我对上述这些距离度量感到困惑-至于哪种距离度量对匹配图像相似度有用。我已经对这些措施进行了调查，这是我的结论。谁能告诉我我的距离测量是否出错。
1）归一化互相关：这适用于普通图像并提供旋转图像，它可以测量一定程度的相似性，它不适用于具有不同亮度/对比度的图像，但它应该根据 [ http://en.wikipedia ] 提供支持.org/wiki/Cross-correlation]。它不支持移位图像。
2)-归一化相关系数：匹配旋转和强度差异图像，但不支持移位图像。
3) Bhattacharya 系数 - 它适用于旋转和移位的图像，但对于具有强度差异的图像，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，但是谁能告诉我，如果我的度量结果在任何地方都出错了？
这些术语都适用于模板匹配的变体，如 OpenCV 的matchTemplate。在所有这些算法中，通过将一个相对于另一个进行平移、对重叠像素执行某种类型的计算并返回一个数字来比较两个图像。
重要的是要认识到，在此操作中，不执行旋转或大小缩放，因此它们都不是特别适合处理旋转或缩放的图像。也就是说，如果您正在查看图像中旋转或缩放的对象，则这些方法不适合使用。
不同算法之间的大多数差异只是关于像素的精确比较。基本上，标准化和校正的越多（例如，平均照度、整体亮度范围等），计算成本就越高，结果就越好（对于未知的照明情况）。以下是关于如何思考这些问题的一些简单想法。归一化的仅适用于归一化的数据，适用于整体照明差异，就好像房间里的灯被调高或调低一样。互相关是最常用的，因为它相对较快并给出合理的结果。相关系数是相对于平均值进行比较的，所以同样，这对于照明差异来说是一个不错的选择。如果您使用户外图像，您几乎总是希望使用标准化方法。