алгоритм подобия растровых данных

Question

Я бы хотел сравнить два растровых изображения или их части и посмотреть, насколько они похожи.

Я сталкивался с некоторыми алгоритмами подобия для строковых данных, такими как расстояние Левенштейна и расстояние Яро-Винклера.это, очевидно, не помогает, когда дело доходит до растровых данных.

Кто-нибудь может предложить алгоритм сравнения одинаковых растровых изображений?

---

РЕДАКТИРОВАТЬ

Спасибо за идеи, ссылки и т. Д.

Хотя вся информация полезна для ознакомления с этой темой, мне интересно, как генерировать изображения, что-то еще в этом роде:

Answer 1

Вы можете использовать Сравнение изображений Хаусдорфа , но имейте в виду, что это ожидает двоичные изображения.

Следует отметить, что визуально похожие изображения могут иметь совершенно разные базовые представления пикселей. Человеческое восприятие делает вычисление визуального сходства довольно трудным. Хаусдорф хорошо справляется с этим, позволяя двум различным изображениям получать высокие оценки, когда общее сходство одинаково.

Если вы хотите вычислить расстояние данных, вы можете использовать любую метрику расстояния, которую вам нравится, и делать это непосредственно на пикселях. Мне особенно нравится расстояние Махаланобиса для такого рода сравнений.

Answer 2

Нейронные сети также приносят решение. Вы можете использовать сеть Кохонена (она сгруппирует ваши изображения в классы и даст их топологическую карту) или использовать сеть Хопфилда (предоставить некоторые репрезентативные изображения, и после процедуры обучения изображения будут классифицироваться по сети на изображения, представленные в режиме обучения).

сети Кохонена: http://en.wikipedia.org/wiki/Self-organizing_map

Сеть Хопфилда http://en.wikipedia.org/wiki/Hopfield_network

Answer 3

Вы хотите использовать кривую Гильберта, чтобы подразделить изображение и прочитать значения rgb. Затем вы можете использовать быстрое преобразование Фурье для записи изображения в дискретный аналоговый сигнал. Затем вы можете сохранить это в базе данных и сравнить его с другими результатами. Результаты должны быть очень хорошими. Фактически это похоже на шаг Quantiziser в сжатии JPEG (кривая Гильберта) за исключением того, что сжатие JPEG использует кривую Мортона.

Answer 4

Вот интересная ссылка из аналогичного вопроса .Использование самообучающейся нейронной сети для распознавания похожих изображений.