我对这些上述距离测量感到困惑 - 关于哪种距离测量对于匹配图像相似性是有用的。我对这些措施进行了调查，这是我的结论。任何人都可以告诉我，如果我对任何距离测量都出错了。
1）归一化互相关：这适用于普通图像，并提供旋转图像，它可以测量相似性达到一定量，它不适用于具有不同亮度/对比度的图像，而它应该有[{{3}支持并且它不支持移位的图像。
2） - 正规化相关系数：它匹配旋转和强度差异图像，但它不支持移位图像。
3）Bhattacharya系数 - 它适用于旋转和移位的图像，但对于强度差异的图像，即亮度或低对比度的图像，它不会检测到。
我知道所有这些数据相似性度量都取决于您拥有的数据集的类型，但有人可以告诉我，如果我的测量结果出错了吗？
答案 0 :(得分：3)
这些术语都适用于模板匹配的变体，例如OpenCV的matchTemplate。在所有这些算法中，两个图像通过相对于另一个相互转换来比较，对重叠像素执行某种类型的计算，并返回一个数字。
重要的是要意识到在此操作中，没有执行旋转或尺寸缩放，因此它们都没有特别好地设计用于处理旋转或缩放的图像。也就是说，如果你正在查看图像中旋转或缩放的对象，这些都不是正确的使用方法。
不同算法之间的差异主要在于如何比较像素。基本上，标准化和校正的越多（例如，平均照明，整体亮度范围等），计算成本越高并且结果越好（对于未知照明情况）。关于如何思考这些问题的一些简单想法如下。标准化的数据只能处理标准化数据，适用于整体照明差异，就像房间里的灯光亮起或调低一样。互相关是最常用的，因为它相对较快并且给出了合理的结果。相关系数相对于平均值进行比较，因此，这是照明差异的良好选择。如果您使用户外图像，您几乎总是希望使用标准化方法。如果您不担心计算时间，则归一化相关系数通常是最佳的。