相似度与相异度

已于 2023-11-19 16:53:31 修改
阅读量250 收藏 1
点赞数
分类专栏： 大数据算法基础 文章标签： 算法
于 2023-11-19 15:28:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sfrl001/article/details/134490791
版权

目录

第1关：用相关系数计算直线之间的相似度

任务描述

相关知识

欧几里得相关系数

余弦相关系数

泊松相关系数

编程要求

测试说明

代码：

第2关：基于相似度度量的商品推荐

相关知识

协同过滤算法基本原理

协同过滤算法的实现步骤

编程要求

测试说明

代码：

第1关：用相关系数计算直线之间的相似度

任务描述

本关任务：计算各种相关系数方法下的直线(数据)相似度

相关知识

为了完成本关任务，你需要掌握：

  1. 欧几里得相关系数
  2. 余弦相关系数
  3. 泊松相关系数(也称皮尔逊相关系数)

欧几里得相关系数

利用欧几里得相关系数计算数据集的的相似度，一般是基于每对对象间的距离计算的。 其原理公式为:

def euclidean(p, q):
    # 如果两数据集数目不同，计算两者之间都对应有的数
    same = 0
    for j in p:
        if j in q:
            same += 1
 
    # 计算欧几里德距离,并将其标准化
    e = sum([(p[j] - q[j]) ** 2 for j in range(same)]) 
    return 1 / (1 + e ** 0.5) 
euclidean([1, 2, 3, 4, 5],[2, 4, 6, 8, 10])

输出：0.3090169943749474

余弦相关系数

余弦相似度，取值在-1和1之间。如果两个向量方向相反，那么等于-1；如果两个向量方向相同，那么等于1。所以，两个向量之间的夹角越小，其夹角余弦越大（越相似）。因此余弦相似度可以用来度量两个变量之间的相似程度。

因为我们需要对比的是直线之间的相似度，根据数据集之间的数据距离来计算相似度明显不太可取。所以，我们需要利用余弦相关系数来计算直线之间的相似度。就比如直线y=5x+3与直线y=5x+8的相似度。即可以看出两个数据集[5,3]与[5,8].计算它们之间的相似度如下： 余弦相关系数原理公式为:

代码如下：

def cosine_similarity(x, y):
    xx = 0.0
    yy = 0.0
    xy = 0.0
    for i in range(len(x)):
        xx += x[i] * x[i]
        yy += y[i] * y[i]
        xy += x[i] * y[i] 
    xx_sqrt = xx ** 0.5
    print(xx)
    print(yy)
    print(xy)
    yy_sqrt = yy ** 0.5
    cos = xy/(xx_sqrt*yy_sqrt)
    return cos
cosine_similarity([5，3],[5，8])

输出：0.890761869708233

泊松相关系数

上述余弦相关系数所使用的数据(两条直线)是二维数据，当我们将数据集扩增到多维数据时，即数据集(x1,x2,...,xn)与数据集(y1,y2,...,yn)，对这些数据进行标准化，获得的向量之间的夹角的余弦，即皮尔逊相关系数。 其原理如图所示:

接下来我们选取deaths.csv(已上传数据集)中的一部分数据，即选取用户用户(UID)84001001与用户(UID)84001003从2004/1/20到2004/20/20这段日期的数据，再比较相似度。 获取数据代码如下:

import pandas as pd
df=pd.csv('./deaths.csv')
print(df.head)
print(df.loc[[0,1,16],'2004/1/20':'4/20/20'].values.tolist()) # 选取了第0，1，16行的用户从2004/1/20到2004/20/20这段日期的数据

print(df.head)的截图如下:

获得的三行数据如下: [[0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 3], [0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]

#泊松相关系数
import scipy
import numpy
from scipy.stats import pearsonr
x =numpy.array([0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,2,2,2,1])
y =numpy.array([1,1,1,1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,3])
r_row, p_value = pearsonr(x, y)
print ("用户(UID)84001001与用户(UID)84001003从2004/1/20到4/20/20这段日期的相似度为",r_row)
# print (p_value)

输出如下: 用户(UID)84001001与用户(UID)84001003从2004/1/20到4/20/20这段日期的相似度为 0.5508226327552435

