无训练图像相似性度量咨询：SSIM与LBP结果异常问题

问题背景 #

现有参考图像A、目标图像B和C，人类视觉判断A与B属于同一类别，A与C属于不同类别，但现有度量方法结果不符合预期：

• OpenCV内置SSIM计算：
  • result1 = SSIM(A, B) = 4.71027%
  • result2 = SSIM(A, C) = 7.95047%
• 全图像LBP归一化直方图的KL散度表现更差
• 两种LBP变体的KL散度测试结果：
  • 圆形LBP：result1 = LPB_CIRCULAR_HIST_KL(A, B) = 0.66，result2 = LPB_CIRCULAR_HIST_KL(A, C) = 0.64
  • 方差LBP：result1 = LPB_VAR_HIST_KL(A, B) = 0.49，result2 = LPB_VAR_HIST_KL(A, C) = 3.74
    注：结果为0表示图像完全相同

推荐的无训练相似性度量方法 #

• 改进型结构相似性
  尝试MS-SSIM（多尺度结构相似性），它在不同尺度下计算SSIM并加权融合，更贴合人类视觉对不同层级细节的感知，能有效弥补单尺度SSIM的不足；也可以给SSIM加入边缘区域权重，强化结构差异的影响。

• 直方图类度量（替代KL散度）

  • 巴氏距离（Bhattacharyya Distance）：通过计算两个直方图的重叠概率对数来衡量差异，公式为 D_B = -ln(Σ√(p_i q_i))，值越小表示图像越相似，对类别差异的区分度优于KL散度。
  • 直方图交（Histogram Intersection）：直接统计两个直方图的重叠面积，值越大则图像相似性越高，适合同类图像纹理、颜色分布相近的场景。

• 边缘/梯度特征度量

  • Canny边缘直方图相似性：先提取图像的Canny边缘，统计边缘方向、长度的直方图，再用巴氏距离或直方图交计算相似性——同类图像的边缘结构特征通常更一致。
  • HOG特征相似度：提取梯度方向直方图（HOG）特征后，用余弦相似度或欧氏距离衡量差异，HOG能捕捉局部形状与边缘信息，无需训练即可快速计算。

• 感知颜色空间统计度量
  将图像转换到HSV、Lab这类符合人类视觉感知的颜色空间，统计各通道的均值、方差、分位数等统计量，计算这些统计量的欧氏距离或余弦相似度，同类图像的颜色分布统计特征更接近。

• 相位一致性度量
  基于图像的相位信息计算相似性，相位信息对光照、对比度变化具有鲁棒性，能精准捕捉图像的结构本质，适合光照变化不影响类别判断的场景。

内容的提问来源于stack exchange，提问作者Ziri