[半原创]指纹识别+谷歌图片识别技术之C++代码

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。

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。