各种距离措施中的混乱：归一化交叉相关，归一化相关系数和Bhattacharya系数

Question

我与上述距离措施混淆 - 关于哪种距离测量对于匹配图像相似度是有用的。我已经对这些措施进行了调查，这是我的结论。如果我出错了任何距离措施，任何人都可以告诉我。

1）归一化交叉相关：这与正常图像有关，并且提供旋转图像，它可以测量相似度，以亮度/对比度的图像不适用于图像，而它应该支持的图像[ http://en.wikipedia.org/wiki/cross-correlation] 。它并不支持移位图像。

2） - 正式化相关系数：它匹配旋转和强度差异图像，但它不支持移位图像。

3）Bhattacharya系数 - 它在旋转和移位图像上很好地运行，但是对于具有强度差的图像I.E亮度或低对比度，它不会检测到。

我知道所有这些数据相似度措施都依赖于您拥有的数据集的类型，但如果我的措施结果在任何地方都错了，任何人都可以告诉我？

Answer 1

这些术语都适用于模板匹配的变体，如opencv的 matchtemplate 。在所有这些算法中，通过将一个相对于另一个图像进行比较两个图像，对重叠像素进行某种类型的计算，并返回数字。

重要的是要认识到，在该操作中，没有执行旋转或尺寸缩放，因此它们尤其设计用于在旋转或缩放的图像上工作。也就是说，如果您正在查看图像中旋转或缩放的对象，则这些不是正确的使用方法。

不同算法之间的大多数差异恰好是究竟是如何比较像素的究竟。基本上，对于（例如，平均照明，亮度的总体范围，亮度等）越多，计算成本越高，结果越好（用于未知的照明情况）。关于如何考虑这些的一些简单想法是以下。规范化的只是使用标准化数据，适用于整体照明差异，好像房间中的灯被打开或关闭。交叉相关是最常用的，因为它相对速度并提供合理的结果。相关系数相对于平均值，同样，这是照明差异的良好选择。如果您使用户外图像，您几乎总是希望使用归一化方法。如果您不担心计算时间，则归一化相关系数通常是最好的。