(m, m, Size(9, 9), 0);		//高斯滤波
	medianBlur(m, m, 9);						//中值滤波
	//denoising(m, m);							//自己的中值滤波
	return m;
}

//////////////////////////////////////////////////////////////////////////////////////

/*
	图像转正
	图像转正

	完成人：
*/
Mat zhuanZhengTuPian(Mat vm)
{
	Mat temp;
	Sobel(vm, temp, -1, 0, 1, 5);
	//霍夫直线检测（第5个参数是阈值，阈值越大，检测精度越高）
	vector<Vec2f> Line;
	HoughLines(temp, Line, 1, CV_PI / 180, 180, 0, 0);
	// 画出直线

	//计算偏转角度
	double jiao = 0;
	int zhiXianShu = 0;
	for (int i = 0; i < Line.size(); i++)
	{
		if (Line[i][1] < 1.2 || Line[i][1]>1.8) continue;

		jiao += Line[i][1];
		zhiXianShu++;
	}
	if (zhiXianShu == 0)
		jiao = CV_PI / 2;
	else
		jiao /= zhiXianShu;
	jiao = 180 * jiao / CV_PI - 90;
	Mat tempEr = getRotationMatrix2D(Point(vm.cols / 2, vm.rows / 2), jiao, 1);
	warpAffine(vm, vm, tempEr, Size(vm.cols * 1.42, vm.rows));
	return vm;
}

//////////////////////////////////////////////////////////////////////////////////////

/*
*
	水漫处理
	对图片进行水漫处理
	输入为一个图像的数组 代表需要处理的所有图片 输出为处理好的图像的数组
	完成人：
*/

struct position
{
	position(int x, int y) :x(x), y(y) {

	}
	int x;
	int y;
};

Mat shuiMan(Mat r) {
	Mat m;
	r.copyTo(m);
	uchar* s = m.ptr<uchar>(0);

	queue<position> qp;

	for (size_t i = 0; i < m.rows; i++)
	{
		if (s[i] != 0)
		{
			position p(0, i);
			qp.push(p);
			//s[i] = 0;
		}
	}


	while (!qp.empty())
	{

		position p = qp.front(); qp.pop();

		if (p.x >= m.rows || p.x < 0 || p.y < 0 || p.y >= m.cols)
		{
			continue;//超出的p直接丢弃
		}
		
		uchar* u = m.ptr<uchar>(p.x);
		if (m.at<uchar>(p.x, p.y) != 0)
		{
			m.at<uchar>(p.x, p.y) = 0;
			qp.push(position(p.x + 1, p.y));
			qp.push(position(p.x, p.y + 1));
			qp.push(position(p.x - 1, p.y));
			qp.push(position(p.x, p.y - 1));
		}
	}

	return m;
}
//////////////////////////////////////////////////////////////////////////////////////
/*
*
	二值化处理
	对图片进行二值化处理
	输入为一个图像的数组 代表需要处理的所有图片 输出为处理好的图像的数组
	完成人：
*/


bool heiBaiSHu(Mat m) {//检查是否为黑白颠倒图片
	Mat mat;
	m.copyTo(mat);
	threshold(mat, mat, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

	int baishu = 0, heishu = 0;

	for (int i = 0; i < mat.rows; i++)
	{
		for (int j = 0; j < mat.cols; j++)
		{
			/*image.at<Vec3b>(i, j)[0] = image.at<Vec3b>(i, j)[0] / div * div + div / 2;
			image.at<Vec3b>(i, j)[1] = image.at<Vec3b>(i, j)[1] / div * div + div / 2;
			image.at<Vec3b>(i, j)[2] = image.at<Vec3b>(i, j)[2] / div * div + div / 2;*/
			if (mat.at<uchar>(i, j) == 0)
			{
				heishu++;
			}
			else
			{
				baishu++;
			}
		}
	}

	return heishu < baishu;
}


Mat ErZhiHuaTuPian(Mat mat, int moShi) {
	Mat m;
	mat.copyTo(m);

