Ответ 1
Самые простые меры будут основаны на RMS-ошибках, например:
Они, вероятно, гель с вашими представлениями о дистанционных измерениях, но их результаты действительно имеют смысл только в том случае, если у вас есть два изображения, которые уже очень близки, например, если вы смотрите, насколько хорошо сохранилась конкретная схема сжатия исходного изображения, Кроме того, один и тот же результат из любого сравнения может означать много разных вещей, в зависимости от того, какие артефакты есть (посмотрите на статью, которую я цитирую ниже, например, некоторые фотографии RMS/PSNR могут вводить в заблуждение).
Помимо этого, существует целая область исследований, посвященных подобию изображений. Я не эксперт, но вот несколько указателей:
-
Много работы пошло в подходы, используя уменьшение размерности (PCA, SVD, анализ собственных значений и т.д.), чтобы выбрать основные компоненты изображения и сравнить их на разных изображениях.
-
В других подходах (особенно в медицине) используются методы segmentation для выделения важных частей изображений, затем они сравнивают изображения на основе найденного
-
Другие пытались придумать методы сходства, которые охватывают некоторые из недостатков RMS-ошибки и PSNR. Была довольно крутая статья о мерном пространственном доменном сходстве (SSIM), которая пытается имитировать восприятие людьми ошибки изображения вместо прямого, математические понятия ошибки. Те же ребята сделали улучшенную версию с переводом/вращением, используя вейвлет-анализ в этот документ на WSSIM.
-
Похоже, TinEye использует объектные векторы со значениями для множества атрибутов для их сравнения. Если вы охотитесь на своем сайте, вы в конечном итоге попадете на страницу Ideé Labs и их часто задаваемые вопросы содержат некоторые (но не слишком многие) особенности алгоритма:
В: Как работает визуальный поиск?
A: технология визуального поиска Idées использует сложные алгоритмы для анализа сотен атрибутов изображения, таких как цвет, форма, текстура, яркость, сложность, объекты и области. Эти атрибуты образуют компактную цифровую подпись, которая описывает внешний вид каждого изображения, и эти подписи рассчитываются и индексируются нашим программным обеспечением. При визуальном поиске эти подписи быстро сравниваются нашей поисковой системой, чтобы возвращать визуально похожие результаты.
Это ни в коем случае не является исчерпывающим (это всего лишь несколько методов, с которыми я столкнулся в ходе моих собственных исследований), но если вы заходите в технический справочник или просматриваете последние конференции по обработке изображений, чтобы найти больше методов для этого материала. Это не решенная проблема, но, надеюсь, эти указатели дадут вам представление о том, что задействовано.