[半原创]指纹识别+谷歌图片识别技术之opencv代码

先打个广告，哈哈！！

我的新浪微博：?wvr=5&c=spr_web_360_hao360_weibo_t001

CV机器视觉2013开始

开始正文吧！！！！

以前看到一个网页，觉得蛮有趣的，方法似乎很简单，早就想用c++实现它，但是搁置很久，今天突然感兴趣实现了下。给一个免费的下载java源代码地址:，图片你可以用他们的图片~~

以下程序中的图片自己随便找。

主题内容摘录：

Google “相似图片搜索”：你可以用一张图片，搜索互联网上所有与它相似的图片。打开Google图片搜索页面：点击使用上传一张angelababy原图：点击搜索后，Google将会找出与之相似的图片，图片相似度越高就越排在前面。

这种技术的原理是什么？计算机怎么知道两张图片相似呢？

根据Neal Krawetz博士的解释，实现相似图片搜素的关键技术叫做”感知哈希算法”（Perceptualhash algorithm），它的作用是对每张图片生成一个”指纹”（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。以下是一个最简单的Java实现：预处理：读取图片第一步，缩小尺寸。

将图片缩小到8×8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。第二步，简化色彩。

将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。第三步，计算平均值。计算所有64个像素的灰度平均值。第四步，比较像素的灰度。将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。第五步，计算哈希值。将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算”汉明距离”（Hammingdistance）。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。你可以将几张图片放在一起，也计算出他们的汉明距离对比，，就可以看看两张图片是否相似。这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。

用的OpenCV打开图像(貌似没有opencv寸步难行呢，囧)

// Win32TestPure.cpp : 定义控制台应用程序的入口点。#include "stdafx.h"//#include <atlstr.h>//CString, CEdit #include "opencv2\opencv.hpp"#include <hash_map>//—————————————————-using namespace std;using namespace cv;class PhotoFingerPrint{public:int Distance(string &str1,string &str2);string HashValue(Mat &src); //主要功能函数void Insert(Mat &src,string &val);void Find(Mat &src);private:Mat m_imgSrc;hash_map<string,string> m_hashMap;};string PhotoFingerPrint::HashValue(Mat &src){string rst(64,’\0′);Mat img;if(src.channels()==3)cvtColor(src,img,CV_BGR2GRAY);elseimg=src.clone();// 第一步，缩小尺寸。/*将图片缩小到8×8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。*/resize(img,img,Size(8,8));//缩小尺寸// 第二步，简化色彩。// 将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。uchar *pData;for(int i=0;i<img.rows;i++){pData = img.ptr<uchar>(i);for(int j=0;j<img.cols;j++){pData[j]=pData[j]/4; //0~255—>0~63}}// 第三步，计算平均值。// 计算所有64个像素的灰度平均值。int average = mean(img).val[0];// 第四步，比较像素的灰度。// 将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。Mat mask= (img>=(uchar)average);//////// 第五步，计算哈希值。/* 将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。*/int index = 0;for(int i=0;i<mask.rows;i++){pData = mask.ptr<uchar>(i);for(int j=0;j<mask.cols;j++){if(pData[j]==0)rst[index++]=’0′;elserst[index++]=’1′;}}return rst;}void PhotoFingerPrint::Insert(Mat &src,string &val){string strVal = HashValue(src);m_hashMap.insert(pair<string,string>(strVal,val));cout<<"insert one value:"<<strVal<<" string:"<<val<<endl;}void PhotoFingerPrint::Find(Mat &src){string strVal=HashValue(src);hash_map<string,string>::iterator it=m_hashMap.find(strVal);if(it==m_hashMap.end()){cout<<"no photo———"<<strVal<<endl;}elsecout<<"find one , key: "<<it->first<<" value:"<<it->second<<endl; /* return *it;*/}int PhotoFingerPrint::Distance(string &str1,string &str2){if((str1.size()!=64)||(str2.size()!=64))return -1;int difference = 0;for(int i=0;i<64;i++){if(str1[i]!=str2[i])difference++;}return difference;}int main(int argc, char* argv[] ){PhotoFingerPrint pfp;Mat m1=imread("images\\example3.jpg",0);Mat m2=imread("images\\example4.jpg",0);Mat m3=imread("images\\example5.jpg",0);Mat m4=imread("images\\example6.jpg",0);Mat m5;resize(m3,m5,Size(100,100));string str1 = pfp.HashValue(m1);string str2 = pfp.HashValue(m2);string str3 = pfp.HashValue(m3);string str4 = pfp.HashValue(m4);pfp.Insert(m1,string("str1\0"));pfp.Insert(m2,string("str2\0"));pfp.Insert(m3,string("str3\0"));pfp.Insert(m4,string("str4\0"));pfp.Find(m5);// cout<<pfp.Distance(str1,str1)<<endl;// cout<<pfp.Distance(str1,str2)<<endl;// cout<<pfp.Distance(str1,str3)<<endl;// cout<<pfp.Distance(str1,str4)<<endl;return 0;}好吧，只有当加入足够多的图像，这个哈希表才有意义。本程序给了一个大致的模型，细节都没有进行推敲(hash_map第一次用)。希望大家提点意见。

学做任何事得按部就班，急不得