精华内容
下载资源
问答
  • 图像相似度计算

    万次阅读 2018-01-16 08:47:18
    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...

    http://blog.csdn.net/sarah_tang/article/details/39894863

    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)

     

    图像相似度计算

     

      

     

       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,融入了直方图对应位置的信息。但是计算效率上很慢。

      还有一种是计算一个图像外包多边形,一般得到跟踪图像的前景图后计算其外包多边形,根据外包多边形做Delauny三角形分解,然后计算每个三角形内部的直方图,对于这两个直方图组进行相似距离计算。这样就融入了直方图的位置信息。

     (2)数学上的矩阵分解

       图像本身就是一个矩阵,可以依靠数学上矩阵分解的一些知识来获取矩阵中一些代表这个矩阵元素值和分布的一些鲁棒性特征来对图像的相似度进行计算。

        最常用的一般是SVD分解和NMF分解。

       下面简单介绍下SVD分解的一些性质,如果需要探究的更深入一点网上有一些相关文献,读者可以去探究的更清楚:

     <1> 奇异值的稳定性

     <2> 奇异值的比例不变性

     <3> 奇异值的旋转不变性

     <4> 奇异值的压缩性        

        综上所述,可以看出奇异值分解是基于整体的表示。图像奇异值特征向量不但具有正交变换、旋转、位移、镜像映射等代数和几何上的不变性,而且具有良好的稳定性和抗噪性,广泛应用于模式识别与图像分析中。对图像进行奇异值分解的目的是:得到唯一、稳定的特征描述;降低特征空间的维数;提高抵抗干扰和噪声的能力。但是由于奇异值分解得到的奇异矢量中有负数存在所以不能很好的解释其物理意义。

      非负矩阵分解(NMF):

        NMF的主要思想是将非负矩阵分解为可以体现图像主要信息的基矩阵与系数矩阵,并且可以对基矩阵赋予很好的解释,比如对人脸的分割,得到的基向量正是人的“眼睛”,“鼻子”等主要概念特征,源图像表示为这些特征的加权组合。所以NMF算法也在人脸识别等场合中发挥着巨大的作用。

       下面一个实验说明了SVD+NMF数学上的这些分解在图像相似度判定方面的应用,这个跟我目前的课题有关细节方面就不再透露更多了。

    图像相似度计算

    图像相似度计算

    图像相似度计算

    当然基于数学上的矩阵特征值计算的还有很多方法比如Trace变换,不变矩计算等等,当然如果有需要这方面资料的同学可以找我,我可以进行相关的帮助。

    (3)基于特征点的图像相似度计算

        每一幅图像都有自己的特征点,这些特征点表征图像中比较重要的一些位置,比较类似函数的拐点那种,通常比较常用的有Harris角点和Sift特征点。那么将得到的图像角点进行比较,如果相似的角点数目较多,那么可以认为这两幅图像的相似程度较高。这里主要介绍基于Sift算子。

       对于Sift的原理和代码可以参见David Lower的网站。

    David G Lowe Sift网站

       那么我们就可以通过找到匹配点的个数来判断两幅图像是否一致,这个算法的好处是对于一个物体,两个不同角度下得到的照片依然可以找到很多的匹配点,我也一直认为是一个综合来说结果相对较为准确的方法,但是由于每个特征点需要计算一个长度不小的特征值,也造成了该算法的时间消耗比较大。所以不常用于实时的视频处理。这个算法还有一个好处就是可以通过找到的匹配特征点进行图像校正。关于使用Sift做图像校正请参见我的另外一篇博文。

       图像相似度计算

    图像相似度计算

    我当时对于比如左边图像,找到50个特征点,如果其中有60%以上的与右边的匹配上了,认为两幅图像是相似图像。

    图像相似度计算

    上图使用Sift找到的匹配对应点,然后通过仿射变换的6维参数计算,然后逆变换得到校正后的图像,效果蛮不错的,可见Sift对于抗旋转和噪声的效果确实很好。

    对于Sift也不能全部相信,一般使用RANSAC对于错误匹配点去除可以达到更好的效果,当然目前也有很多对SIFT进行改进的算法。希望有这方面研究的可以多多交流。

    展开全文
  • 文章目录 参考 [1] : 图像相似度计算 [2] : 图像相似度资料整理
    展开全文
  • 图像相似度计算(python)

    热门讨论 2012-09-23 22:51:57
    一个关于对图像相似度计算处理的python程序
  • 图像相似度计算MATLAB代码
  • 简单的图像相似度计算方法

    万次阅读 2020-07-13 04:22:11
    用于完成图片两两之间的相似度计算

    塑料瓶图像检测

    目的:用于判断一张图片是否为塑料瓶;