	if (moShi == 0)
	{
		threshold(m, m, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);
	}
	else if (moShi == 3)
	{
		adaptiveThreshold(m, m, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 159, 18);
	}
	else if (moShi == 1)
	{
		adaptiveThreshold(m, m, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY_INV, 11, 6);
	}
	else if (moShi == 2)
	{
		adaptiveThreshold(m, m, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY_INV, 159, 18);
	}
	else if (moShi == 4)
	{
		adaptiveThreshold(m, m, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY_INV, 99, 30);
	}
	else if (moShi == 5)
	{
		adaptiveThreshold(m, m, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY_INV, 33, 11);
	}
	else if (4)
	{
		if (heiBaiSHu(m))
		{
			threshold(m, m, 0, 255, THRESH_BINARY | THRESH_OTSU);
		}
		else
		{
			threshold(m, m, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);
		}
	}

	return m;
}

//////////////////////////////////////////////////////////////////////////////////////

/*
	预处理核心
	调整合适大小 灰度化 二值化
	输入为一个图像的数组 代表需要处理的所有图片 输出为处理好的图像的数组
	完成人：
*/
Mat yuChuLiTuPian(Mat vm, int moShi = 0) {


#ifdef debug2
	//cout << "YuChuLiShu: " << k << endl;
#endif // debug2


	//调整图像大小呢
	double kuan = 1200;
	double gao = (double(vm.rows) / vm.cols) * kuan;
	Size s(kuan, gao);
	resize(vm, vm, s);


	//灰度化
	cvtColor(vm, vm, COLOR_BGR2GRAY);

	vm = jiangZaoTuPian(vm);


	//denoising(vmEr[k],vmEr[k]);

	//二值化
	//adaptiveThreshold(vmEr[k], vmEr[k], 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY_INV, 11, 6);
	//adaptiveThreshold(vmEr[k], vmEr[k], 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY_INV, 159, 18);
	//threshold(vmEr[k], vmEr[k], 0, 255, THRESH_BINARY_INV | THRESH_OTSU);

	if (moShi == 7)//针对可能出现的无法水漫的情况
	{
		vm = ErZhiHuaTuPian(vm, 0);
		vm = zhuanZhengTuPian(vm);
		return vm;
	}

	vm = ErZhiHuaTuPian(vm, moShi);
	vm = zhuanZhengTuPian(vm);
	vm = shuiMan(vm);
	
	return vm;
}

//////////////////////////////////////////////////////////////////////////////////////
/*
	图片分割
	输入一个图片将图片分割为数字
	输入为一个带有条码数字的图片 输出为数字图片的数组
	完成人：
*/
vector<Mat> fenGeTuPian(Mat vm) {
	vector<Mat> tupian;
	//----这些声明可能需要在前面进行，因为我需要用就擅自声明了，可以调整位置
	typedef pair<int, pair<int, int>> OPPP;
	typedef pair<int, int> OPP;
	vector<Point> pointsnumber;        // 用于表示：每一行的像素值大于100像素点的数量
	vector<int> rows_element;    // 行ROI感兴趣区域
	vector<OPPP> answervector;            // 存储答案的容器
	Mat res_image;               // 处理完成的图像，提取兴趣框时用    *重要
	Mat src_copy_image;          // 拷贝输入图片
	Range ROI_range;             // y字符兴趣框位置
	Mat ROI_image;               // 提取兴趣框
	vector<int> num_area;        // 数字的ROI感兴趣区域，即字符分割
	vector<OPP> num_position;    // 数字的位置信息，用于字符分割
	res_image = vm;
	res_image.copyTo(src_copy_image);
	Range ROI_range_x;           // x字符兴趣框位置
	//清除上一次的输入数据
	answervector.clear();
	pointsnumber.clear();
	rows_element.clear();

	for (int i = 0; i < res_image.rows; i++) {
		int sum = 0;
		uchar* ff = res_image.ptr(i);// 获取当前行的指针
		// 遍历当前行的每个像素

		for (int j = 0; j < res_image.cols; j++) {
			if (*(ff + j) >= 100) { sum++; }
		}// 统计亮度大于等于100的像素数量
		rows_element.push_back(sum);// 将统计结果存储
		// 存储点，横坐标为行内亮度大于等于100的像素数量的一半，纵坐标为行号
		// 如果不是第一行，则在原图上画线连接当前点和前一个点
		pointsnumber.push_back(Point(sum / 2, i));