编程要求

请从数据集中获得数据，计算用户(UID)84001033与用户(UID)84001003从2004/1/20到4/20/20这段日期的相似度(其中用户84001033序号即为16)

测试说明

平台会对你编写的代码进行测试： 预期输出：用户(UID)84001033与用户(UID)84001003从2004/1/20到4/20/20这段日期的相似度为 0.44908871313907184。

代码：

# 欧几里得相关系数
def euclidean(p, q):
    # 如果两数据集数目不同，计算两者之间都对应有的数
    same = 0
    for i in p:
        if i in q:
            same += 1

    # 计算欧几里德距离,并将其标准化
    ########## Begin ##########
    e = sum([(p[i] - q[i]) ** 2 for i in range(same)])
    ########## End ##########    
    return 1 / (1 + e ** 0.5)


print("欧几里得计算出的相似度为",euclidean([1, 2, 3, 4, 5], [2, 4, 6, 8, 10]))

# 余弦相似度
def cosine_similarity(x, y):
    xx = 0.0
    yy = 0.0
    xy = 0.0
    for i in range(len(x)):
        xx += x[i] * x[i]
        yy += y[i] * y[i]
        xy += x[i] * y[i]
    xx_sqrt = xx ** 0.5
#     print(xx)
#     print(yy)
#     print(xy)
    yy_sqrt = yy ** 0.5
    cos = xy/(xx_sqrt*yy_sqrt)
    return cos


print('余弦相关系数计算出的相似度为',cosine_similarity([5,3],[5,8]))


#泊松相关系数
import scipy
import numpy
from scipy.stats import pearsonr

########## Begin ##########
x =numpy.array([0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1])
########## End ##########
y =numpy.array([1,1,1,1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,3])

r_row, p_value = pearsonr(x, y)
print ("用户(UID)84001033与用户(UID)84001003从2004/1/20到4/20/20这段日期的相似度为",r_row)
# print (p_value)

第2关：基于相似度度量的商品推荐

任务描述

本关任务：通过协同过滤算法完成推荐系统应用实例。

相关知识

为了完成本关任务，你需要掌握：

  1. 了解协同过滤算法原理，
  2. 通过协同过滤算法实现商品推荐。

协同过滤算法基本原理

俗话说“物以类聚、人以群分”，如果你喜欢看《海贼王》、《火影忍者》等动漫，另外有个人也都喜欢这些动漫，而且他还喜欢《死神》，则很有可能你也喜欢《死神》这部动漫。

基本思想：购买了商品A的客户可能也会购买与商品A相似的商品B；与用户A相似的用户B可能也会购买用户A买过的上。

协同过滤算法的实现步骤

（一）：找到与目标用户兴趣相似的用户集合

通常用 Jaccard 公式或者余弦相似度计算两个用户之间的相似度。设 N(u) 为用户 u 喜欢的物品集合，N(v)为用户 v 喜欢的物品集合，那么 u 和 v 的相似度是多少呢：

通过第一关的知识，我们了解到Jaccard 公式和余弦相似度计算公式为：

Jaccard 公式：

余弦相似度：

假设目前共有4个用户： A、B、C、D；共有5个物品：a、b、c、d、e。用户与物品的关系（用户喜欢物品），如下图所示：

# 目标用户(A用户喜欢a、b、d商品)
target_user = {'A':['a','b','d']}
print(f'目标用户：{target_user}')
# 相似用户用户()
alike_user = {'B': ['a','c'],'C': ['b','e'],'D':['c','d','e']}
print(f'相似用户：{alike_user}')

输出：目标用户：{'A': ['a', 'b', 'd']} 相似用户：{'B': ['a', 'c'], 'C': ['b', 'e'], 'D': ['c', 'd', 'e']}

# 总共商品类型
key_value = []
value1 = target_user.values()
for item in value1:
   for good in item:
       # 如果不再就添加到键值（错别字2333）
       if good not in key_value:
           key_value.append(good)
value2 = alike_user.values()
for item in value2:
   for good in item:
       if good not in key_value:
           key_value.append(good)
print(f'总共商品类型：{key_value}')

输出：总共商品类型：['a', 'b', 'd', 'c', 'e']

