无意中看见一篇博客，是讲仿造google搜图的，链接如下：
觉得挺好玩的，博主使用Java实现的，于是我用 OpenCv实现了下。
根据看到的博文，里面说到，Google图像搜索的关键技术是“感知压缩算法”（Perceptual hash 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。看到这里我就突然来了兴趣想自己实现！
接下来，简单介绍以下感知哈希算法：实验室邹晓艺师兄已经总结得挺好了，所以，我摘取部分：
基于低频的均值哈希
一张图片就是一个二维信号，它包含了不同频率的成分。如下图所示，亮度变化小的区域是低频成分，它描述大范围的信息。而亮度变化剧烈的区域（比如物体的边缘）就是高频的成分，它描述具体的细节。或者说高频可以提供图片详细的信息，而低频可以提供一个框架。
而一张大的，详细的图片有很高的频率，而小图片缺乏图像细节，所以都是低频的。所以我们平时的下采样，也就是缩小图片的过程，实际上是损失高频信息的过程。如下图：
上述这些东西，我们在DSP课堂上都可以学到。
均值哈希算法主要是利用图片的低频信息，其工作过程如下：
（1）缩小尺寸：去除高频和细节的最快方法是缩小图片，将图片缩小到8×8的尺寸，总共64个像素。不要保持纵横比，只需将其变成8*8的正方形。这样就可以比较任意大小的图片，摒弃不同尺寸、比例带来的图片差异。
（2）简化色彩：将8*8的小图片转换成灰度图像。
（3）计算平均值：计算所有64个像素的灰度平均值。
（4）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。
（5）计算hash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。(我设置的是从左到右，从上到下用二进制保存)。
计算一个图片的 hash 指纹就是这么简单，计算出来的hash指纹相对比原来的图片已经丢失了太多的信息了，以至于我们都怀疑这样的指纹是不是真的能够识别出相似的图片。不过，结果当然是不用怀疑的，数学之美与编程之美的结合！
如果图片放大或缩小，或改变纵横比，结果值也不会改变。增加或减少亮度或对比度，或改变颜色，对hash值都不会太大的影响。这种方法是被图片的最大的优点：计算速度快！
因为就像我们看到的，一幅图片被压缩，被转为灰度图，只采集hash指纹，这个过程计算量并不大，而这些指纹就相当于图片的特征。
比较两个图片的相似性，就是先计算这两张图片的hash指纹，也就是64位0或1值，然后计算不同位的个数(汉明距离)。如果这个值为0，则表示这两张图片非常相似，如果汉明距离小于5，则表示有些不同，但比较相近，如果汉明距离大于10则表明完全不同的图片。
实际情况中，我自己写的时候，发现汉明距离小于5的要求太苛刻了，汉明距离接近20的两张图片的相似度还是挺高的。
其实看到这里，你可以根据这个思路自己去实现以下，不用看下面的代码，一直觉得这样才是学习的好方法，看博客拓展思路，自己去实现。
接下来说代码实现：
首先介绍 getImageFinger 函数，也就是生成图像的指纹，代码如下：
getImageFinger(IplImage * img,char *status){int avrpixel= 0;int i,j;CvScalar scalar ;for (i = 0;i<8;i++){for (j = 0;j<8;j++){scalar = cvGet2D(img,i,j);avrpixel += scalar.val[0];}}avrpixel = avrpixel / 64 ;int k = 0;for (i = 0;i<8;i++){for (j = 0;j<8;j++){if (cvGet2D(img,i,j).val[0] > avrpixel){status[k++] = 1;}else{status[k++] = 0;}}}}
根据上面的原理就可以理解代码。
接下来是计算汉明距离的函数：
calHammDist(char * src_img,char * dst_img){int dist = 0;for(int i= 0;i<MAX_PIXEL_NUMBER;i++){if (src_img[i] != dst_img[i]){dist ++;}}return dist;}
搜素图片匹配的过程代码：
// 读取本地某目录下的全部图片进行搜索匹配int show_number = 0;for (int i = 0;i<7;i++){sprintf(FilePath,”F://image//%d.JPG”,i);dst_img = cvLoadImage(FilePath);resz_dst_img = cvCreateImage(cvSize(8,8),IPL_DEPTH_8U,3);cvResize(dst_img,resz_dst_img,1);com_dst_img = cvCreateImage(cvSize(8,8),IPL_DEPTH_8U,1);cvCvtColor(resz_dst_img,com_dst_img,CV_RGB2GRAY);getImageFinger(com_dst_img,status_dst);dis = calHammDist(status_src,status_dst);cout<<” dis :”<<dis<<endl;if (dis<20){showimgindex[show_number++] = i;}}
for 循环中 i 小于7 是因为我只放了7张图片，具体可以自己修改。
效果如下：
这是我本地的要搜索的7张图片
读书破万卷，下笔如有神。
