定性比较图像补丁的良好指标

我正在尝试“匹配”图像中的小方块。乍看之下，简单地对这两个数组进行欧几里德距离样式比较以获得“相似性”度量似乎是合理的。这在许多情况下都可以正常工作（根据该指标的“最佳”补丁（最低值）与查询补丁非常相似）。但是，在许多情况下，这会产生非常差的匹配。例如，采用以下两个补丁对：

一堵砖墙的两个补丁，得分为134（这是平均绝对像素差的组成部分之和）：

一块砖墙，一块草，得分123！

对于人类来说，“显然”草与砖块不匹配，但是该度量标准却相反。问题仅在于局部统计差异。

如果我使用直方图比较之类的方法，我将完全失去所有空间信息-例如，如果一块补丁在顶部是草，而底部是砖，那么它会与底部在草地，顶部是砖的补丁完全匹配（再次，另一个“明显错误”的匹配）。

是否存在一种度量标准，可以将上述两种思想组合成一个合理的值，对于上述对1而言，该值将被评估为“相似”，但对于我的补丁及其垂直镜面示例，该度量值却不相似？

任何建议表示赞赏！

基本思想是：颜色信息没有错-仅仅是不够的。因此，最好的办法是组合多个功能集。

您可以尝试多种功能来解决这种歧义。就功能集而言，您可以使用以下功能：

1. 颜色（类似于MPEG7的主要颜色）或Color Historgram
2. 纹理（以过滤器库响应的形式）或
3. 边缘直方图

作为主要比较，我首先要区分纯砖补丁与纯草补丁。为此，颜色绝对是最有潜力的元素。

组合功能以进行更可靠的分类

我将使用一种主导色（使用但不使用唯一一种）或关键色来形成群集。看看簇头在哪里；

如果簇头都在预期区域内，则该类别通常很容易检测，如果它们落入灰色区域，则该类别属于该类别。如果它落在灰色区域，则需要另一个功能。

同样，您可以使用纹理矩阵独立进行分类，然后将两个分数合并以确保结果有意义。

处理空间问题

特别是当您意识到补丁可以包含一半的砖块和一半的草的一部分时。我认为您不需要任何其他功能或不同的矩阵。这可以通过两种方式处理。

1.将多个成员身份修补程序保留为不同的类。 例如，除了birck-only阶级和grass-only阶层，你也可以拥有half-brick-half-grass-vertical和half-brick-half-grass-horizontal为总四类。使用我们前面讨论的聚类方法可以很容易地对它进行分类。

2.添加多尺度分类 例如，如果补丁位于灰色区域，则可以将补丁分为两个部分，即左与右。同样，您也可以划分顶部和底部。现在，您可以对此“半部分”应用相同的分类。理想情况下，上面列出的功能应允许您使其具有可伸缩性，以比较整个零件之间的功能相似性（例如，主色可以相同，而与大小无关），或者可能需要调整其大小。

增加更多的类（如第1部分中）或更多的级别（如第2部分中）将是直接的；上限由两个因素决定-任何额外的除法将不再为分类增加任何值，或者过多的噪声将有效地在分类中引入歧义。这是您停止的地方。

首先，2张图像和3个测量值不足以确定任何可以用来定义最佳比较指标的统计模型。

我认为您可以开始查看纹理识别文件的方法和线索。这是一个活跃的领域。

对于它的价值，我运行了几个感知哈希函数（基于DCT和随机投影）测试，并使用所谓的SIFT描述符进行了一些试验。这些功能可以区分类内和类内距离，尽管无法从3张图像得出任何结论。

github上的代码。