[半原創]指紋識別+Google圖片識別技術之C++代碼

      以前看到一個http://topic.csdn.net/u/20120417/15/edbf86f8-cfec-45c3-93e1-67bd555c684a.html網頁，覺得蠻有趣的，方法似乎很簡單，早就想用c++實現它，但是擱置很久，今天突然感興趣實現了下。給一個免費的下載java原始碼地址:http://download.csdn.net/detail/yjflinchong/4239243，圖片你可以用他們的圖片~~

      以下程式中的圖片自己隨便找。

主題內容摘錄：

Google "相似圖片搜尋"：你可以用一張圖片，搜尋互連網上所有與它相似的圖片。
開啟Google圖片搜尋網頁面：
點擊使用上傳一張angelababy原圖：
點擊搜尋後，Google將會找出與之相似的圖片，圖片相似性越高就越排在前面。

這種技術的原理是什嗎？電腦怎麼知道兩張圖片相似呢？

根據Neal Krawetz博士的解釋，實現相似圖片搜素的關鍵技術叫做"感知雜湊演算法"（Perceptualhash algorithm），它的作用是對每張圖片產生一個"指紋"（fingerprint）字串，然後比較不同圖片的指紋。結果越接近，就說明圖片越相似。
以下是一個最簡單的Java實現：
預先處理：讀取圖片
第一步，縮小尺寸。

  將圖片縮小到8x8的尺寸，總共64個像素。這一步的作用是去除圖片的細節，只保留結構、明暗等基本資料，摒棄不同尺寸、比例帶來的圖片差異。
第二步，簡化色彩。

  將縮小後的圖片，轉為64級灰階。也就是說，所有像素點總共只有64種顏色。
第三步，計算平均值。
  計算所有64個像素的灰階平均值。
第四步，比較像素的灰階。
  將每個像素的灰階，與平均值進行比較。大於或等於平均值，記為1；小於平均值，記為0。
第五步，計算雜湊值。
   將上一步的比較結果，組合在一起，就構成了一個64位的整數，這就是這張圖片的指紋。組合的次序並不重要，只要保證所有圖片都採用同樣次序就行了。
  得到指紋以後，就可以對比不同的圖片，看看64位中有多少位是不一樣的。在理論上，這等同於計算"漢明距離"（Hammingdistance）。如果不相同的資料位元不超過5，就說明兩張圖片很相似；如果大於10，就說明這是兩張不同的圖片。
  你可以將幾張圖片放在一起，也計算出他們的漢明距離對比，就可以看看兩張圖片是否相似。
   這種演算法的優點是簡單快速，不受圖片大小縮放的影響，缺點是圖片的內容不能變更。如果在圖片上加幾個文字，它就認不出來了。所以，它的最佳用途是根據縮圖，找出原圖。
    實際應用中，往往採用更強大的pHash演算法和SIFT演算法，它們能夠識別圖片的變形。只要變形程度不超過25%，它們就能匹配原圖。這些演算法雖然更複雜，但是原理與上面的簡便演算法是一樣的，就是先將圖片轉化成Hash字串，然後再進行比較。

  用的OpenCV開啟映像(貌似沒有opencv寸步難行呢，囧)

// Win32TestPure.cpp : 定義控制台應用程式的進入點。 #include "stdafx.h" //#include <atlstr.h>//CString, CEdit  #include "opencv2\opencv.hpp" #include <hash_map> //---------------------------------------------------- using namespace std; using namespace cv; class PhotoFingerPrint { public: intDistance(string &str1,string &str2); stringHashValue(Mat &src);//主要功能函數 void    Insert(Mat &src,string &val); voidFind(Mat &src); private: Matm_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，縮小尺寸。 /*將圖片縮小到8x8的尺寸，總共64個像素。這一步的作用是去除圖片的細節， 只保留結構、明暗等基本資料，摒棄不同尺寸、比例帶來的圖片差異。*/ resize(img,img,Size(8,8));//縮小尺寸 // 第二步，簡化色彩。 // 將縮小後的圖片，轉為64級灰階。也就是說，所有像素點總共只有64種顏色。 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，計算平均值。 // 計算所有64個像素的灰階平均值。 int average = mean(img).val[0]; // 第四步，比較像素的灰階。 // 將每個像素的灰階，與平均值進行比較。大於或等於平均值，記為1；小於平均值，記為0。 Mat mask= (img>=(uchar)average);////// // 第五步，計算雜湊值。 /* 將上一步的比較結果，組合在一起，就構成了一個64位的整數，這就是這張圖片的指紋。 組合的次序並不重要，只要保證所有圖片都採用同樣次序就行了。 */ 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，只有當加入足夠多的映像，這個雜湊表才有意義。本程式給了一個大致的模型，細節都沒有進行推敲(hash_map第一次用)。希望大家提點意見。