[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：http://weibo.com/u/1645794700/home?wvr=5&c=spr_web_360_hao360_weibo_t001

CV机器视觉2013CV机器视觉2013CV机器视觉2013
开始

开始正文吧！！！！

以前看到一个http://topic.csdn.net/u/20120417/15/edbf86f8-cfec-45c3-93e1-67bd555c684a.html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:http://download.csdn.net/detail/yjflinchong/4239243，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);
else
img=src.clone();
// 第一步，缩小尺寸。
/*将图片缩小到8x8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';
else
rst[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;}
else
cout<<"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。