问题描述如下：
给出2组数据：A = { 91 87 85 85 84 90 85 83 86 86 90 86 84 89 93 87 89 91 95 97 91 92 97 101 101 }，
B = {133 130 129 131 133 136 131 131 135 135 133 133 133 131 135 131 129 131 132 132 130 127 129 137 134 }，
如果A表示来自（x，y）位置周围的背景图像的一组像素，则B表示来自照明改变的不同图像的（x，y）周围的另一组像素。
计算的归一化互相关（NCC）= 0.184138251 （来自http://en.wikipedia.org/wiki/Cross-correlation#Normalized_cross-correlation）
计算的NCC告诉我们集合A与集合B不同。但实际上，A和B在不同的光照条件下是相同的像素组。
它表明NCC对相对变化非常小的数据集中的微小变化非常敏感。例如，如果标准差与平均值之间的比率代表每个数据集的相对变化，那么集合A = 0.057684745的相对变化，集合B = 0.018484007。
任何人都可以帮我弄清楚如何在NCC公式中加入相对变化因子，因此修改后的NCC对数据集中的微小变化是稳健的，其中每组中的变化非常小？ 此外，修改后的NCC的输出仍然需要为-1到1.
非常感谢。
答案 0 :(得分：1)
这里有两个问题：
对于噪声稳健性，我建议你应用一些去噪算法。根据您的应用，计算约束，知识......您可以尝试简单的中值过滤，或更复杂的双边过滤或非本地方式。这些算法中的每一个都将保留图像的大部分精细结构（这对于NCC来说非常重要）。
然后，为了对照明变化具有鲁棒性，您可以先应用简单的直方图匹配程序。如果它不能很好地工作，你应该试试Julie Delon为这种立体匹配案例专门开发的Midway algorithm（pdf）。它相对容易实现（我使用OpenCV / C ++在几个小时内完成了它。）
答案 1 :(得分：0)
在关联之前对图像进行标准化可能有所帮助！ 如果您有选择，我建议您测试相位相关性 here你发现了一篇非常有趣的论文 我希望有帮助