다양한 거리 측정에서의 혼란 : 정규화 된 상호 상관, 정규화 된 상관 계수 및 Bhattacharya 계수

Question

위의 거리 측정과 혼동합니다. 이미지 유사성을 비교하는 데 어떤 거리 측정이 유용할까요? 나는이 조치들에 대한 나의 설문 조사를 마쳤으며 이것은 나의 결론이다. 거리 측정 값 중 어떤 것이 잘못되었을 지 아무에게도 알려주지 못합니다.

1) 정규화 된 상호 상관 : 정상적인 이미지와 잘 맞으며 약간의 양까지 유사성을 측정 할 수있는 회전 된 이미지를 제공합니다. 밝기/명암이 다양한 이미지에서는 잘 작동하지 않지만 [http://en.wikipedia.org/wiki/Cross-correlation]]만큼 지원해야합니다. 그것은 이동 된 이미지를 지원하지 않습니다.

2) -Normalized Correlation Coefficient : 회전 및 강도 차이 이미지와 일치하지만 이동 된 이미지는 지원하지 않습니다.

3) Bhattacharya 계수 - 회전 및 이동 된 이미지에서는 잘 작동하지만 밝기 또는 명암 대비가 낮은 이미지의 경우에는 감지되지 않습니다.

모든 데이터 유사성 측정 값은 데이터 세트의 유형에 따라 다르다는 것을 알고 있습니다.하지만 측정 결과가 어디에서나 잘못 되었다면 누구나 말해 줄 수 있습니까?

Answer 1

이 용어는 모두 OpenCV의 matchTemplate 에서처럼 템플릿 매칭의 변형에 적용됩니다. 이러한 모든 알고리즘에서 두 이미지는 한 이미지를 다른 이미지와 비교하여 변환하고, 겹치는 픽셀에 대해 계산을 수행하고, 숫자를 반환하여 비교됩니다.

이 작업에서는 회전 또는 크기 조정이 수행되지 않으므로 회전 또는 크기 조정 된 이미지에서 작동하도록 특별히 설계된 것이 없습니다. 즉, 이미지에서 회전되거나 크기가 조정 된 객체를보고있는 경우에는 사용할 올바른 방법이 아닙니다.

서로 다른 알고리즘 간의 차이점은 픽셀을 얼마나 정확하게 비교하는지에 대한 것입니다. 기본적으로 평균화되고 보정 된 것 (예를 들어, 평균 조명, 전체 밝기의 범위 등)이 많을수록 계산 비용이 높아지고 (미지의 조명 상황에 대한) 결과가 더 좋다. 이들에 대해 생각하는 방법에 대한 간단한 아이디어는 다음과 같습니다. 정규화 된 데이터는 정규화 된 데이터로 작업하며, 방의 조명이 위아래로 움직이는 것처럼 전반적인 조명 차이에 대해 잘 작동합니다. 교차 상관 관계는 상대적으로 빠르며 합리적인 결과를 제공하므로 가장 일반적으로 사용됩니다. 상관 계수는 평균과 비교하여 비교되므로 조명 차이에 대한 좋은 선택입니다. 실외 이미지를 사용하는 경우 거의 항상 정규화 된 방법을 사용하려고합니다. 계산 시간에 대해 걱정하지 않는다면 정규화 된 상관 계수가 보통 가장 좋습니다.