图像融合评价指标:CC(Correlation Coefficient)以及余弦相关度、欧氏距离和皮尔逊相关度的通俗解释

相关系数,在概率论中给出的就是:

这里的cov(X,Y)是X,Y的协方差,也就是X和Y分别减去各自的均值(相当于是将X和Y的均值变为0),然后做点积(对应元素相乘后求和),再除以长度N或尺寸M*N。回想一下,方差是怎么求的?

D(X)=\frac{\sum \left ( X_{i}-E[X] \right )^{2}}{N}

协方差就是将( X_{i}-E[X] )^{2}变为(X_{i}-E[X] )(Y_{i}-E[Y] ),不是自己和自己按元素相乘,而是自己和别人。

而相关系数还能从其他方面理解,请看下面的解释。

余弦相关度、欧氏距离和皮尔逊相关度,今天发现一篇把这三者讲的清清楚楚明明白白的文章,关键是仅仅用了高中的知识,惭愧!附链接:

https://www.zhihu.com/question/19734616/answer/349132554

说到底就是最熟悉的余弦夹角问题。

另外,关于融合图像评价指标CC,就是用的皮尔逊相关系数:

按照上面的文章,可以进一步通俗的解释:

输入的是图像,形状是M*N,因此,描述的就是向量的内积,只不过这个比较抽象,此处的向量不是N*1的列向量,而是M行N列的矩阵,不过都是一个道理,对应位置的元素相乘,就是内积。内积除以两者的模长,就是余弦夹角。

皮尔逊相关系数,就可以简单的理解为,将向量标准化(~N(0,1))后求余弦夹角。

评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值