		if (i) line(src_copy_image, pointsnumber[max(0, i - 1)], pointsnumber[i], Scalar(255, 0, 0), 2);
	}
	int idx = -1;
	// 索引初始化为-1
	// 对行元素数组的前半部分进行遍历
	for (int i = 0; i < rows_element.size() / 2; i++) {


		if (rows_element[i] >= 35) // 如果当前行的亮度统计值大于等于35
		{
			OPPP item = { ++idx, {i, 0} }; // 创建一个新项，索引加1，起始行为i
			answervector.push_back(item); // 将该项添加到结果中
			int idx = i;// 更新idx为当前行号
			// 循环直到找到一个行的亮度统计值小于35




			while (idx < rows_element.size() && rows_element[idx] >= 35) {

				idx++;
			}
			answervector[item.first].second.second = idx;// 更新当前项的结束行为idx
			i = ++idx;// 更新遍历的行号
		}

	}
	// 获取倒数第二个结果的起始和结束行号
	int _begin = answervector[max(0, (int)answervector.size() - 2)].second.first, _end = answervector[max(0, (int)answervector.size() - 2)].second.second;

	priority_queue<double> heap; // 定义一个最大堆
	// 检查提取的区域是否过大或过小
	if (_end - _begin >= 400 || _end - _begin <= 40) {
		answervector.clear(); // 清空结果
		idx = -1; // 索引重置为-1
		// 重新遍历行元素数组的前半部分
		for (int i = 0; i < rows_element.size() / 2; i++) {

			// 如果当前行亮度统计值大于等于35，并且堆为空或当前行与堆顶元素差值不超过300
			if (rows_element[i] >= 35 && (!heap.size() || heap.top() - rows_element[i] <= 300)) {
				heap.push(rows_element[i]); // 将当前行亮度统计值推入堆
				OPPP item = { ++idx, {i, 0} }; // 创建新项
				answervector.push_back(item); // 添加到结果中
				int idx = i; // 更新idx为当前行号
				// 循环直到找到一个行的亮度统计值小于35或与堆顶元素差值超过300
				while (idx < rows_element.size() && rows_element[idx] >= 35 && heap.top() - rows_element[idx] <= 300) {

					//cout << "非法输入测试: idx " << idx <<" "<<rows_element.size()<< endl;
					heap.push(rows_element[idx++]); // 将当前行亮度统计值推入堆
				}
				answervector[item.first].second.second = idx; // 更新当前项的结束行为idx
				i = ++idx; // 更新遍历的行号
			}
			else {
				// 如果不满足条件，则清空堆
				while (heap.size()) heap.pop();
			}
		}
		_begin = answervector[max(0, (int)answervector.size() - 2)].second.first, _end = answervector[max(0, (int)answervector.size() - 2)].second.second;

	}
	if (_begin >= _end || _begin > 114514)
		return vector<Mat>();
	// 保存兴趣框位置
	ROI_range = Range(_begin, _end);

	// 提取兴趣框
	ROI_image = res_image(Range(_begin, _end), Range::all());
	// 清空之前存储的区域数和位置信息
	num_area.clear();
	num_position.clear();

	// 遍历ROI图像的每一列
	for (int i = 0; i < ROI_image.cols; i++) {
		int num = 0; // 用于统计当前列中亮度大于等于103的像素数量
		// 遍历当前列的每一行
		for (int j = 0; j < ROI_image.rows; j++) {
			uchar* ch = ROI_image.ptr(j); // 获取当前行的指针
			if (*(ch + i) >= 103) num++; // 如果当前像素的亮度大于等于103，则计数加1
		}
		num_area.push_back(num); // 将当前列的计数结果存储起来
	}

