我有成千上万的jpeg格式的网络摄像头图像，我想分析一下云端封面。没有云的图像将是一座山并且将相对较暗，而如果存在云，则直方图将倾斜至明亮的水平。目的是将图像分类为云或无云，然后按时间，季节等分析云的频率。
首先使用raster导入jpegs。我打算将图像编译成RasterStack，并在每个图像中指定一个窗口进行分析，例如。
rasterlist <- list.files('test', full.names=TRUE) # list of files to make rasterstack
test_stack <- stack(rasterlist) # stack raster layers
#define the crop extent
cropbox <-c(200,1280,500,900) # (`xmin`, `xmax`, `ymin` , `ymax`)
test_cr <- crop(test, cropbox) #crop the raster
我正在寻找一种强大的相异度测量，以使用直方图将堆栈中的所有图像与参考图像进行比较。我读的线程越多，我提到的指标越多，建议越多！ This SO thread提供了一个很好的起点。
未绑定时，jpeg像素具有256个值。我的理解是Kolmogorov-Smirnov距离在这种情况下是一个合适的度量，如果数据被分箱（或者可能是提高计算速度所必需的），则为卡方距离。
关于这个主题的几个讨论推荐Wasserstein或地球移动距离（EMD）但是当我尝试在一对测试图像（每个1080x250像素）上使用它（包transport）时，我得到一个错误消息（显然我的16GB的RAM还不够！）：
# first need to convert raster to a matrix then to object type pgrid
testmat <- as.matrix(test_cr2)
testmat2 <- as.matrix(test_cr3)
p1 <- pgrid(testmat)
p2 <- pgrid(testmat2)
wasserstein(p1,p2,p=1) # calculate EMD
Error: cannot allocate vector of size 271.6 Gb
我在HistogramTools包中使用HistogramDistance取得了更多成功，例如
# HistogramDistance requires 2 histogram objects with same bucket boundaries
h1 <- hist(test_cr2, breaks=seq(0,256,by=8))
h2 <- hist(test_cr3, breaks=seq(0,256,by=8))
minkowski.dist(h1, h2, 1) # 1 = manhattan dist
但是我找不到有关HistogramDistance使用的4种不同相似性指标的相对优点的信息：
minkowski.dist函数计算两个直方图之间的阶数p的Minkowski距离。 p = 1是曼哈顿距离，p = 2是欧几里德距离。
intersect.dist函数计算两个直方图的交点距离，如Swain和Ballard 1991，p15中所定义。如果直方图h1和h2不包含相同的总计数，则该指标将不是对称的。
kl.divergence函数计算两个直方图之间的Kullback-Leibler差异。
jeffrey.divergence函数计算两个直方图之间的Jeffrey分歧。
Minkowski距离是否适合我的目的？如果是这样哪个更好，曼哈顿或欧几里德距离？
我找不到在R中实现直方图相似性的任何这些方法的实际例子。
首先，我会建议哪些是最有用的方法，在R中对于大型数据集（数千个直方图）相对容易实现。
其次，在R中实现的任何这些方法的示例用于直方图比较。 （我在网上找不到任何相关代码。）