Confusione in varie misure di distanza: correlazione croce normalizzata, coefficiente di correlazione normalizzato e coefficiente di Bhattacharya

Question

Sono confuso con queste suddette misure di distanza - su quale misura di distanza sarà utile per la somiglianza dell'immagine corrispondente. Ho fatto il mio sondaggio su queste misure e questa è la mia conclusione. Qualcuno può dirmi se sono andato storto con una delle misure di distanza.

1) Correlazione trasversale normalizzata: funziona bene con immagini normali e fornite immagini ruotate, può misurare la somiglianza fino ad una certa quantità, non funziona bene per le immagini con una variabilità / contrasto variabile mentre dovrebbe avere il supporto come da [ http://en.wikipedia.org/wiki/cross-Correlazione] . E non supporta Immagini spostate.

2)-Coefficiente di correlazione -Nonalizzato Coefficiente di correlazione: corrisponde alle immagini di differenza ruotate e intensità, ma non supporta le immagini spostate.

3) Coefficiente di Bhattacharya- Funziona bene su immagini rotate e spostate, ma per immagini con differenza di intensità I.e luminosità o a bassa contrasto, non rileva.

So che tutte queste misure di somiglianza dei dati dipendono dal tipo di set di dati che hai, ma qualcuno può dirmi, se ho sbagliato da nessuna parte con i risultati della mia misura?

Answer 1

Questi termini si applicano tutti alle varianti della corrispondenza del modello, come in OpenCV Matchtemplate . In tutti questi algoritmi due immagini vengono confrontate traducendo una relativa all'altra, eseguendo un certo tipo di calcolo sui pixel sovrapposti e restituire un numero.

È importante rendersi conto che in questa operazione, non viene eseguita alcuna rotazione o ridimensionamento delle dimensioni, quindi nessuno di loro è particolarmente progettato per funzionare su immagini che vengono ruotate o ridimensionate. Cioè, se stai guardando oggetti che vengono ruotati o ridimensionati nelle immagini, questi non sono i metodi giusti da usare.

La maggior parte delle differenze che tra i diversi algoritmi sono su come vengono confrontati esattamente i pixel. Fondamentalmente, più che è normalizzato e corretto per (ad esempio, illuminazione media, gamma complessiva di luminosità, ecc.), Maggiore è il costo computazionale e il risultato migliore (per situazioni di illuminazione sconosciute). Alcune idee semplici su come pensare a queste sono le seguenti. I normalizzati funzionano solo con dati normalizzati, funzionano bene per le differenze di illuminazione complessive, come se le luci nella stanza siano state alzate o giù. La correlazione incrociata è la più comunemente usata, poiché è relativamente veloce e fornisce risultati ragionevoli. Il coefficiente di correlazione confronta rispetto alla media, quindi di nuovo, questa è una buona scelta per le differenze di illuminazione. Se si utilizzano immagini esterne, vuoi quasi sempre usare un metodo normalizzato. Se non sei preoccupato per il tempo di calcolo, il coefficiente di correlazione normalizzato è solitamente il migliore.