用于找到两个图像之间的相似性的距离度量，其不变换（旋转和缩放）强度差异

Question

我想要一个距离测量来找到图像之间的相似性。 我到目前为止所尝试的： 1）我使用了低级距离度量，例如归一化互相关（这根据某些阈值检索相似图像），但它无法检索旋转或移位的图像。 但是，如果特定图像的亮度降低，则即使它们是相同类型的图像也不会被检索。 2）Bhattacharya系数：它检索旋转或移位的图像，但不检测强度（亮度）降低的图像。 3）尝试使用SURF等全局功能，为旋转（30度）和变换图像提供帮助，但对强度差异的图像没有帮助。

我需要的是：我需要一个图像相似度的距离度量，它可以识别那些亮度降低的图像，这些图像被转换（旋转和移动）。 我想要结合这两个指标（互相关）+（Bhattacharya Coefficient）。 相互信息会帮助我解决这个问题吗？ 或任何人都可以建议我一个新的指标用于此问题的相似性测量。 谷歌搜索广泛的问题和无关的答案。 任何人都可以在这里指导我。前言谢谢。

Answer 1

我实现了一些mututal信息和Kullback-Leibler距离来找到Facades的相似性。 它工作得很好，它的工作原理在这里解释：

基于图像的立面程序建模

文章解释了整个步骤。 但它们不是图像的相似性，而是图像部分的对称性。 但也许它也适用于图像比较。 嗯它只是和想法也许它的工作，你应该尝试。 人们认为我真正看到问题的地方就是轮换。 我不认为这个程序是旋转不变的。 也许您应该为您的问题寻找一些视觉信息检索技术。

首先，您必须计算相互信息。 对于thate，你创建一个大小为256 x 256的累加器数组。为什么这么大？ 首先对每种灰色进行联合分布 ，然后进行边际分布 。

for(int x = 0; x < width;  x++)
   for(int y = 0; y < height; y++)
   {
      int value1 = image1[y *width + x];
      int value2 = image2[y * width + x];

      //so first the joint distribution
      distributionTable[value1][value2]++;

      // and now the marginal distribution
      distributionTable[value1][256]++;
      distributionTable[256][value2]++;
   }

现在您拥有了分发表，现在您可以计算Kullback-Leibler距离。

for(int x = 0; x < width;  x++)
   for(int y = 0; y < height; y++)
   {
      int value1 = image1[y *width + x];
      int value2= image2[y * width + x];

      double ab = distributionTable[value1][value2] / size;
      double a = distributionTable[value1][256] / size;
      double b = distributionTable[256][value2] / size;

      //Kullback-Leibler distance
      sum += ab * Math.log(ab / (a * b));  
   }

较小的总和表示两个图像/区域之间的相似性/对称性非常高。 如果图像只有亮度差异，应该可以正常工作。 也许还有其他距离不同于旋转。

也许你会试图使用SURF，SIFT或类似的东西。 然后您可以匹配要素点。 匹配结果越高，相似性越高。 我认为这是一种更好的方法，因为您不必关心比例，亮度和旋转差异。 它也可以通过OpenCV快速实现