    条件:总计300多张图片分为70多类,同一类塑料瓶分别放置在同一个文件夹;

    思路:选取每个文件夹的一张图片与目标图片对比计算返回相似度最高的值,通过多次试验确定阈值,超过阈值则判定为是塑料瓶,否则不是;

    目录:

    说明

    • 所有测试结果均为程序第一次运行结果

    • 每一组测试的第一个(第一个样本)都是同一张图片相互比对

    • 每一组测试的第二三四五个测试样本均是与第一个测试样本比对

    • 以下为选用的5个测试样本

    • 图片放置在与程序同一位置的images文件夹

    1.方法

    • 直方图

    • 互信息

    • 余弦相似度

    • 感知哈希算法

    2.测试结果(单张图片比对)

    直方图

    from time import *
    begin_time = time()
    
    from PIL import Image
    
    
    def make_regalur_image(img, size=(256, 256)):
        return img.resize(size).convert('RGB')
    
    
    def hist_similar(lh, rh):
        assert len(lh) == len(rh)
        return sum(1 - (0 if l == r else float(abs(l - r)) / max(l, r)) for l, r in zip(lh, rh)) / len(lh)
    
    
    def calc_similar(li, ri):
        return hist_similar(li.histogram(), ri.histogram())
    
    
    if __name__ == '__main__':
        img1 = Image.open('images/WIN_20200111_21_56_10_Pro.jpg')
        img1 = make_regalur_image(img1)
        img2 = Image.open('images/WIN_20200111_21_56_52_Pro.jpg')
        img2 = make_regalur_image(img2)
        print(calc_similar(img1, img2))
    
    end_time = time()
    run_time = end_time-begin_time
    print ('该程序运行时间:',run_time)
    
    测试方式 (图像)文件名 耗时(s) Result
    素材(自比) WIN_20200111_21_56_10_Pro.jpg 0.055361032485961914 1.0
    两张图片比对 WIN_20200111_21_56_52_Pro.jpg 0.06594681739807129 0.6108132256943336
    两张图片比对 WIN_20200111_21_57_05_Pro.jpg 0.05501222610473633 0.6398035067201021
    两张图片比对 WIN_20200111_21_58_01_Pro.jpg 0.05424642562866211 0.7139745065909696
    两张图片比对 WIN_20200111_22_02_08_Pro.jpg 0.07813024520874023 0.7189068678053613

    互信息

    from time import *
    begin_time = time()
    
    from sklearn import metrics as mr
    from scipy.misc import imread
    import numpy as np
     
    img1 = imread('1.jpg')
    img2 = imread('2.jpg')
     
    img2 = np.resize(img2, (img1.shape[0], img1.shape[1], img1.shape[2]))
     
    img1 = np.reshape(img1, -1)
    img2 = np.reshape(img2, -1)
    print(img2.shape)
    print(img1.shape)
    mutual_infor = mr.mutual_info_score(img1, img2)
     
    print(mutual_infor)
    
    end_time = time()
    run_time = end_time-begin_time
    print ('该程序运行时间:',run_time)
    
    测试方式 (图像)文件名 耗时(s) Result
    素材(自比) WIN_20200111_21_56_10_Pro.jpg 1.459466791152954 (6220800,)
    (6220800,)
    4.842347326725792
    两张图片比对 WIN_20200111_21_56_52_Pro.jpg 1.531355381011963 (6220800,)
    (6220800,)
    1.3835594221461103
    两张图片比对 WIN_20200111_21_57_05_Pro.jpg 1.5626063346862793 (6220800,)
    (6220800,)
    1.2697158354875515
    两张图片比对 WIN_20200111_21_58_01_Pro.jpg 1.5668601989746094 (6220800,)
    (6220800,)
    1.40573402284614
    两张图片比对 WIN_20200111_22_02_08_Pro.jpg 1.5644567012786865 (6220800,)
    (6220800,)
    0.6813656974353114

    余弦相似度

    from time import *
    begin_time = time()
    
    from PIL import Image
    from numpy import average, linalg, dot
    
    def get_thumbnail(image, size=(1200, 750), greyscale=False):
        image = image.resize(size, Image.ANTIALIAS)
        if greyscale:
            image = image.convert('L')
        return image
    
    
    def image_similarity_vectors_via_numpy(image1, image2):
        image1 = get_thumbnail(image1)
        image2 = get_thumbnail(image2)
        images = [image1, image2]
        vectors = []
        norms = []
        for image in images:
            vector = []
            for pixel_tuple in image.getdata():
                vector.append(average(pixel_tuple))
            vectors.append(vector)
            norms.append(linalg.norm(vector, 2))
        a, b = vectors
        a_norm, b_norm = norms
        res = dot(a / a_norm, b / b_norm)
        return res
    
    
    image1 = Image.open('images/WIN_20200111_21_56_10_Pro.jpg')
    image2 = Image.open('images/WIN_20200111_21_56_10_Pro.jpg')
    cosin = image_similarity_vectors_via_numpy(image1, image2)
    
    print(cosin)
    
    end_time = time()
    run_time = end_time-begin_time
    print ('该程序运行时间:',run_time)
    
