经典图像相似度计算详解.pdfVIP

  图像相似度计算  图像相似度计算主要用于对于两幅图像之间内容的相似程度进行打分，根据分数的高低 来判断图像内容的相近程度。      可以用于计算机视觉中的检测跟踪中目标位置的获取，根据已有模板在图像中找到一 个与之最接近的区域。然后一直跟着。已有的一些算法比如BlobTracking，Meanshift，Camshift， 粒子滤波等等也都是需要这方面的理论去支撑。     还有一方面就是基于图像内容的图像检索，也就是通常说的以图检图。比如给你某一 个人在海量的图像数据库中罗列出与之最匹配的一些图像，当然这项技术可能也会这样做， 将图像抽象为几个特征值，比如Trace 变换，图像哈希或者Sift 特征向量等等，来根据数据 库中存得这些特征匹配再返回相应的图像来提高效率。       下面就一些自己看到过的算法进行一些算法原理和效果上的介绍。       (1)直方图匹配。           比如有图像A 和图像B，分别计算两幅图像的直方图，HistA，HistB，然后计算两个直方 图的归一化相关系数（巴氏距离，直方图相交距离）等等。          这种思想是基于简单的数学上的向量之间的差异来进行图像相似程度的度量，这种方法 是目前用的比较多的一种方法，第一，直方图能够很好的归一化，比如通常的256 个bin 条 的。那么两幅分辨率不同的图像可以直接通过计算直方图来计算相似度很方便。而且计算量 比较小。           这种方法的缺点:             1、直方图反映的是图像像素灰度值的概率分布，比如灰度值为200 的像素有多少个， 但是对于这些像素原来的位置在直方图中并没有体现，所以图像的骨架，也就是图像内部到 底存在什么样的物体，形状是什么，每一块的灰度分布式什么样的这些在直方图信息中是被 省略掉得。那么造成的一个问题就是，比如一个上黑下白的图像和上白下黑的图像其直方图 分布是一模一样的，其相似度为100%。              2、两幅图像之间的距离度量，采用的是巴氏距离或者归一化相关系数，这种用分析数 学向量的方法去分析图像本身就是一个很不好的办法。              3、就信息量的道理来说，采用一个数值来判断两幅图像的相似程度本身就是一个信息 压缩的过程，那么两个256 个元素的向量（假定直方图有256 个bin 条）的距离用一个数值 表示那么肯定就会存在不准确性。       下面是一个基于直方图距离的图像相似度计算的Matlab Demo 和实验结果.      %计算图像直方图距离 % 巴氏系数计算法 M=imread(1.jpg); N=imread(2.jpg); I=rgb2gray(M); J=rgb2gray(N); [Count1,x]=imhist(I); [Count2,x]=imhist(J); Sum1=sum(Count1);Sum2=sum(Count2); Sumup = sqrt(Count1.*Count2); SumDown = sqrt(Sum1*Sum2); Sumup = sum(Sumup); figure(1); subplot(2,2,1);imshow(I); subplot(2,2,2);imshow(J); subplot(2,2,3);imhist(I); subplot(2,2,4);imhist(J); HistDist=1-sqrt(1-Sumup/SumDown)                通过上图可以看到这种计算图像相似度的方法确实存在很大的弊端。然而很多人也对 于这种方法进行了修改，比如FragTrack 算法，具体可以参见这篇论文《》。其中对图像分成 横纵的小块，然后对于每一个分块搜索与之最匹配的直方图。来计算两幅图像的相似度，融