javacv提取图像指纹 直方图实现代码

时间: 2024-02-26 14:57:24 浏览: 32
下面是使用JavaCV提取图像指纹,使用直方图方法的示例代码: ```java import static org.bytedeco.opencv.global.opencv_core.CV_32FC1; import static org.bytedeco.opencv.global.opencv_core.CV_WHOLE_SEQ; import static org.bytedeco.opencv.global.opencv_core.addWeighted; import static org.bytedeco.opencv.global.opencv_core.cvConvertScale; import static org.bytedeco.opencv.global.opencv_core.cvCreateHist; import static org.bytedeco.opencv.global.opencv_core.cvCreateImage; import static org.bytedeco.opencv.global.opencv_core.cvGetSize; import static org.bytedeco.opencv.global.opencv_core.cvMinMaxLoc; import static org.bytedeco.opencv.global.opencv_core.cvNormalize; import static org.bytedeco.opencv.global.opencv_imgcodecs.CV_LOAD_IMAGE_GRAYSCALE; import static org.bytedeco.opencv.global.opencv_imgcodecs.imread; import static org.bytedeco.opencv.global.opencv_imgproc.CV_COMP_CHISQR; import static org.bytedeco.opencv.global.opencv_imgproc.CV_HIST_ARRAY; import static org.bytedeco.opencv.global.opencv_imgproc.CV_INTER_LINEAR; import static org.bytedeco.opencv.global.opencv_imgproc.cvCalcHist; import static org.bytedeco.opencv.global.opencv_imgproc.cvCompareHist; import static org.bytedeco.opencv.global.opencv_imgproc.cvEqualizeHist; import static org.bytedeco.opencv.global.opencv_imgproc.cvGetMinMaxHistValue; import static org.bytedeco.opencv.global.opencv_imgproc.cvResize; import static org.bytedeco.opencv.global.opencv_imgproc.cvSetHistBinRanges; import static org.bytedeco.opencv.global.opencv_imgproc.cvSetImageROI; import static org.bytedeco.opencv.global.opencv_imgproc.cvSplit; import org.bytedeco.javacpp.FloatPointer; import org.bytedeco.javacpp.Pointer; import org.bytedeco.opencv.opencv_core.CvArr; import org.bytedeco.opencv.opencv_core.CvHistogram; import org.bytedeco.opencv.opencv_core.CvMat; import org.bytedeco.opencv.opencv_core.CvSize; import org.bytedeco.opencv.opencv_core.IplImage; public class ImageFingerprint { // 提取图像指纹 public static float[] extract(IplImage image) { // 将图像转换为灰度图像 IplImage grayImage = cvCreateImage(cvGetSize(image), image.depth(), 1); cvCvtColor(image, grayImage, CV_INTER_LINEAR); // 直方图均衡化 cvEqualizeHist(grayImage, grayImage); // 分离图像通道 IplImage imageR = cvCreateImage(cvGetSize(image), image.depth(), 1); IplImage imageG = cvCreateImage(cvGetSize(image), image.depth(), 1); IplImage imageB = cvCreateImage(cvGetSize(image), image.depth(), 1); cvSplit(image, imageR, imageG, imageB, null); // 计算RGB三个通道的直方图 int histSize = 256; CvHistogram histR = cvCreateHist(1, new int[] { histSize }, CV_HIST_ARRAY); CvHistogram histG = cvCreateHist(1, new int[] { histSize }, CV_HIST_ARRAY); CvHistogram histB = cvCreateHist(1, new int[] { histSize }, CV_HIST_ARRAY); cvCalcHist(new IplImage[] { imageR }, histR, 0, null); cvCalcHist(new IplImage[] { imageG }, histG, 0, null); cvCalcHist(new IplImage[] { imageB }, histB, 0, null); // 归一化直方图 float minVal[] = new float[1]; float maxVal[] = new float[1]; FloatPointer minValPointer = new FloatPointer(minVal); FloatPointer maxValPointer = new FloatPointer(maxVal); cvGetMinMaxHistValue(histR, minValPointer, maxValPointer, null, null); cvNormalize(histR, histR, 1, 0, CV_COMP_CHISQR); cvGetMinMaxHistValue(histG, minValPointer, maxValPointer, null, null); cvNormalize(histG, histG, 1, 0, CV_COMP_CHISQR); cvGetMinMaxHistValue(histB, minValPointer, maxValPointer, null, null); cvNormalize(histB, histB, 1, 0, CV_COMP_CHISQR); // 合并三个通道的直方图 int dim = 3; CvSize size = cvGetSize(image); CvMat data = CvMat.create(size.height(), size.width(), CV_32FC1); CvHistogram hist = cvCreateHist(dim, new int[] { histSize, histSize, histSize }, CV_HIST_ARRAY); Pointer pointer = hist.bins(); int ptrOffset = 0; for (int i = 0; i < histSize; i++) { for (int j = 0; j < histSize; j++) { for (int k = 0; k < histSize; k++) { ((FloatPointer) pointer).put(ptrOffset++, (float) (cvGetHistValue_3D(histR, i, j, k) * 0.33 + cvGetHistValue_3D(histG, i, j, k) * 0.33 + cvGetHistValue_3D(histB, i, j, k) * 0.33)); } } } cvSetHistBinRanges(hist, new FloatPointer(new float[] { 0, 256, 0, 256, 0, 256 })); cvCalcHist(data, hist, 0, null); // 归一化直方图 cvNormalize(hist, hist, 1, 0, CV_COMP_CHISQR); // 提取特征向量 float[] featureVector = new float[histSize * histSize * histSize]; FloatPointer featureVectorPointer = new FloatPointer(featureVector); cvGetHistValue_3D(hist, featureVectorPointer); // 释放内存 grayImage.release(); imageR.release(); imageG.release(); imageB.release(); histR.release(); histG.release(); histB.release(); hist.release(); data.release(); return featureVector; } // 计算两张图像的相似度 public static float similarity(IplImage image1, IplImage image2) { // 提取图像指纹 float[] featureVector1 = extract(image1); float[] featureVector2 = extract(image2); // 比较相似度 CvHistogram hist1 = cvCreateHist(1, new int[] { featureVector1.length }, CV_HIST_ARRAY); CvHistogram hist2 = cvCreateHist(1, new int[] { featureVector2.length }, CV_HIST_ARRAY); FloatPointer featureVector1Pointer = new FloatPointer(featureVector1); FloatPointer featureVector2Pointer = new FloatPointer(featureVector2); cvSetHistBinRanges(hist1, new FloatPointer(new float[] { 0, 1 })); cvSetHistBinRanges(hist2, new FloatPointer(new float[] { 0, 1 })); cvCalcHist(new Pointer[] { featureVector1Pointer }, hist1, 0, null); cvCalcHist(new Pointer[] { featureVector2Pointer }, hist2, 0, null); cvNormalize(hist1, hist1, 1, 0, CV_COMP_CHISQR); cvNormalize(hist2, hist2, 1, 0, CV_COMP_CHISQR); float similarity = (float) cvCompareHist(hist1, hist2, CV_COMP_CHISQR); // 释放内存 hist1.release(); hist2.release(); return similarity; } public static void main(String[] args) { IplImage image1 = imread("image1.jpg", CV_LOAD_IMAGE_GRAYSCALE); IplImage image2 = imread("image2.jpg", CV_LOAD_IMAGE_GRAYSCALE); float similarity = similarity(image1, image2); System.out.println("相似度:" + similarity); } } ``` 这个示例代码中的extract()方法用于提取图像指纹,similarity()方法用于计算两张图像的相似度。