    测试方式 (图像)文件名 耗时(s) Result
    素材(自比) WIN_20200111_21_56_10_Pro.jpg 19.579540729522705 0.9999999999999746
    两张图片比对 WIN_20200111_21_56_52_Pro.jpg 19.23276400566101 0.9751567803348392
    两张图片比对 WIN_20200111_21_57_05_Pro.jpg 19.25089430809021 0.9726385998457207
    两张图片比对 WIN_20200111_21_58_01_Pro.jpg 0.9807553738212222 19.210497856140137
    两张图片比对 WIN_20200111_22_02_08_Pro.jpg 0.9038901804349453 19.01563835144043

    感知哈希算法

    from time import *
    begin_time = time()
    
    import cv2
    import numpy as np
    import os
    
    #感知哈希算法
    def pHash(image):
        image = cv2.resize(image,(32,32), interpolation=cv2.INTER_CUBIC)
        image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
    #     cv2.imshow('image', image)
    #     cv2.waitKey(0)
    #     cv2.destroyAllWindows()
        # 将灰度图转为浮点型,再进行dct变换
        dct = cv2.dct(np.float32(image))
    #     print(dct)
        # 取左上角的8*8,这些代表图片的最低频率
        # 这个操作等价于c++中利用opencv实现的掩码操作
        # 在python中进行掩码操作,可以直接这样取出图像矩阵的某一部分
        dct_roi = dct[0:8,0:8]
        avreage = np.mean(dct_roi)
        hash = []
        for i in range(dct_roi.shape[0]):
            for j in range(dct_roi.shape[1]):
                if dct_roi[i,j] > avreage:
                    hash.append(1)
                else:
                    hash.append(0)
        return hash
    
    #计算汉明距离
    def Hamming_distance(hash1,hash2):
        num = 0
        for index in range(len(hash1)):
            if hash1[index] != hash2[index]:
                num += 1
        return num
    
    if __name__ == "__main__":
    
        image_file1 = 'images/WIN_20200111_21_56_10_Pro.jpg'
        image_file2 = 'images/1.jpg'
    
        img1 = cv2.imread(image_file1)
        img2 = cv2.imread(image_file2)
        hash1 = pHash(img1)
        hash2 = pHash(img2)
        dist = Hamming_distance(hash1, hash2)
        #将距离转化为相似度
        similarity = 1 - dist * 1.0 / 64
        print(dist)
        print(similarity)
    
    end_time = time()
    
    run_time = end_time-begin_time
    print ('该程序运行时间:',run_time)
    
    
    测试方式 (图像)文件名 耗时(s) distance similarity
    素材(自比) WIN_20200111_21_56_10_Pro.jpg 0.20314764976501465 0 1.0
    两张图片比对 WIN_20200111_21_56_52_Pro.jpg 0.2085726261138916 4 0.9375
    两张图片比对 WIN_20200111_21_57_05_Pro.jpg 0.20518183708190918 0 1.0
    两张图片比对 WIN_20200111_21_58_01_Pro.jpg 0.20314764976501465 5 0.921875
    两张图片比对 WIN_20200111_22_02_08_Pro.jpg 0.18751096725463867 8 0.875

    3.评价

    • 直方图计算结果与直观视觉严重不符合
    • 余弦相似度准确度较高,但太耗时,比对平均耗时19s
    • 互信息的方法从耗时和准确度上粗略观察,介于直方图和余弦相似度之间
    • 感知哈希算法耗时较为可接受,且比对结果较有区分度且符合直观视觉
    展开全文
  • 图像相似度计算方法--直方图比较,工程基于vs2005+opencv210实现。下载资源后,如果与自己使用的opencv版本不一致,则需要对工程进行简单配置才能正确运行。
  • 图像相似度计算方法

    千次阅读 2017-06-29 10:09:14
    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...

