Confusion à diverses mesures à distance: corrélation croisée normalisée, coefficient de corrélation normalisé et coefficient de Bhattacharya

Question

Je suis confondu avec ces mesures ci-dessus à distance - quant à quelle mesure de distance sera utile pour assortir la similarité d'image. J'ai fait mon enquête sur ces mesures et c'est ma conclusion. Quelqu'un peut-il me dire si je me suis trompé avec l'une des mesures de distance.

1) Corrélation croisée normalisée: cela fonctionne bien avec des images normales et fournissait des images en rotation, il peut mesurer la similarité jusqu'à une certaine quantité, il ne fonctionne pas bien pour des images avec une luminosité / contraste variée alors qu'il devrait avoir le support selon [ http://fr.wikipedia.org/wiki/cross-corrélation] . et il ne supporte pas images déplacées.

2) - Coefficient de corrélation formé: il correspond aux images de différence tournantes et intensives, mais elle ne prend pas en charge les images décalées.

3) coefficient de Bhattacharya - Il fonctionne bien sur des images tournées et déplacées, mais pour des images avec une différence d'intensité, c'est une luminosité ou de faibles contrasts, il ne détecte pas.

Je sais que toutes ces mesures de similitude de données dépendent du type sur le jeu de données que vous avez, mais quelqu'un peut-il me dire si j'ai eu le problème n'importe où avec mes résultats de mesure?

Answer 1

Ces termes s'appliquent à des variations de la correspondance de modèle, comme dans OpenCV's Matchtemplate . Dans tous ces algorithmes, deux images sont comparées en traduisant un par rapport à l'autre, effectuant un certain type de calcul sur les pixels qui se chevauchent et renvoyant un nombre.

Il est important de réaliser que dans cette opération, aucune rotation ou taille de taille n'est en cours d'exécution, aucune d'entre elles n'est particulièrement bien conçue pour fonctionner sur des images qui sont tournées ou à l'échelle. C'est-à-dire que si vous envisagez des objets tournés ou mis à l'échelle dans les images, il ne s'agit pas des bonnes méthodes à utiliser.

La plupart des différences entre les différents algorithmes concernent exactement la compache des pixels. Fondamentalement, plus cela est normalisé et corrigé pour (par exemple, illumination moyenne, gamme globale de luminosité, etc.), plus le coût de calcul est élevé et mieux le résultat (pour des situations d'éclairage inconnues). Quelques idées simples sur la manière de penser à ce sont les suivantes. Les normalisées fonctionnent simplement avec des données normalisées, fonctionnent bien pour les différences d'éclairage globales, comme si les lumières de la pièce étaient retournées ou descendantes. La corrélation croisée est la plus couramment utilisée, car elle est relativement rapide et donne des résultats raisonnables. Le coefficient de corrélation se compare par rapport à la moyenne, à nouveau, c'est un bon choix pour les différences d'éclairage. Si vous utilisez des images en plein air, vous souhaitez presque toujours utiliser une méthode normalisée. Si vous n'êtes pas inquiet du temps de calcul, le coefficient de corrélation normalisé est généralement le meilleur.