[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。

时间: 2024-11-07 03:11:10

[半原创]指纹识别+谷歌图片识别技术之opencv代码的相关文章

java指纹识别+谷歌图片识别技术

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.如: 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&qu

Zxing图片识别 从相册选二维码图片解析总结

Zxing图片识别 从相册选取二维码图片进行解析总结 在Zxing扫描识别和图片识别的解析对象是相同的 本文分三个步骤: 1 获取相册的照片 2 解析二维码图片 3 返回结果 1) 获取相册照片 google对4.4的uri做了点改动  为了适配多种手机 需要做一个判断版本 在Activity中开启相册: Intent innerIntent = new Intent(); // "android.intent.action.GET_CONTENT" if (Build.VERSION

C# 图片识别技术(支持21种语言,提取图片中的文字)

图片识别的技术到几天已经很成熟了,只是相关的资料很少,为了方便在此汇总一下(C#实现),方便需要的朋友查阅,也给自己做个记号. 图片识别的用途:很多人用它去破解网站的验证码,用于达到自动刷票或者是批量注册的目的,但我觉得它最吸引我的地方是可以让一些书写的东西,自动识别成电脑上的文字,比如说手拟的合同,修改过的书面论文或者是文档,每月的花费发票需要在电脑上录入或者是汇总信息,日记本上的文章要转移到电脑上等等,我们现在就不用再头痛把它们在电脑上敲写一遍了. 本文介绍两种比较主流和成熟的识别方式: 方

Web指纹识别目的Discuz识别+粗糙的版本演绎

这个识别程序是本学期在我的职业培训项目.它是做一类似至Zoomeye怪东西,然后使用ES集成,为了让搜索引擎寻找.因此,我们必须首先去网上识别相应的能力Web包裹,如果用户输入的关键词:Discuz X3.0.我就要显示出对应版本号的内容才OK. 作为识别子程序,我这里暂且分享一下识别Web组件的思路. 我是从浅谈web指纹识别技术一文中找到的思路. 对于Discuz的站点.第一时间想的就是识别footer了.可是问题在于.做的好的一些站点往往会将"Powered By"字样改动,所以

图片识别引擎-识图引擎搜集~

图片识别引擎-识图引擎搜集 识图现在搜索结果还是不够理想,有很大的提升空间,下面介绍几个比较专业的图片搜索引擎. 1: https://images.google.com/ http://www.google.com/imghp (旧版:http://similar-images.googlelabs.com) 暂时的替代品:http://203.208.46.200/imghp Google实验室类似图片搜索:输入一个关键词后,例如"bird",返回的页面里面点击某个图片的下面的Si

Web指纹识别之Discuz识别+粗略版本判断

这个识别程序是本学期我的专业实训上的一个项目,就是做一个类似于Zoomeye的东西,然后使用ES进行整合,从而做出搜索引擎的模样.那么首先就要有能力去网上识别出相应的Web组件,如用户输入关键词:Discuz X3.0,我就要显示出相应版本的内容才OK.作为识别子程序,我这里暂且分享一下识别Web组件的思路. 我是从浅谈web指纹识别技术一文中找到的思路.对于Discuz的网站,第一时间想的就是识别footer了,但是问题在于,做的好的一些网站往往会将"Powered By"字样修改,

【基于WPF+OneNote+Oracle的中文图片识别系统阶段总结】之篇四:关于OneNote入库处理以及审核

篇一:WPF常用知识以及本项目设计总结:http://www.cnblogs.com/baiboy/p/wpf.html 篇二:基于OneNote难点突破和批量识别:http://www.cnblogs.com/baiboy/p/wpf1.html 篇三:批量处理后的txt文件入库处理:http://www.cnblogs.com/baiboy/p/wpf2.html 篇四:关于OneNote入库处理以及审核:http://www.cnblogs.com/baiboy/p/wpf3.html [

【基于WPF+OneNote+Oracle的中文图片识别系统阶段总结】之篇三:批量处理后的txt文件入库处理

篇一:WPF常用知识以及本项目设计总结:http://www.cnblogs.com/baiboy/p/wpf.html 篇二:基于OneNote难点突破和批量识别:http://www.cnblogs.com/baiboy/p/wpf1.html 篇三:批量处理后的txt文件入库处理:http://www.cnblogs.com/baiboy/p/wpf2.html 篇四:关于OneNote入库处理以及审核:http://www.cnblogs.com/baiboy/p/wpf3.html [

C# 图片识别(支持21种语言) (转)

图片识别的技术到几天已经很成熟了,只是相关的资料很少,为了方便在此汇总一下(C#实现),方便需要的朋友查阅,也给自己做个记号. 图片识别的用途:很多人用它去破解网站的验证码,用于达到自动刷票或者是批量注册的目的,但我觉得它最吸引我的地方是可以让一些书写的东西,自动识别成电脑上的文字,比如说手拟的合同,修改过的书面论文或者是文档,每月的花费发票需要在电脑上录入或者是汇总信息,日记本上的文章要转移到电脑上等等,我们现在就不用再头痛把它们在电脑上敲写一遍了. 本文介绍两种比较主流和成熟的识别方式: 方