为计算方便，通常首先需要建立“物品—用户”的倒排表，如下图所示：

new_table = []
for good in key_value:
    new_dict = {}
    user_list = []
    # 目标用户
    key_value_list = target_user.items()
    # print(key_value_list)
    for key_value in key_value_list:
        key = key_value[0]
        value = key_value[1]
        if (good in value) & (key not in user_list):
            user_list.append(key)
    # new_dict[good] = user_list
    # new_table.append(new_dict)
    # 相似用户
    key_value_list = alike_user.items()
    # print(key_value_list)
    for key_value in key_value_list:
        key = key_value[0]
        value = key_value[1]
        if (good in value) & (key not in user_list):
            user_list.append(key)
    new_dict[good] = user_list
    new_table.append(new_dict)
print(new_table)

输出：[{'a': ['A', 'B']}, {'b': ['A', 'C']}, {'d': ['A', 'D']}, {'c': ['B', 'D']}, {'e': ['C', 'D']}]

如果喜欢物品 a 的用户有 A 和 B，那么在矩阵中他们两两加1，如下图所示：

计算用户两两之间的相似度，以余弦相似度为例，对上图进行进一步计算：

# 计算余弦相似度
import pandas as pd
import numpy as np
df = pd.DataFrame(data=np.zeros((4,4)), columns=['A','B','C','D'],index=['A','B','C','D'])
print(df)
# 统计交集
for item in new_table:
    print(list(item.values())[0])
    label = list(item.values())[0]
    x = label[0]
    y = label[1]
    df.loc[x,y] = df.loc[x,y] + 1
    df.loc[y,x] = df.loc[y,x] + 1
print(df)
# 计算两两之间的相似度
count_list = {}
for i in ['A','B','C','D']:
    count = df.loc[i,:].sum()
    count_list[i] = count
print(count_list)

输出：A B C D A 0.0 0.0 0.0 0.0 B 0.0 0.0 0.0 0.0 C 0.0 0.0 0.0 0.0 D 0.0 0.0 0.0 0.0 ['A', 'B'] ['A', 'C'] ['A', 'D'] ['B', 'D'] ['C', 'D'] A B C D A 0.0 1.0 1.0 1.0 B 1.0 0.0 0.0 1.0 C 1.0 0.0 0.0 1.0 D 1.0 1.0 1.0 0.0 {'A': 3.0, 'B': 2.0, 'C': 2.0, 'D': 3.0}

for i in ['A','B','C','D']:
    for j in ['A', 'B', 'C', 'D']:
        df.loc[i,j] = df.loc[i,j] / np.sqrt(count_list[i] * count_list[j])
print(df)

（二）：根据用户集合给目标用户推荐物品 首先需要从矩阵中找出与目标用户 u 最相似的 K 个用户，用集合 S(u,K) 表示，将 S 中用户喜欢的物品全部提取出来，并去除 u 已经喜欢的物品。对于每个候选物品 i ，用户 u 对它感兴趣的程度用如下公式计算：

其中 rvi​ 表示用户 v 对 i 的喜欢程度，在本例中都是为1，在一些需要用户给予评分的推荐系统中，则要代入用户评分。

举个例子，假设我们要给 A 推荐物品，选取 K = 3 个相似用户，相似用户则是： B、C、D，那么他们喜欢过并且 A 没有喜欢过的物品有：c、e，那么分别计算p(A,c) 和 p(A,e)：

看样子用户 A 对 c 和 e 的喜欢程度可能是一样的，在真实的推荐系统中，只要按得分排序，取前几个物品就可以了。

# 计算p(A,c)和p(A,e)
p_Ac = df.loc['A','B'] + df.loc['A','D']
print(f'p(A,c):{p_Ac}')
p_Ae = df.loc['A','C'] + df.loc['A','D']
print(f'p(A,e):{p_Ae}')
if p_Ac > p_Ae:
    print("用户A对c商品更感兴趣，将e商品推荐给A")
elif p_Ac < p_Ae:
    print("用户A对e商品更感兴趣，将e商品推荐给A")
else:
    print("用户A对c商品和e商品同样感兴趣！")

