[半原创]指纹识别+谷歌图片识别技术之C++代码

原地址：http://blog.csdn.net/guoming0000/article/details/8138223

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)

1. // Win32TestPure.cpp : 定义控制台应用程序的入口点。
2. #include "stdafx.h"
3. //#include <atlstr.h>//CString, CEdit
4. #include "opencv2\opencv.hpp"
5. #include <hash_map>
6. //----------------------------------------------------
7. using namespace std;
8. using namespace cv;
9. class PhotoFingerPrint
10. {
11. public:
12. int     Distance(string &str1,string &str2);
13. string  HashValue(Mat &src);        //主要功能函数
14. void    Insert(Mat &src,string &val);
15. void    Find(Mat &src);
16. private:
17. Mat     m_imgSrc;
18. hash_map<string,string> m_hashMap;
19. };
20. string PhotoFingerPrint::HashValue(Mat &src)
21. {
22. string rst(64,'\0');
23. Mat img;
24. if(src.channels()==3)
25. cvtColor(src,img,CV_BGR2GRAY);
26. else
27. img=src.clone();
28. // 第一步，缩小尺寸。
29. /*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，
30. 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。*/
31. resize(img,img,Size(8,8));//缩小尺寸
32. // 第二步，简化色彩。
33. // 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。
34. uchar *pData;
35. for(int i=0;i<img.rows;i++)
36. {
37. pData = img.ptr<uchar>(i);
38. for(int j=0;j<img.cols;j++)
39. {
40. pData[j]=pData[j]/4;   //0~255--->0~63
41. }
42. }
43. // 第三步，计算平均值。
44. // 计算所有64个像素的灰度平均值。
45. int average = mean(img).val[0];
46. // 第四步，比较像素的灰度。
47. // 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。
48. Mat mask= (img>=(uchar)average);//////
49. // 第五步，计算哈希值。
50. /* 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。
51. 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。
52. */
53. int index = 0;
54. for(int i=0;i<mask.rows;i++)
55. {
56. pData = mask.ptr<uchar>(i);
57. for(int j=0;j<mask.cols;j++)
58. {
59. if(pData[j]==0)
60. rst[index++]='0';
61. else
62. rst[index++]='1';
63. }
64. }
65. return rst;
66. }
67. void    PhotoFingerPrint::Insert(Mat &src,string &val)
68. {
69. string strVal = HashValue(src);
70. m_hashMap.insert(pair<string,string>(strVal,val));
71. cout<<"insert one value:"<<strVal<<"   string:"<<val<<endl;
72. }
73. void    PhotoFingerPrint::Find(Mat &src)
74. {
75. string strVal=HashValue(src);
76. hash_map<string,string>::iterator it=m_hashMap.find(strVal);
77. if(it==m_hashMap.end())
78. {cout<<"no photo---------"<<strVal<<endl;}
79. else
80. cout<<"find one , key:  "<<it->first<<"   value:"<<it->second<<endl;
81. /* return *it;*/
82. }
83. int PhotoFingerPrint::Distance(string &str1,string &str2)
84. {
85. if((str1.size()!=64)||(str2.size()!=64))
86. return -1;
87. int difference = 0;
88. for(int i=0;i<64;i++)
89. {
90. if(str1[i]!=str2[i])
91. difference++;
92. }
93. return difference;
94. }
95. int main(int argc, char* argv[] )
96. {
97. PhotoFingerPrint pfp;
98. Mat m1=imread("images\\example3.jpg",0);
99. Mat m2=imread("images\\example4.jpg",0);
100. Mat m3=imread("images\\example5.jpg",0);
101. Mat m4=imread("images\\example6.jpg",0);
102. Mat m5;
103. resize(m3,m5,Size(100,100));
104. string str1 = pfp.HashValue(m1);
105. string str2 = pfp.HashValue(m2);
106. string str3 = pfp.HashValue(m3);
107. string str4 = pfp.HashValue(m4);
108. pfp.Insert(m1,string("str1\0"));
109. pfp.Insert(m2,string("str2\0"));
110. pfp.Insert(m3,string("str3\0"));
111. pfp.Insert(m4,string("str4\0"));
112. pfp.Find(m5);
113. //     cout<<pfp.Distance(str1,str1)<<endl;
114. //     cout<<pfp.Distance(str1,str2)<<endl;
115. //     cout<<pfp.Distance(str1,str3)<<endl;
116. //     cout<<pfp.Distance(str1,str4)<<endl;
117. return 0;
118. }

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。