计算两个(二进制)图像之间的相关性

Question

我在试着计算(交叉？)模板图像(属于较大图像的图像)与模板所属图像之间的相关性。

假设模板图像为3x2，大图像为20x20。我首先做的是对两幅图像进行灰度处理。然后我得到了灰度值的平均值(也是两个值的平均值)。之后，我逐个像素地检查当前像素是否低于或高于平均值。如果它较低，则我将像素着色为黑色，如果它较高，则像素将为白色。所以基本上这给我留下了一个二进制图像。在那里1==white和0==black。

我的模板镜像二进制值为: 101010

然后，在大图中，我开始扫描每个像素，看看它是否与模板匹配。所以我从大图中的x=0，y=0开始，我将X轴上的前三个像素与模板图像的前两行进行了比较。其二进制值为: 111010

所以下一步是检查相关性，对吗？现在，对于我来说，这是棘手的部分，因为我不确定我做得是否正确。但这是我想出来的：

101010 (模板图像)

Sum =3

平均值= 0.5

标准差= 4,2

111010 (大图，第一部分)

Sum =4

平均值= 0,66

标准差= 2,82

然后我尝试这样计算相关性：

​

​

结果如下:R= -0,04

由于这个数字根本不接近1，这意味着没有密切的相关性，对吧？或者我必须将其与n-2 =临界值进行比较。所以在这种情况下，6-2 = 4，因为它也不接近4，这也意味着没有相关性，对吧？

当它接近-1时，这意味着什么，这是否意味着相关性更小？

最重要的是，我的计算是正确的吗？还是我还漏掉了什么？

Answer 1

我已经重新看过你的问题了。我想你把cross-correlation和convolution搞混了。

基本上，当你有两个相同大小的图像，并且你想要告诉你你们有多相似时，你就会使用互相关。例如，您可以在视频中的两个后续帧上使用它。互相关会产生一个单一的数字。

当您有一个小尺寸的模板图像，并且想要在一个较大尺寸的图像中找到它的位置时，您可以使用卷积(由于这个原因，它通常也称为template matching)。卷积产生一个新的图像。新图像中的每个像素(x，y)表示模板与原始图像位置(x，y)匹配的强度。通常，在执行卷积之后，您会在卷积结果中查找最大值(或多个值)，并将其用作模板的检测位置。

考虑到你的问题的表达方式，听起来卷积确实是你想要的。在你的例子中，图像是不同大小的，所以你不能真正有意义地计算互相关性。

最后，在您了解了所有这些功能的工作原理之后，您应该想到大多数图像处理库都包含此功能，这会让您感到宽慰。每个做过像样的图像处理的人都至少实现过一次卷积，只是为了好玩:)