输出： p(A,c):0.7415816237971964 p(A,e):0.7415816237971964 用户A对c商品和e商品同样感兴趣！

编程要求

根据本节关卡知识，完成本关实训。

测试说明

无

代码：

# （一）：找到与目标用户兴趣相似的用户集合
# ########## Begin ##########
# 目标用户(A用户喜欢a、b、d商品)
target_user = {'A':['a','b','d']}
print(f'目标用户：{target_user}')
# 相似用户用户()
alike_user = {'B':['a','c'],'C':['b','e'],'D':['c','d','e']}
print(f'相似用户：{alike_user}')
# ########## End ##########
# 倒排表

"""
a A B C
"""
# 总共商品类型
key_value = []
value1 = target_user.values()
for item in value1:
    for good in item:
        # 如果不在就添加到键值
        if good not in key_value:
            key_value.append(good)
value2 = alike_user.values()
########## Begin ##########
for item in value2:
   for good in item:
       if good not in key_value:
           key_value.append(good)
print(f'总共商品类型：{key_value}')
########## End ##########
new_table = []
for good in key_value:
    new_dict = {}
    user_list = []
    # 目标用户
    key_value_list = target_user.items()
    # print(key_value_list)
    for key_value in key_value_list:
        key = key_value[0]
        value = key_value[1]
        if (good in value) & (key not in user_list):
            user_list.append(key)
    # new_dict[good] = user_list
    # new_table.append(new_dict)
    # 相似用户
    key_value_list = alike_user.items()
    # print(key_value_list)
    for key_value in key_value_list:
        key = key_value[0]
        value = key_value[1]
        if (good in value) & (key not in user_list):
            user_list.append(key)
    new_dict[good] = user_list
    new_table.append(new_dict)
print(new_table)
########## Begin ##########
# 计算余弦相似度
import pandas as pd
import numpy as np
df = pd.DataFrame(data=np.zeros((4,4)), columns=['A','B','C','D'],index=['A','B','C','D'])
print(df)
# 统计交集
for item in new_table:
    print(list(item.values())[0])
    label = list(item.values())[0]
    x = label[0]
    y = label[1]
    df.loc[x,y] = df.loc[x,y] + 1
    df.loc[y,x] = df.loc[y,x] + 1
print(df)
########## End ##########

# 计算两两之间的相似度
count_list = {}
for i in ['A','B','C','D']:
    count = df.loc[i,:].sum()
    count_list[i] = count
print(count_list)
# 计算余弦相似度
########## Begin ##########
for i in ['A','B','C','D']:
    for j in ['A', 'B', 'C', 'D']:
        df.loc[i,j] = df.loc[i,j] / np.sqrt(count_list[i] * count_list[j])
########## End ##########
print(df)
########## Begin ##########
# 计算p(A,c)和p(A,e)
p_Ac = df.loc['A','B'] + df.loc['A','D']
print(f'p(A,c):{p_Ac}')
p_Ae = df.loc['A','C'] + df.loc['A','D']
print(f'p(A,e):{p_Ae}')
########## End ##########
if p_Ac > p_Ae:
    print("用户A对c商品更感兴趣，将e商品推荐给A")
elif p_Ac < p_Ae:
    print("用户A对e商品更感兴趣，将e商品推荐给A")
else:
    print("用户A对c商品和e商品同样感兴趣！")