相关推荐

最新推荐

recommend-type

如何通过javacv实现图片去水印(附代码)

从给定的文件信息中,我们可以看到,这篇文章主要介绍了如何通过JavaCV实现图片去水印,并提供了详细的示例代码。下面,我们将从标题、描述、标签和部分内容中提取相关知识点。 首先,让我们从 JavaCV 开始。JavaCV...
recommend-type

javacv视频抽帧的实现过程详解(附代码)

视频抽帧是指从视频中提取指定时间段的帧的过程,在 JavaCV 中,我们可以使用 FFmpegFrameGrabber 类来实现视频抽帧。 视频抽帧的应用非常广泛,例如: * 水印添加:在视频中添加水印,以保护视频的版权。 * 水印...
recommend-type

Python + OpenCV 实现LBP特征提取的示例代码

总之,通过Python和OpenCV,我们可以轻松实现LBP特征的提取,并将其应用于各种图像处理任务。了解和掌握LBP有助于理解图像特征提取的基本原理,并能为后续的深度学习研究打下基础。在实践中,你可以尝试调整参数,...
recommend-type

JavaCV实现获取视频每帧并保存

3. 视频处理:JavaCV可以用于视频处理,包括将视频文件提取成帧图片、将帧图片保存为jpg格式等。 4. 依赖关系:JavaCV依赖于OpenCV,可以使用OpenCV来写代码。 代码解析: 在代码中,我们首先引入了JavaCV的相关类...
recommend-type

用JAVA获取视频文件中的帧图片并等比缩放

* 通过使用Java语言和javacv库,我们可以快速实现图片处理操作。 知识点六:视频处理 * 视频处理是指对视频文件进行各种操作,例如裁剪、合并、压缩等。 * 在视频文件中的帧图片获取后,我们可以对视频文件进行...
recommend-type

