问题标签 [cross-correlation]

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？

在 R shell 中执行 a 和 b 之间的互相关：

为什么使用术语“自相关”？我认为“自相关”是序列与其自身滞后版本的相关性，而不是与另一个（可能滞后的）序列的相关性。

这是我尝试做的一个最小示例：

创建 3D 矩阵

创建 3D 模板

计算互相关（matlab 中的 3D 互相关）。我认为互相关与翻转模板的卷积相同。那是对的吗？

查找最佳匹配的下标

我读到必须减去最终坐标的模板大小的一半，但我不再拥有包含此信息的页面链接。但是，我认为如果不这样做，返回的坐标不是模板中心所在的位置，而是模板的一角。

作为我的示例的结果，我期望：x=2, y=2, z=4. Matlab 告诉我它是x=4, y=4, z=4. 但是，当将模板更改为

我得到正确的结果(x=3, y=3, z=3)。

我必须改变什么才能得到正确的结果？

我找不到为什么使用计算两个系列 A 和 B 之间的相关性numpy.correlate给我的结果与我使用得到的结果不同的原因statsmodels.tsa.stattools.ccf

这是我提到的这种差异的一个示例：

结果似乎有质的不同，这种差异从何而来？

我正在尝试执行互相关，但注意到以两种不同的方式执行此操作会导致结果略有不同。

我有一个带有一些尖峰（'dual_spikes'）的向量，我想将它与'dips'交叉关联（在Matlab中使用xcorr）。

当我以两种不同的方式执行此操作时，我注意到了不同之处：

• 使用“dual_spikes”正常执行 xcorr
• 对每个单独的尖峰执行 xcorr，将它们加在一起，然后标准化。

我不知道为什么应该有区别。使用下面的函数进行说明。

请注意，xcorr 信号必须有一个“背景”（bg）划分，因此只能找到下降。这发生在“xcorr_div”中。

根据这个链接和这个，据说opencv比matlab快得多。第一个链接写于 2012 年 3 月，第二个链接稍晚一些。

在第一个链接中，它说，“用 OpenCV 编写的程序比用 Matlab 编写的类似程序运行得快得多。” 和费率Matlab: 2/10和OpenCV: 9/10

考虑一下，我有两个浮点矩阵，其大小为1024*1024（mat1和mat2）。我想关联这个矩阵。

在matlab中，

在opencv中，C++

据我所知，c 和 c++ 的速度大致相同。

所以，我想知道，为什么 matlab 在进行互相关时比 opencv/c++ 快。是因为我在比较错误的东西（即使结果相同）还是 matlab 的互相关实现比 opencv 实现快一倍？

请注意，我正在使用Matlab 2013aand Visual Studio 2010。

谢谢，

我在 MATLAB 中有以下代码来计算 2 个序列 x 和 y 的直接互相关：

上述结果与 xcorr(x,y) 完全匹配。美好的！现在，我想通过从 x 和 y 一次获取 8 个样本来逐块执行相同的操作。那是：

为了获得与使用整个序列相同的结果，我的下一步应该是什么？我知道我应该执行重叠添加方法，但我不确定每个块应该附加多少个零，以及相邻块的重叠长度应该是多少才能达到与 xcorr(x,y) 相同的结果？请通过扩展上述代码来帮助我在频率域中进行块级互相关。

提前致谢！

我正在尝试在 Android 上的录音中检测我的啁啾回声，似乎互相关是找到两个信号的 FFT 相似位置的最合适方法，从那里我可以识别互相关数组中的峰值将对应于距离。

据我了解，我提出了以下互相关函数。这个对吗？我不确定是否在开头添加零并重新开始一些元素？

次要问题：

根据这个答案，也可以这样计算

我根本不明白，但似乎很容易实现。那就是说我失败了（假设我的xcorr1是正确的）。我觉得我完全误解了这一点？

假设我两个都工作了，考虑到数组将包含几千个元素，哪个函数最合适？

编辑：顺便说一句，我已经尝试在 FFT 版本的两个数组的两端添加零。

在 SleuthEye 的回应后编辑：

您能否验证一下，因为我正在处理“实际”数据，所以我只需要通过进行真正的转换来完成一半的计算（实际部分）吗？

从您的代码中，看起来 REAL 转换返回的数组中的奇数元素是虚构的。这里发生了什么？

我如何从实数数组变为复数？或者这是转换的目的吗？将实数移入复数域？（但实数只是复数的一个子集，所以它们不是已经在这个域中了吗？）

如果 realForward 实际上返回的是虚数/复数，它与 complexForward 有何不同？我如何解释结果？复数的大小？

对于我对变换缺乏了解，我深表歉意，我到目前为止才研究过傅立叶级数。

感谢您的代码。这是“我的”工作实现：

然而，直到每个大约 5000 个元素，xcorr1 似乎更快。我是否在做任何特别慢的事情（也许是不断“更新”内存——也许我应该转换为 ArrayList）？或者我生成数组来测试它们的任意方式？或者我应该做共轭而不是逆转它？也就是说，性能并不是真正的问题，因此除非有明显的东西，否则您无需费心指出优化。

我正在使用互相关来查找音频信号在录音中出现的位置。执行此操作时，始终可以在录音中的信号内某处找到相关性最高的点，但我正在寻找一种方法来找到该信号在录音中开始的点。有没有人知道这样做的方法，或者互相关是否可以完成这项工作？提前致谢。

我正在尝试在 python 中实现 GCC-PHAT。

做法类似于下面两个链接： link1和link2

GCC-PHAT 和使用 FFT 的正常互相关之间的唯一区别似乎是除以幅度。

这是我的代码：

我已经通过注释检查fs = fs / denom该函数产生与宽带信号的正常互相关相同的结果。

这是一个示例测试代码，它显示了上面的 GCC-PHAT 代码的性能比正常的互相关差：

这是 GCC-PHAT 的结果：

这是具有正常互相关的结果：

由于 GCC-PHAT 应该为宽带信号提供更好的互相关性能，我知道我的代码有问题。非常感谢任何帮助！