开始你的任务吧，祝你成功！

半爿天穹
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一种K-means聚类算法的改进与应用
10-17
K-means算法是基于距离作为相似性度量的聚类算法，传统的K-means算法存在难以确定中心值个数、受噪声及孤立点影响较大的缺点。对此，利用类间相异度与类内相异度改进初始值K，以尽量减少人工干预；同时计算数据库中每一点与剩余点的距离和距离均和，将两者的大小比较作为识别孤立点和噪声点的依据，从而删除孤立点，减少对数据聚类划分的影响。最后将改进后的K-means算法应用于入侵检测系统并进行仿真实验，结果表明，基于改进的K-means算法的入侵检测系统一定程度上降低了误报率及误检率，提高了检测的准确率。
论文研究-一种新的直觉模糊相似矩阵构造方法.pdf
09-10
基于直觉模糊相似度和相异度，研究了直觉模糊相似矩阵构造问题。给出了直觉模糊相似度和相异度的标准定义，选取了有效的直觉模糊相似度量和相异度量方法；在分析了现有的几种直觉模糊相似矩阵构造方法基础上，提出了一种新的直觉模糊相似矩阵构造方法。通过算例分析，验证了方法的有效性。
DNA序列的相似度/相异度计算方法：综述
02-26
DNA序列的相似度/相异度计算方法：综述
整理五种相似性和相异性的度量方法
m0_52051577的博客
11-28 8402
1、首先，先了解相似性和相异度的概念： 相似度：两个对象之间相似程度的数值度量，取值范围为0到1。 相异度：两个对象之间差异程度的数值度量，通常用“距离”衡量。 2、标称属性（含二元属性）相似度和相异度： 标称属性可以取2个或多个状态。假设一个标称属性的状态数目为M，则标称数据对象i和标称数据对象j之间的相异性可以根据不匹配率来计算。 示例： 如图，该图所展示的四类属性均为二元属性，即两个状态。0/1 若将小明作为标称数据对象i，小刚作为标称数据对象j，计算两者的相异性与相似性。 ..
相似性度量方法：相关系数和相似系数
轩逸云的博客
03-31 8791
皮尔逊相关系数-衡量相似度 大学课本概率轮与数理统计 定义：若(X,Y)是一个二维随机变量，则称E{[X-E(X)][Y-E(Y)]}为随机变量X与Y的协方差，记为Cov(X,Y)。即Cov(X,Y)=E{[X-E(X)][Y-E(Y)]} 性质：Cov(aX,bY)=abCov(X,Y),（a,b是常数） 相关系数 协方差可以在一定程度上反映X与Y相互间的联系，但它还受X与Y本身数值大小的影响，譬如说，令X与Y各自增大k倍，即X1=kX,Y1=kY，这时X1与Y1间的相互联系和X与Y间的相互联
数据对象与对象之间相似度与相异度的度量
qq_44587855的博客
12-20 5756
为方便起见，我们使用术语邻近度（proximity）表示相似性或相异性。由于两个对象之间的邻近度是两个对象对应属性之间的邻近度的函数。 我们首先介绍如何度量仅包含一个简单属性的对象之间的邻近度，然后考虑具有多个属性的对象的邻近度度量。 名词概念解释 定义： 两个对象之间的相似度（similarity）的非正式定义是这两个对象相似程度的数值度量。通常，相似度是非负的，并常常在 0 （不相似）和...
相似度和相异度、常用距离度量、余弦相似度
热门推荐
春华秋实
08-17 1万+
通常，具有若干属性的对象之间的邻近度用单个属性的邻近度的组合来定义，因此我们首先讨论具有单个属性的对象之间的邻近度。考虑由一个标称属性描述的对象，对于两个这样的对象，相似意味什么呢？由于标称属性只携带了对象的相异性信息，因此我们只能说两个对象有相同的值，或者没有。因而在这种情况下，如果属性值匹配，则相似度定义为1，否则为0；相异度用相反的方法定义：如果属性值匹配，相异度为0，否则为1。 对于具有
相似度与相异度--数据挖掘头歌实训
geekchen的博客
03-12 441
educoder ans example
相似度 与 相异度 章节 头歌实训
tgmhh的博客
03-12 414
相似度 与 相异度 章节 头歌实训
论文研究-基于Manhattan距离与随机邻域嵌入的故障特征提取算法.pdf
07-22
采用Manhattan距离衡量高维数据对象之间的相异度，得到高维空间和低维空间数据对象之间相似度的条件概率，嵌入目标是使得高维空间和低维空间的分布形式尽可能一致，选择KL散度作为算法的目标函数，通过梯度下降法...
【Educoder数据挖掘实训】相似度与相异度
JZYshuraK的博客
03-13 801
开挖！！！！！！
相似性和相异性的度量
Norah2
03-01 1690
介绍了相似性度量以及相异性度量的相关概念。其中包含简单匹配系数、Jaccard系数、余弦相似度、Tanimoto系数、皮尔森相关系数等。
