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源代碼地址:http://download.csdn.net/detail/yjflinchong/4239243，圖片你可以用他們的圖片~~ 好吧，只有當加入足夠多的圖像，這個哈希表才有意義。本程序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。 感謝博主：http://blog.csdn.net/guoming0000/article/details/8138223
以下程序中的圖片自己隨便找。
主題內容摘錄：
Google "相似圖片搜索"：你可以用一張圖片，搜索互聯網上所有與它相似的圖片。
打開Google圖片搜索頁面：
點擊使用上傳一張angelababy原圖：
點擊搜索後，Google將會找出與之相似的圖片，圖片相似度越高就越排在前面。
這種技術的原理是什麼？計算機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"感知哈希算法"（Perceptualhash algorithm），它的作用是對每張圖片生成一個"指紋"（fingerprint）字符串，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、明暗等基本信息，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級灰度。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個像素的灰度平均值。
第四步，比較像素的灰度。
將每個像素的灰度，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，計算哈希值。
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采用同樣次序就行了。
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）。如果不相同的數據位不超過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略圖，找出原圖。
實際應用中，往往采用更強大的pHash算法和SIFT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。這些算法雖然更復雜，但是原理與上面的簡便算法是一樣的，就是先將圖片轉化成Hash字符串，然後再進行比較。
用的OpenCV打開圖像(貌似沒有opencv寸步難行呢，囧)
[cpp] view plaincopyprint?
// Win32TestPure.cpp : 定義控制台應用程序的入口點。
#include "stdafx.h"
//#include //CString, CEdit
#include "opencv2\opencv.hpp"
#include
//----------------------------------------------------
using namespace std;
using namespace cv;
class PhotoFingerPrint
{
public:
int Distance(string &str1,string &str2);
string HashValue(Mat &src); //主要功能函數
void Insert(Mat &src,string &val);
void Find(Mat &src);
private:
Mat m_imgSrc;
hash_map
};
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、明暗等基本信息，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級灰度。也就是說，所有像素點總共只有64種顏色。
uchar *pData;
for(int i=0;i
pData = img.ptr
for(int j=0;j
pData[j]=pData[j]/4; //0~255--->0~63
}
}
// 第三步，計算平均值。
// 計算所有64個像素的灰度平均值。
int average = mean(img).val[0];
// 第四步，比較像素的灰度。
// 將每個像素的灰度，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，計算哈希值。
/* 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采用同樣次序就行了。
*/
int index = 0;
for(int i=0;i
pData = mask.ptr
for(int j=0;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
cout<<"insert one value:"<
void PhotoFingerPrint::Find(Mat &src)
{
string strVal=HashValue(src);
hash_map
if(it==m_hashMap.end())
{cout<<"no photo---------"<
cout<<"find one , key: "<
/* 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<
return 0;
}
