ImageDistance

ImageDistance[image1,image2]

返回 image1 和 image2 之间的距离度量.

ImageDistance[image1,image2,pos]

把 image2 的中心放在 image1 的位置 pos 处.

ImageDistance[image1,image2,pos1,pos2]

把 image2 的点 pos2 放在 image1 的位置 pos1 处.

更多信息和选项

  • ImageDistance[image1,image2] 把 image2 放在 image1 中央，并且返回两个图像中重叠区域之间的距离.
  • ImageDistance 适用于任意二维和三维图像.
  • 所比较的图像应该拥有同样数量的通道或者其中之一为单通道图像. 如果 image1 或 image2 是单通道图像, 则复制该通道来匹配另一张图像的通道数.
  • 位置规范 pos 可以有下列形式：
  • {x,y} 或 {x,y,z}绝对像素位置
    Scaled[{sx,…}]从物体的一边至另一边，从 0 到 1 划分出比例位置
    Center中心对齐
    Left,Right 二维和三维中的 轴
    Bottom,Top二维中的 轴，三维中的 轴
    Front,Back三维中的 轴
    {posx,…}有命名的位置列表
  • 如果没有给出和哪个轴对齐，则默认为 Center 对齐.
  • 可使用下列选项：
  • DistanceFunction EuclideanDistance使用的距离函数
    Masking All感兴趣的区域
  • 一些常见的距离函数设置包括：
  • EuclideanDistance欧氏距离（默认）
    SquaredEuclideanDistance平方欧氏距离
    NormalizedSquaredEuclideanDistance规范化平方欧氏距离
    ManhattanDistance曼哈顿或者“城市街区”距离
    CosineDistance角余弦距离
    CorrelationDistance相关系数距离
    f函数 f，以两个图像之间的重叠区域作为参数
  • 也支持以下特殊距离函数：
  • "MeanEuclideanDistance"平均欧式距离
    "MeanSquaredEuclideanDistance"平均平方欧式距离
    "RootMeanSquare"均方根距离
    {"MeanReciprocalSquaredEuclideanDistance",λ}1 减去稳健距离 的平均值，其中 是对应像素的欧式距离（默认 ）
    {"MutualInformationVariation",n}利用有 n 个直方条的直方图（默认 ），联合熵减去互信息
    {"NormalizedMutualInformationVariation",n}利用有 n 个直方条的直方图（默认 ），互信息变分除以联合熵
    {"DifferenceNormalizedEntropy",n}利用有 n 个直方条的直方图（默认 ），计算差分图像的熵
    "MeanPatternIntensity"平均局部纹理灰度差
    "GradientCorrelation"空间导数之间的相关距离的平均值
    "MeanReciprocalGradientDistance"1 减去距离 的平均值，其中 是 imagei 的 s 维度上的空间导数值而 是其方差
    {"EarthMoverDistance",n}利用有 n 个直方条的直方图，计算地球移动距离
  • 可利用 Masking->roi 在 image1 中指定一个感兴趣的区域. 设置 Masking->{roi1,roi2} 下，使用的是重叠图像上 roi1 和 roi2 的相交部分.
  • 预定义的 ImageDistance 度量是对称和非负的. 但是，有些图像距离可能不满足三角不等式. 有些方法给出的图像间距离可能是 0，即使图像不相同. 由用户定义的函数有可能违反这些属性.
  • 如果没有重叠部分或是无法确定度量，则返回 Indeterminate . »

范例

打开所有单元关闭所有单元

基本范例  (2)

两个图像之间的欧式距离：

三维图像间的欧式距离：

范围  (2)

默认情况下，两个图像中心对齐：

将第一个图像的左上角和第二个图像的中心对齐：

将第一个图像的中上点和第二个图像的右中点对齐：

用标准坐标系统来指定位置：

用缩放过的坐标指定位置：

指定三维图像的对齐位置：

选项  (8)

DistanceFunction  (5)

使用自定义的距离函数：

使用含有遮罩的自定义距离函数：

地球移动距离：

使用每个通道四个柱的直方图：

比较不同的距离度量：

计算像素间近似感知距离的均方根距离：

Masking  (3)

用遮罩指定第一幅图像中感兴趣的区域：

用遮罩指定第二幅图像中感兴趣的区域：

两幅图像同时使用遮罩：

应用  (2)

基于地球移动距离创建一系列图像的相似性图表：

计算所有图像两两之间的距离矩阵：

对距离求阈值，创建一个邻接矩阵，并用一张图来可视化：

注册两个与平移和旋转相关的图像：

属性和关系  (8)

图像和自身之间的距离总是零：

两个不同图像之间的距离可能是 0：

图像之间的距离是对称的：

有遮罩时距离不一定是对称的：

当图像没有重叠时，距离是不定的：

图像和旋转之间的距离：

MRI 和平移后的 PET 图像的规范化互动信息变化：

在亮度上整体改变的校正是使用某些距离的典型预处理方法：

没有校正，两个图像对齐得就不是很明显：

某些距离度量对于特定变换实际上是不变的.

空间反射：

颜色取反：

逐点相加：

逐点乘以一个正数：

在正斜率系数下，逐点进行仿射变换：

对于长方形遮罩，图像距离等于裁剪后的图像之间的距离：

Wolfram Research (2012)，ImageDistance，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ImageDistance.html （更新于 2016 年）.

文本

Wolfram Research (2012)，ImageDistance，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ImageDistance.html （更新于 2016 年）.

CMS

Wolfram 语言. 2012. "ImageDistance." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2016. https://reference.wolfram.com/language/ref/ImageDistance.html.

APA

Wolfram 语言. (2012). ImageDistance. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ImageDistance.html 年

BibTeX

@misc{reference.wolfram_2024_imagedistance, author="Wolfram Research", title="{ImageDistance}", year="2016", howpublished="\url{https://reference.wolfram.com/language/ref/ImageDistance.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_imagedistance, organization={Wolfram Research}, title={ImageDistance}, year={2016}, url={https://reference.wolfram.com/language/ref/ImageDistance.html}, note=[Accessed: 22-November-2024 ]}