【算法】二分算法——x的平方根
2302_79031646的博客
05-17 789
用二分边界算法来求解——x的平方根，从暴力求解到二分的优化细说
【算法】【二叉树，DFS，哈希集合，分类讨论】力扣1110. 删点成林
未来就在脚下。
05-20 496
本题通过DFS遍历二叉树，结合分类讨论的方法，逐步删除指定节点并生成新的森林。该算法有效地处理了节点删除后树结构的调整问题，并通过哈希集合优化删除判断的时间复杂度，最终实现了高效的解决方案。
力扣62 不同路径 Java版本
最新发布
m0_47066863的博客
05-20 186
机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish” ）。一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为 “Start” ）。从左上角开始，总共有 3 条路径可以到达右下角。题目数据保证答案小于等于 2 * 109。输入：m = 3, n = 7。输入：m = 3, n = 2。输入：m = 7, n = 3。输入：m = 3, n = 3。问总共有多少条不同的路径？
【二叉树算法题记录】从中序与后序遍历序列构造二叉树，从前序与中序遍历序列构造二叉树
weixin_43627638的博客
05-15 379
这样我们就能确定整棵树的根节点在。
技艺高超的魔法师：Java运算符
epitomizelu的专栏
05-14 791
Java运算符是构建复杂程序的基础，掌握它们的使用和优先级对于写出高效、清晰的代码至关重要。通过本文的介绍和实例，希望能帮助读者更好地理解和运用这些运算符，让代码表达更加精准和高效。记住，实践是学习的最好方式，不断编写代码并探索不同的场景，你会越来越熟练地掌握它们。
力扣：209. 长度最小的子数组
icbbm的博客
05-17 388
如果不存在符合条件的子数组，返回。是该条件下的长度最小的子数组。找出该数组中满足其总和大于等于。个正整数的数组和一个正整数。
opencvshap图像相似度匹配算法
07-08
### 回答1： OpenCV中提供了多种图像相似度匹配算法，这些算法可以用来衡量两幅图像之间的相似度。 其中最常用的算法之一就是结构相似性(SSIM)算法。SSIM算法是一种无参考的图像质量评价指标，它考虑了亮度、对比度和结构三个方面。通过计算图像的均值、方差和协方差来比较两幅图像之间的结构相似性。 另一个常用的算法是均方误差(MSE)算法。MSE算法计算了两幅图像之间的像素值的平方差的平均值。MSE越小，表示两幅图像之间的差异越小，相似度越高。 还有一种常见的算法是标准互相关(SCC)算法。SCC算法通过将两幅图像进行频域变换，然后计算它们之间的互相关系数来衡量它们的相似度。 除了以上常见的算法外，OpenCV还提供了许多其他的相似度匹配算法，如结构相异度(SD)算法、互信息(MI)算法等。这些算法各自有不同的计算方式和适用场景，可以根据具体的需求选择合适的算法。 总之，OpenCV提供了多种图像相似度匹配算法，可以根据需求选择合适的算法进行图像的相似度比较。 ### 回答2： OpenCV中提供了几种图像相似度匹配算法，通过对比两幅图像的相似程度，来判断它们的相似度。主要有以下几种算法： 1. 均方差算法(Mean Squared Error, MSE)：计算两幅图像像素之间的差异。具体计算方法是将两幅图像的每个像素值相减，然后平方，最后求平均值。 2. 结构相似性算法(Structural Similarity Index, SSIM)：综合考虑亮度、对比度和结构三个方面的相似性。通过计算亮度、对比度和结构三个分量的相似值，然后加权求和得到最终的相似度。 3. 相关系数算法(Correlation Coefficient, CC)：计算两幅图像之间的相关性，基于每个像素点的亮度值进行计算。相关系数取值范围在-1到1之间，越接近1表示相似度越高。 4. 相互信息算法(Mutual Information, MI)：通过计算两幅图像之间的信息增益来评估相似度。具体计算方法是在两幅图像上进行联合概率分布计算，然后计算信息熵和互信息。 5. 傅里叶变换算法(Fourier Transform, FT)：将图像从空间域转换到频率域，通过计算两幅图像之间的频谱差异来评估相似度。具体计算方法是对图像进行傅里叶变换，计算频谱差异。 这些算法各有优缺点，适用于不同的场景和特定需求。在实际应用中，通常根据具体需求选择合适的算法进行图像相似度匹配。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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