图形识别处理技术（C++）

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)
[cpp] view plaincopyprint?
// 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。

感谢博主：http://blog.csdn.net/guoming0000/article/details/8138223