Image 负互相关表示高相似性还是低相似性？

我正在编写一些图像处理技术，需要比较两个子图像的相似性。我使用的是归一化互相关度量，它返回一个介于-1和+1之间的值。我应该把它的绝对值作为我的相似性度量，还是负的互相关意味着较差的相似性？

-1也是相关性的标志。只有0左右的值表示没有相关性。接近+1表示图像与另一个非常相似。接近-1意味着，一幅图像可能是负片，应该反转，因此图像相似，相关性接近+1。

负相关性和正相关性是有意义的，这一切都取决于您的应用程序。让我说得更清楚一点。假设您有三个数据集（例如A：年龄、B：头发和C：身高）。假设A和C之间的相关性为正（0.98），因此这意味着随着年龄的增长，预计会更高）。然而，我们计算A和B之间的相关性，你会发现它是负的！这是什么意思？这意味着随着年龄的增长，你希望头发变少！因此，正如您所看到的，正相关意味着两个数据集中的平行增加/减少，而负相关意味着有两个相反的趋势，这可能是有意义的，因为基于负相关，当您是孩子时，您可以期望有更多的头发

首先，作为相似函数的归一化互相关（NCC）与相关函数具有不同的性质。正值大表示相似性高，负值大表示相似性低

如果输入矩阵只有正值，则NCC值不能为负值。但是，如果NCC的实现首先删除图像的强度平均值，则图像将具有正NCC值和负NCC值。因此，可以有负的NCC值，如

TL；DR

首先，您尝试进行图像配准（模板匹配），即变换图像以适合模板图像的坐标系。为此，需要使用相似性函数（或相异性函数）来估计所需的转换

我假设：

• 只应用线性变换。因此，有必要 估计两幅图像之间的空间正交失调， x轴和y轴上的偏移
• 两个图像具有相同的模态， 单一模式，模板和图像均由同一设备/配置捕获

因此，使用归一化互相关似乎是一个不错的选择。如果上述假设不适用，请使用其他相似性函数

归一化互相关（NCC）是一种基于强度的相似函数。因此，它仅基于像素强度测量两幅图像的相似程度。基本上，图像在模板上发生空间移动。对于每个偏移，在每个重叠位置将逐像素乘法相加

因此，为了实现最大对齐，您需要将图像移动到使两个图像之间的相似性最大化的位置，即最大NCC

---

另请参见：

我认为你说的“用作相似性函数的归一化互相关（NCC）与相关性具有不同的属性是不对的。正大值表示高度相似性，而负大值表示低相似性。”

图像中的相关性与其他类型的非图像相关性没有区别

在NCC中，+1的相关值表示两个图像逐像素相同。相关性值为0表示没有相似性。然而，相关值-1并不意味着没有相似性。这也意味着最大的相似性，但在相反的意义上。标准化域中的图像像素可以取值范围为[0 1]。如果您拍摄其中一幅图像，将所有像素值从1（1-（像素_值））中减去，您将创建一个反转图像，其中亮点变暗，暗点变亮。如果与原始图像的相关性产生的相关性值为1（100%相似性），则与反转图像的相关性产生的相关性值为-1

---

你只应该把阳性分数看作是相似的——假设任何否定都意味着没有相关性（因为这是负相关）。谢谢，这就是我希望听到的。使用负相关也取决于应用程序。例如，如果您想要执行模板匹配，那么负相关性就没有用，因为它仍然被认为是不同的。但是，如果您想使用分数进行检索，那么高负相关性是有用的，因为您希望找到特定的形状或对象，而不考虑其方向。因此，在决定负相关性是否有用之前，您需要考虑一下使用相关性的目的。回答和应用不错，但OP想知道它如何应用于数字图像处理技术。不过，从统计学的角度来看，这是一个非常好的答案！标准相关（例如皮尔逊）与互相关不是不同吗？