基于陆地移动距离（EMD）的彩色图像直方图距离计算

直方图匹配策略

直方图是用来比较两幅图像相似度的重要途径，常用的距离标准包括：相关、卡方、直方图相交以及Bhattacharyya距离。

光线变化能使得图像颜色值的飘逸，尽管颜色直方图形状没有改变（整体位移），这样的变化使得以上匹配策略失效【我的理解为，此时匹配仍可以得到正确结论，即具有越相似直方图统计特性，会在四种评判中得到更好的结果，但是可能已经丧失其原本的意义了，数值大小不能反应图像之间的差异，即不再具有判断图像相似度的能力】。

举个例子图像A,B,C，我们想从B和C中找到与A更相似的图片（视觉上），当这两者根据某一标准的结果都很差时，即使相对较好的结果我们也不能说它和图像A更相似（虽然在统计上是这样的）。所以需要提出一种比较靠谱的度量方法。

陆地移动距离

更靠谱的距离度量方法就是陆地移动距离（EMD），下面是The Earth Mover’s Distance as a Metric for Image Retrieval（EMD）这篇文献摘要的翻译，看了可能对EMD有更好的认识:

我们研究了一种基于图像内容检索方法的直方图分布特性，陆地移动距离（EMD）。 EMD的意义是将一种直方图分布转化为另一种分布所要付出的最小成本。对于图像检索来说，我们将EMD和矢量量化结合一起，该方法相比以往方法在视觉相似性表现出了更好的方法。EMD相比其他直方图匹配算法，具有更佳的鲁棒性。当用来比较相同质量分布时，EMD度量更加真实。在本文中，我们专注于应用于颜色和纹理，比较EMD了的检索性能与其他距离的检索性能。

因此，EMD距离模型应该还是挺有用途的。

PS：

OPENCV中cvCalcEMD2（）函数能计算的最大直方图签名的行数为15440。
（1）对于1维直方图，区间数目不能超过15440；
（2）对于2维直方图，2个区间数目的乘积不能超过15440，区间相同的话每个区间不能超过124；
（3）对于3维直方图，3个区间数目的乘积不能超过15440，区间相同的话每个区间不能超过24.9；
（4）实际使用的时候，因为同一个程序中的其他部分还要占用内存，所以会比计算的值更少。
具体参见：http://www.cnblogs.com/xrwang/archive/2010/02/02/cvCalcEMD2Exception.html

---

实验：card1、card2分别是光照较强时的图像，card2相对card1有旋转，card3是光照较弱时的图像（由于我是手机拍的，可能不太清楚）
计算了相互间直方图相交以及EMD度量。