	// 遍历每一列的统计结果
	for (int i = 0; i < num_area.size(); i++) {
		// 如果当前列的亮度大于等于103的像素数量大于等于2
		if (num_area[i] >= 2) {
			OPP item = { max(i - 1, 0), 0 }; // 创建一个新的位置项，起始位置为当前位置减1（但不小于0），结束位置暂时设置为0
			int idx = i; // 保存当前索引
			// 继续向后遍历，直到找到一个列的亮度大于等于103的像素数量为0
			while (num_area[idx]) idx++;
			item.second = idx; // 更新位置项的结束位置为idx
			i = idx; // 更新外层循环的索引，跳过已经检测过的区域
			num_position.push_back(item); // 将位置项添加到结果列表中
		}
	}
	// 保存x方向的边界
	// 设置感兴趣区域的起始x坐标为第一个位置项的起始位置
	if (num_position.empty())
	{//数字为空 说明剪切失败一个字也没切出来
#ifdef debug2
		cout << "E:图像分割失败，一个字也没分割" << endl;
		fout << "E:图像分割失败，一个字也没分割" << endl;
#endif // debug2
		return vector<Mat>();
	}
	ROI_range_x.start = num_position[0].first;
	// 设置感兴趣区域的结束x坐标为最后一个位置项的结束位置
	ROI_range_x.end = num_position[num_position.size() - 1].second;

	for (int i = 0; i < num_position.size(); i++)
	{
		// 根据位置信息提取字符图像
		Mat item_image = ROI_image(Range::all(), Range(num_position[i].first, num_position[i].second));

		int head = 0;
		// 查找字符图像的顶部位置
		for (int j = 0; j < item_image.rows; j++) {
			auto ff = item_image.ptr(j);
			int num = 0;
			for (int k = 0; k < item_image.cols; k++) {
				num += ff[k]; // 计算当前行像素值之和
			}
			if (num) {
				head = j; // 找到第一个非空行，记录位置为顶部位置
				break;
			}
		}

		int end = 0;
		// 查找字符图像的底部位置
		for (int j = item_image.rows - 1; j >= 0; j--)
		{
			auto ff = item_image.ptr(j);
			int num = 0;
			for (int k = 0; k < item_image.cols; k++) {
				num += ff[k]; // 计算当前行像素值之和
			}
			if (num) {
				end = j; // 找到最后一个非空行，记录位置为底部位置
				break;
			}
		}

		// 根据顶部位置和底部位置裁剪字符图像
		item_image = item_image(Range(head, end), Range::all());
		tupian.push_back(item_image);

	}
	return tupian;
}

//////////////////////////////////////////////////////////////////////////////////
/*
	图片识别
	输入一个图片确定是什么
	输入为一个数字图片 图片内容是什么输出什么数字，输出-1为非数字（待定）
	完成人：
*/
double jisuan(Mat inputImg)
{
	double nums = 0;
	int temp = 0;
	for (int i = 0; i < inputImg.rows; i++)
	{
		for (int j = 0; j < inputImg.cols; j++)
		{
			if (inputImg.ptr(i)[j] != 0)
			{
				nums += inputImg.ptr(i)[j];
				temp++;
			}
		}
	}
	return nums / (temp);
}

//字符识别
char shiBieTuPian(Mat inputImg)
{
	if (double(inputImg.rows) / inputImg.cols < 0.5) {
		///imshow("图片", inputImg);
		waitKey(); return'-';
	}
	if (double(inputImg.rows) / inputImg.cols > 5) {
		//imshow("图片", inputImg);
		waitKey(); return'?';
	}
	if (double(inputImg.rows) * inputImg.cols < 400) {
		//imshow("图片", inputImg);
		waitKey(); return'=';
	}
	if (double(inputImg.rows) * inputImg.cols > 5500) {
		//imshow("图片", inputImg);
		waitKey(); return'`';
	}
	string sampleImgPath = simplepath;

	vector<String> sampleImgFN;
	glob(sampleImgPath, sampleImgFN, false);
	int sampleImgNums = sampleImgFN.size();
	vector<pair< double, int> >nums(sampleImgNums + 1);
	for (int i = 0; i < sampleImgNums; i++) {
		nums[i].second = i;
		Mat numImg = imread(sampleImgFN[i], 0);
		Mat delImg, demo_del_image;
		resize(numImg, numImg, Size(inputImg.cols, inputImg.rows));
		absdiff(numImg, inputImg, delImg);
		//matchTemplate(inputImg, numImg, demo_del_image, TM_SQDIFF_NORMED);

		nums[i].first = jisuan(delImg);
	}
#ifdef debug1
	//imshow("图片", inputImg);
#endif // debug1

	waitKey();
	//排序 越小说明匹配度越高
	sort(&nums[0], &nums[sampleImgNums]);


	int index = nums[0].second;

