基于颜色与边界特征，在R中查找最相似矩阵图的方法

一、原思路合理性分析 #

• 你的思路逻辑通顺：分维度量化差异再综合的方式，完全匹配视觉相似性的拆解逻辑。欧氏距离测颜色分布、Jaccard/Hausdorff测边界的组合可行，但直接取平均要注意各维度差异值的量纲统一——比如欧氏距离和Jaccard距离的数值范围可能相差很大，直接平均会导致某维度权重失衡，需要先将各维度差异值归一化到[0,1]区间后再综合。

二、简化实现方案 #

1. 颜色分布差异简化计算 #

无需手动转向量计算欧氏距离，直接统计各颜色的频次占比，用巴氏距离（更适合衡量分布差异）计算即可。R中philentropy包的bhattacharyya()函数可以直接实现，比手动处理更高效。

2. 边界特征的统一提取与计算 #

将边界形状（B）和位置（C）合并处理，避免重复计算：

• 先提取每个矩阵的边界：用EBImage::bwboundaries()（针对二值化边界）或边缘检测工具（如image.dimRed::edgeDetection()）得到边界坐标点集。
• 对边界点集做归一化对齐：把所有边界的中心移到原点，缩放至相同尺寸，消除位置差异的影响。
• 用Hausdorff距离直接衡量形状+位置的综合差异，R中hdist包的hdist()函数可直接计算点集间的Hausdorff距离，一步到位覆盖B、C两个判断维度。

3. 综合差异的简化计算 #

将颜色分布差异（巴氏距离）和边界差异（Hausdorff距离）分别归一化到[0,1]区间，再按你认可的权重加权求和（比如颜色和边界各占50%），最终选取加权和最小的对象即可。

三、R代码示例片段 #

# 加载必要工具包
library(philentropy)
library(hdist)
library(EBImage)

# 假设你的矩阵列表为mat_list，mat_list[[1]]是目标对象1
target_mat <- mat_list[[1]]

# 1. 计算颜色分布的巴氏距离
get_color_dist <- function(mat) {
  color_counts <- table(as.vector(mat))
  # 补全所有可能出现的颜色，避免因缺失颜色导致计算错误
  all_colors <- unique(unlist(lapply(mat_list, function(x) as.vector(x))))
  color_counts <- as.numeric(color_counts[match(all_colors, names(color_counts))])
  color_counts[is.na(color_counts)] <- 0
  color_counts / sum(color_counts) # 转换为颜色占比
}

target_color_dist <- get_color_dist(target_mat)
color_dists <- sapply(mat_list[-1], function(x) {
  bhattacharyya(rbind(target_color_dist, get_color_dist(x)))
})

# 2. 计算边界的Hausdorff距离
get_boundary_points <- function(mat) {
  # 简单边缘检测：识别颜色变化的位置作为边界
  edge_mat <- mat != EBImage::shift(mat, dx=1) | mat != EBImage::shift(mat, dy=1)
  # 获取边界坐标
  coords <- which(edge_mat, arr.ind = TRUE)
  # 归一化：中心移至原点，缩放至单位范围
  coords <- coords - colMeans(coords)
  coords <- coords / max(abs(coords))
  coords
}

target_boundary <- get_boundary_points(target_mat)
boundary_dists <- sapply(mat_list[-1], function(x) {
  x_boundary <- get_boundary_points(x)
  hdist(target_boundary, x_boundary)
})

# 3. 归一化并计算综合差异
normalize <- function(x) (x - min(x)) / (max(x) - min(x))
norm_color <- normalize(color_dists)
norm_boundary <- normalize(boundary_dists)

# 加权求和（权重可根据需求调整）
total_dists <- 0.5 * norm_color + 0.5 * norm_boundary

# 定位最相似的对象（索引对应原列表位置）
most_similar_idx <- which.min(total_dists) + 1
cat("与对象1最相似的是对象", most_similar_idx, "\n")

内容的提问来源于stack exchange，提问作者farrow90