基于嵌入式ARMLinux的播放器的设计与实现 word格式.doc

本文主要探讨了基于嵌入式ARM-Linux的播放器的设计与实现。在当前PC时代,随着嵌入式技术的快速发展,对高效、便携的多媒体设备的需求日益增长。作者首先深入剖析了ARM体系结构,特别是针对ARM9微处理器的特性,探讨了如何构建适用于嵌入式系统的嵌入式Linux操作系统。这个过程包括设置交叉编译环境,优化引导装载程序,成功移植了嵌入式Linux内核,并创建了适合S3C2410开发板的根文件系统。 在考虑到嵌入式系统硬件资源有限的特点,通常的PC机图形用户界面(GUI)无法直接应用。因此,作者选择了轻量级的Minigui作为研究对象,对其实体架构进行了研究,并将其移植到S3C2410开发板上,实现了嵌入式图形用户界面,使得系统具有简洁而易用的操作界面,提升了用户体验。 文章的核心部分是将通用媒体播放器Mplayer移植到S3C2410开发板上。针对嵌入式环境中的音频输出问题,作者针对性地解决了Mplayer播放音频时可能出现的不稳定性,实现了音乐和视频的无缝播放,打造了一个完整的嵌入式多媒体播放解决方案。 论文最后部分对整个项目进行了总结,强调了在嵌入式ARM-Linux平台上设计播放器所取得的成果,同时也指出了一些待改进和完善的方面,如系统性能优化、兼容性提升以及可能的扩展功能等。关键词包括嵌入式ARM-Linux、S3C2410芯片、Mplayer多媒体播放器、图形用户界面(GUI)以及Minigui等,这些都反映出本文研究的重点和领域。 通过这篇论文,读者不仅能了解到嵌入式系统与Linux平台结合的具体实践,还能学到如何在资源受限的环境中设计和优化多媒体播放器,为嵌入式技术在多媒体应用领域的进一步发展提供了有价值的经验和参考。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

Python字符串为空判断的动手实践:通过示例掌握技巧

![Python字符串为空判断的动手实践:通过示例掌握技巧](https://img-blog.csdnimg.cn/72f88d4fc1164d6c8b9c29d8ab5ed75c.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASGFyYm9yIExhdQ==,size_20,color_FFFFFF,t_70,g_se,x_16) # 1. Python字符串为空判断的基础理论 字符串为空判断是Python编程中一项基本且重要的任务。它涉及检查字符串是否为空(不包含任何字符),这在
recommend-type

box-sizing: border-box;作用是?

`box-sizing: border-box;` 是 CSS 中的一个样式属性,它改变了元素的盒模型行为。默认情况下,浏览器会计算元素内容区域(content)、内边距(padding)和边框(border)的总尺寸,也就是所谓的"标准盒模型"。而当设置为 `box-sizing: border-box;` 后,元素的总宽度和高度会包括内容、内边距和边框的总空间,这样就使得开发者更容易控制元素的实际布局大小。 具体来说,这意味着: 1. 内容区域的宽度和高度不会因为添加内边距或边框而自动扩展。 2. 边框和内边距会从元素的总尺寸中减去,而不是从内容区域开始计算。
recommend-type

经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf

本文主要探讨的是"经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf",该研究专注于嵌入式指纹识别技术在实际应用中的设计和实现。嵌入式指纹识别系统因其独特的优势——无需外部设备支持,便能独立完成指纹识别任务,正逐渐成为现代安全领域的重要组成部分。 在技术背景部分,文章指出指纹的独特性(图案、断点和交叉点的独一无二性)使其在生物特征认证中具有很高的可靠性。指纹识别技术发展迅速,不仅应用于小型设备如手机或门禁系统,也扩展到大型数据库系统,如连接个人电脑的桌面应用。然而,桌面应用受限于必须连接到计算机的条件,嵌入式系统的出现则提供了更为灵活和便捷的解决方案。 为了实现嵌入式指纹识别,研究者首先构建了一个专门的开发平台。硬件方面,详细讨论了电源电路、复位电路以及JTAG调试接口电路的设计和实现,这些都是确保系统稳定运行的基础。在软件层面,重点研究了如何在ARM芯片上移植嵌入式操作系统uC/OS-II,这是一种实时操作系统,能够有效地处理指纹识别系统的实时任务。此外,还涉及到了嵌入式TCP/IP协议栈的开发,这是实现系统间通信的关键,使得系统能够将采集的指纹数据传输到远程服务器进行比对。 关键词包括:指纹识别、嵌入式系统、实时操作系统uC/OS-II、TCP/IP协议栈。这些关键词表明了论文的核心内容和研究焦点,即围绕着如何在嵌入式环境中高效、准确地实现指纹识别功能,以及与外部网络的无缝连接。 这篇论文不仅深入解析了嵌入式指纹识别系统的硬件架构和软件策略,而且还展示了如何通过结合嵌入式技术和先进操作系统来提升系统的性能和安全性,为未来嵌入式指纹识别技术的实际应用提供了有价值的研究成果。