	//index = index / 3;


	return sampleImgFN[index][sampleImgPath.size()];

	/*if (index >= 0 && index <= 9)
		return index + '0';
	else if (index == 10) return 'B';
	else if (index == 11) return 'I';
	else if (index == 12) return 'N';
	else if (index == 13) return 'S';
	else if (index == 14) return 'X';
	else return ' ';*/


}
/////////////////////////////////////////////////////////////////////////////
/*
	isbn码合法性检查
*/
bool isbnhefa13(string s) {

	int sum = 0;
	for (int i = 0; i < 12; i++) {
		sum += (i % 2 == 0) ? s[i] - '0' : (s[i] - '0') * 3;
	}

	int check_digit = 10 - (sum % 10);
	if (check_digit == 10) {
		check_digit = 0;
	}

	return (check_digit == s[12] - '0');
}

bool isbnhefa10(const string s) {
	int len = s.length();

	int sum = 0;
	for (int i = 0; i < len - 1; i++) {
		sum += (i + 1) * (s[i] - '0');
	}

	if (s[len - 1] == 'X') {
		sum += 10;
	}
	else {
		sum += 10 * (s[len - 1] - '0');
	}

	return sum % 11 == 0;
}

bool isbnhefa(string s) {
	if (s.size() == 10)
	{
		return isbnhefa10(s);
	}
	if (s.size() == 13)
	{
		return isbnhefa13(s);
	}
	return false;
}

//////////////////////////////////////////////////////////////////////////////////////
/*
    计算字符正确率
*/
void zifuzql(string s1, string s2, int& zhengQueShuZi, int& shuZiShu)
{
	shuZiShu = shuZiShu + s2.size();
	if (s1 == s2)
	{
		zhengQueShuZi = zhengQueShuZi + s1.size();

	}
	else
	{
		int ks = 0;
		for (int i = 0; i < s2.size(); i++)
		{
			int j = ks;
			for (j; j < s1.size(); j++)
			{
				if (s2[i] == s1[j])
				{
					ks++;
#ifdef yongDuoXianCheng
#pragma omp atomic
#endif
					zhengQueShuZi++;
				}
			}

		}
	}
}
//////////////////////////////////////////////////////////////////////////////////////

/*
	计算结果并输出
	计算结果 输出结果 注意输出美观
	完成人：
*/
void jiSuanJieGuo(int tuPianShu = 0, int zhengQueTuPianShu = 0, int shuZiShu = 0, int zhengQueShuZi = 0) {
	double tuPianShu2 = static_cast<double>(tuPianShu);
	double zhengQueTuPianShu2 = static_cast<double>(zhengQueTuPianShu);
	double shuZiShu2 = static_cast<double>(shuZiShu);
	double zhengQueShuZi2 = static_cast<double>(zhengQueShuZi);
	double zhengQueLv = zhengQueTuPianShu2 / tuPianShu2;
	double zhunQueLv = zhengQueShuZi2 / shuZiShu2;
	cout << endl;
	cout << "图片总数：" << tuPianShu << " 正确识别数：" << zhengQueTuPianShu;
	cout << fixed << setprecision(5) << "正确率：" << zhengQueLv << endl;
	cout << "字符总数：" << shuZiShu << " 正确识别数：" << zhengQueShuZi << fixed << setprecision(5) << "准确率：" << zhunQueLv << endl;
	fout << "正确率：" << zhengQueLv << endl << "准确率：" << zhunQueLv << endl;
}
////////////////////////////////////识别字符串处理////////////////////////////////////
/*
	结果处理
	计算正确率并输出
	完成人：
*/
string JIeGuoChuLi(string s) {
	string r;
	bool zhanDaoN = false;
	for (size_t i = 0; i < s.size(); i++)
	{
		char c = s[i];
		if (c == 'N')
		{
			zhanDaoN = 1;
		}
		if (!zhanDaoN)
		{
			continue;
		}


		if (c == 'x' || c == 'X' || (c >= '0' && c <= '9'))
		{
			r.push_back(c);

