汉明距离作为一种特征距离的计算方法被广泛应用于很多场合，其主要思想是找出两个特征差异的大小，也可以说是相似性。 我在图像处理中使用。 项目需要计算图像的梯度方向。 我选择了四个方向。 这样，就可以用两位二进制文件分别表示0、1、2、3，也就是00、01、10、11这四种情况。 这样，我可以将例如四个相邻点、对应的梯度特征合并为一个特征向量。 如图所示
一个字节的大小空间可以表示一个特性。 那么，让我们用这个特征来描述两张图。 假设a、b，可以得到两个特征。 featureA、featureB假设图像大小为100*100的8bit灰度图像，选择水平方向的4个像素，可以得到100*25个1字节的记述特征。 其次，如何衡量这两幅图是否相似，要用汉明距离。 其他距离也可以，但这里说汉明距离。 如果两个图像在这样的特征下是相似的，则他们的特征的对应位将应该尽可能多地匹配，即，featureA ^ featureB将意味着在特征的异或结果中的1的个数将尽可能少。 这就是如何计算1的个数。 这在leetcode和剑指offer等书中就像笔试一样。
通常的解法是把是否是1、是否是yes移位来判断。 需要注意。 需要判断给定数量(在此用tmp表示)的符号。 否则，有可能出现死循环。
intcountone(inttmp ) { int count=0； if(0==tmp )返回计数； elseif(tmp0) while (tmp ) if ) tmp1) count； tmp=tmp 1； } } else { tmp=-tmp； count=1； while(tmp ) {if ) tmp1) count； tmp=tmp 1； } }返回计数； }
这样还是不方便。 我们可以不用换成tmp。
intcountoneversion2(inttmp ) { int flag=1； int count=0； while(flag ) ) if ) flagtmp ) count； flag=flag 1； }返回计数； }
这样可以省去判断符号的麻烦。
还有一种解法。 那就是考虑到tmp每减少1，最后一位的1就会变化，留下剩下的，下次再减少1，知道tmp是零位置，就可以知道其中1的个数。
intcountoneversion3(intn ) { int count=0； wile(n ) { count； n=n(n-1 )； }返回计数； }
以上是采用轮班的方法，但不用轮班也可以。 那是下一个高速汉明距离计算的问题。 首先取三个数，这里考虑unsigned char类型，即1个字节的情况。 分别为AA=85、即01010101、BB=51、即00110011、CC=15、即00001111； 主要思想是计算1的和。 (1行计算相邻两个位置之和，得到的结果最多需要两位数。 并且)两行在计算相邻四个位置之和时，计算结果最多需要四位。 ) 3行再将前4位和后4位相加，得到的是1的个数。
unsigned Char A，b，ch，d； const unsigned char AA=85； const unsigned char BB=51； const unsigned char CC=15； A=tmp； B=AAA； ch=(a1 ) AA； //(1) D=B Ch； B=D BB； ch=(D2 ) BB； //)2) D=B Ch； B=D CC； ch=(D4 ) CC； //)3) ss =B Ch；
为了在硬件上实现，在每个时钟周期都必须注意，必须进行性能的优化。 通过这样的位运算，可以显著提高速度。 这样的计算单元的重复度相当高，所以性能会大幅提高。