    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)

     

    图像相似度计算

     

       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,融入了直方图对应位置的信息。但是计算效率上很慢。

      还有一种是计算一个图像外包多边形,一般得到跟踪图像的前景图后计算其外包多边形,根据外包多边形做Delauny三角形分解,然后计算每个三角形内部的直方图,对于这两个直方图组进行相似距离计算。这样就融入了直方图的位置信息。

     

     

     (2)数学上的矩阵分解

       图像本身就是一个矩阵,可以依靠数学上矩阵分解的一些知识来获取矩阵中一些代表这个矩阵元素值和分布的一些鲁棒性特征来对图像的相似度进行计算。

       最常用的一般是SVD分解和NMF分解。

       下面简单介绍下SVD分解的一些性质,如果需要探究的更深入一点网上有一些相关文献,读者可以去探究的更清楚:

     <1> 奇异值的稳定性

     <2> 奇异值的比例不变性

     <3> 奇异值的旋转不变性

     <4> 奇异值的压缩性        

        综上所述,可以看出奇异值分解是基于整体的表示。图像奇异值特征向量不但具有正交变换、旋转、位移、镜像映射等代数和几何上的不变性,而且具有良好的稳定性和抗噪性,广泛应用于模式识别与图像分析中。对图像进行奇异值分解的目的是:得到唯一、稳定的特征描述;降低特征空间的维数;提高抵抗干扰和噪声的能力。但是由于奇异值分解得到的奇异矢量中有负数存在所以不能很好的解释其物理意义。

      非负矩阵分解(NMF):

        NMF的主要思想是将非负矩阵分解为可以体现图像主要信息的基矩阵与系数矩阵,并且可以对基矩阵赋予很好的解释,比如对人脸的分割,得到的基向量正是人的“眼睛”,“鼻子”等主要概念特征,源图像表示为这些特征的加权组合。所以NMF算法也在人脸识别等场合中发挥着巨大的作用。

       下面一个实验说明了SVD NMF数学上的这些分解在图像相似度判定方面的应用,这个跟我目前的课题有关细节方面就不再透露更多了。

    图像相似度计算

     

    图像相似度计算

     

    当然基于数学上的矩阵特征值计算的还有很多方法比如Trace变换,不变矩计算等等,当然如果有需要这方面资料的同学可以找我,我可以进行相关的帮助。

    (3)基于特征点的图像相似度计算

        每一幅图像都有自己的特征点,这些特征点表征图像中比较重要的一些位置,比较类似函数的拐点那种,通常比较常用的有Harris角点和Sift特征点。那么将得到的图像角点进行比较,如果相似的角点数目较多,那么可以认为这两幅图像的相似程度较高。这里主要介绍基于Sift算子。

       那么我们就可以通过找到匹配点的个数来判断两幅图像是否一致,这个算法的好处是对于一个物体,两个不同角度下得到的照片依然可以找到很多的匹配点,我也一直认为是一个综合来说结果相对较为准确的方法,但是由于每个特征点需要计算一个长度不小的特征值,也造成了该算法的时间消耗比较大。所以不常用于实时的视频处理。这个算法还有一个好处就是可以通过找到的匹配特征点进行图像校正。关于使用Sift做图像校正请参见我的另外一篇博文。

      

    图像相似度计算



     

    图像相似度计算

    我当时对于比如左边图像,找到50个特征点,如果其中有60%以上的与右边的匹配上了,认为两幅图像是相似图像。

    图像相似度计算

    上图使用Sift找到的匹配对应点,然后通过仿射变换的6维参数计算,然后逆变换得到校正后的图像,效果蛮不错的,可见Sift对于抗旋转和噪声的效果确实很好。

    对于Sift也不能全部相信,一般使用RANSAC对于错误匹配点去除可以达到更好的效果,当然目前也有很多对SIFT进行改进的算法。希望有这方面研究的可以多多交流。

    展开全文
  • 图像相似度计算之直方图方法OpenCV实现
  • 图像相似度计算之哈希值方法OpenCV实现
  • 基于灰度直方图的非常简答的计算图像相似度代码,但是精度很低。转载于ywjx1215的博客
  • 随着信息社会的发展,图像作为信息呈现的主要形式,在各个领域都有显著的影响。在图像编辑和处理软件的快速发展的背景下,图像...本代码通过提取图像的颜色矩,利用欧式距离以及余弦夹角的方法,求解图像间的相似度
  • 图像相似度计算-kmeans聚类

    万次阅读 2018-03-11 10:05:55
    关于图像相似度,主要包括颜色,亮度,纹理等的相似度,比较直观的相似度匹配是直方图匹配.直方图匹配算法简单,但受亮度,噪声等影响较大.另一种方法是提取图像特征,基于特征进行相似度计算,常见的有提取图像的sift特征,...
  • matlab二值图像相似度计算

    热门讨论 2012-04-15 21:24:46
    通过统计每个相似度是否相似的情况,计算了两二值图像间的相似度,程序比较简单易懂

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 26,075
精华内容 10,430
关键字:

图像相似度计算