		}
		if (c == 'B')
		{
			r.push_back('8');

		}
		//if (c=='S')
		//{
			//r.push_back('5');
		//}
		//if (c == 'I')
		//{
			//r.push_back('1');
		//}
	}



	return r;
}


/////////////////////////////////////非核心部分结束/////////////////////////////////////////////

#define MODENUM 7 //用于预处理的模式数

//用于识别单张图片的函数
string chuLiDanZhuangTuPian(Mat mat, int i) {

	string s1;//第一次识别的结果
	string s;//最终识别结果呢
	string s2;//中间变量

	//尝试使用多种预处理模式，当某个模式得到合法结果时退出循环，反之继续尝试下一个算法
	int k = 0;
	for (; k <= MODENUM; k++)
	{
		s = s2 = "";
		Mat m;
		mat.copyTo(m);//opencv中mat应当用copyto函数生成副本，因为使用=只是传递指针
		m = yuChuLiTuPian(m, k);//！！！重点 调用预处理模块预处理图片，m为图片，k为预处理的模式（截止目前有七种）
		showImg(m);//debug的 显示一下图片
		vector<Mat>vm = fenGeTuPian(m);//将图片按照字符分割
		int j = 0;
		for (size_t j = 0; j < vm.size(); j++)
		{
			//cout <<"识别测试："<< shiBieTuPian(vm[j])<<endl;
			char c = shiBieTuPian(vm[j]);
			s2.push_back(c);
			//showImg(vm[j]);
		}
		s = JIeGuoChuLi(s2);//处理结果，去掉明显不对的字符
		//showImg(yiChuLiTuPianMen[i]);
		if (k == 0)
		{
			s1 = s;
		}

		//通过isbn合法性验证函数验证isbn码是否合法
		if (isbnhefa(s))
		{
			break;
		}
	}


#ifdef debug2  
	cout << s2 << ": 识别结果处理过：" << s << "  正确结果" << filenames[i];
	fout << i << ": 识别结果：" << s2 << ": 识别结果处理过：" << s << "  正确结果" << filenames[i];
	if (s == filenames[i])
	{
		cout << "         √";
		fout << "         √";
	}
	fout << endl;
	cout << endl;
#endif // debug2

	if (k > MODENUM)
	{
		return s1;//如果所有模式都无法得出正确结果，则使用第一种模式的识别结果
	}
	return s;
}

int main() {
	int tuPianShu = 0;
	int hengQueTuPianShu = 0;
	int shuZiShu = 0;
	int zhengQueShuZi = 0;

	vector<string> ShibieDe;
	fout.open(logShuChuLuJing);//用于输出测试的文件

	vector<Mat> yuanShiTuPianMen = ShuRuTuPian();//读入图片

	tuPianShu = yuanShiTuPianMen.size();
	
	clock_t start, end;
	start = clock();//打点 用于记录程序运行时间

#ifndef debug2
	int k = 0;
#endif // !debug2

#ifdef yongDuoXianCheng
#pragma omp parallel for //开启多线程优化
#endif // yongDuoXianCheng
	for (int i = 0; i < tuPianShu; i++)
	{

		Mat m = yuanShiTuPianMen[i];
		string s = chuLiDanZhuangTuPian(m, i);

		if (s == filenames[i])
		{
#ifdef yongDuoXianCheng 
#pragma omp atomic //多线程线相关
#endif
			hengQueTuPianShu++;
		}
		zifuzql(s, filenames[i], zhengQueShuZi, shuZiShu);

#ifndef debug2
#ifdef yongDuoXianCheng
#pragma omp atomic //多线程相关
#endif
		k++;
		cout << "\r当前进度：" << double(k) / tuPianShu * 100 << "%";
#endif // !debug2
	}

	end = clock();//打点 记录运行时间

	fout << "\r" << endl;
	fout << "正确识别：" << hengQueTuPianShu;
	jiSuanJieGuo(tuPianShu, hengQueTuPianShu, shuZiShu, zhengQueShuZi);

	cout << "运行时间 " << double(end - start) / CLOCKS_PER_SEC << "s" << endl;
}