Koefisien korelasi antara dua gambar python

Saya memiliki dua gambar tingkat abu-abu 16-Bit di cv. format tikar. Saya hanya harus menemukan skor koefisien korelasi i. e) skor menunjukkan seberapa banyak kedua gambar cocok satu sama lain

Apakah ada fungsi di opencv atau perpustakaan lain untuk menemukannya?

edit retag tandai ofensif tutup gabungan hapus

Tambahkan komentar

dijawab 15-03-2016 09. 20. 20 -0600

epitalon
11 ●1

Saya tahu bahwa utas ini sudah tua tetapi inilah jawaban bagi mereka yang terus-menerus menjelajahi internet untuk mencari jawaban

Kode berikut berfungsi dengan Opencv 3. 0 dan itu harus bekerja dengan opencv 2. 4 dengan sedikit perubahan

double correlation(cv::Mat &image_1, cv::Mat &image_2)   {

// convert data-type to "float"
cv::Mat im_float_1;
image_1.convertTo(im_float_1, CV_32F);
cv::Mat im_float_2;
image_2.convertTo(im_float_2, CV_32F);

int n_pixels = im_float_1.rows * im_float_1.cols;

// Compute mean and standard deviation of both images
cv::Scalar im1_Mean, im1_Std, im2_Mean, im2_Std;
meanStdDev(im_float_1, im1_Mean, im1_Std);
meanStdDev(im_float_2, im2_Mean, im2_Std);

// Compute covariance and correlation coefficient
double covar = (im_float_1 - im1_Mean).dot(im_float_2 - im2_Mean) / n_pixels;
double correl = covar / (im1_Std[0] * im2_Std[0]);

return correl;

}

edit tandai ofensif hapus lagi

Komentar

Mengapa Anda harus mengonversi gambar input menjadi float?

saat menghitung "covar", kita perlu menghitung gambar terpusat, yaitu gambar dikurangi im_mean, di mana im_mean adalah nilai floating point

epitalon  ( 08-11-2017 08. 08. 07 -0600 ) edit

Tambahkan komentar

dijawab 07-07-2015 08. 58. 07 -0600

CataRAy
11 ●1

Hai, Anda dapat menggunakan fungsi pencocokan templat dari opencv dengan metode ini. TM_CCOEFF Ini akan memberi Anda koefisien yang Anda butuhkan. Cukup gunakan gambar kedua sebagai template. Ini sebuah contoh. [http. //dokumen. opencv. org/doc/tutorial/. ]

Pilih situs web untuk mendapatkan konten terjemahan jika tersedia dan lihat acara dan penawaran lokal. Berdasarkan lokasi Anda, sebaiknya pilih.

Anda juga dapat memilih situs web dari daftar berikut

Cara Mendapatkan Performa Situs Terbaik

Pilih situs China (dalam bahasa China atau Inggris) untuk kinerja situs terbaik. Situs negara MathWorks lainnya tidak dioptimalkan untuk kunjungan dari lokasi Anda

Artikel ini adalah pengantar Koefisien Korelasi Pearson, perhitungan manualnya dan perhitungannya melalui modul numpy Python

Koefisien korelasi Pearson mengukur hubungan linier antar variabel. Nilainya bisa diartikan seperti itu

• +1 - Lengkapi korelasi positif
• +0. 8 - Korelasi positif yang kuat
• +0. 6 - Korelasi positif sedang
• 0 - tidak ada korelasi apapun
• -0. 6 - Korelasi negatif sedang
• -0. 8 - Korelasi negatif yang kuat
• -1 - Lengkapi korelasi negatif

Kami akan mengilustrasikan bagaimana koefisien korelasi bervariasi dengan jenis asosiasi yang berbeda. Dalam artikel ini, kami juga akan menunjukkan bahwa korelasi nol tidak selalu berarti asosiasi nol. Variabel terkait non-linier mungkin memiliki koefisien korelasi mendekati nol

Apa itu Koefisien Korelasi Pearson?

Koefisien Korelasi Pearson juga dikenal sebagai Koefisien Korelasi Momen Produk Pearson. Ini adalah ukuran hubungan linier antara dua variabel acak - X dan Y. Secara matematis, jika (σXY) adalah kovarians antara X dan Y, dan (σX) adalah simpangan baku dari X, maka koefisien korelasi Pearson ρ diberikan oleh

$$
\rho_{X,Y} = \frac{\sigma_{XY}}{\sigma_X \sigma_Y}
$$

Karena kovarians selalu lebih kecil dari produk standar deviasi individu, nilai ρ bervariasi antara -1 dan +1. Dari penjelasan di atas kita juga dapat melihat bahwa korelasi suatu variabel dengan dirinya sendiri adalah satu

$$
\rho_{X,X} = \frac{\sigma_{XX}}{\sigma_X \sigma_X} = 1
$$
Sebelum kita mulai menulis kode, mari kita lakukan contoh singkat untuk melihat bagaimana koefisien ini dihitung

Bagaimana Koefisien Korelasi Pearson Dihitung?

Misalkan kita diberi beberapa pengamatan dari variabel acak X dan Y. Jika Anda berencana untuk mengimplementasikan semuanya dari awal atau melakukan perhitungan manual, maka Anda memerlukan yang berikut ini saat diberikan X dan Y

Mari kita gunakan di atas untuk menghitung korelasinya. Kami akan menggunakan perkiraan kovarians dan standar deviasi yang bias. Ini tidak akan memengaruhi nilai koefisien korelasi yang dihitung karena jumlah pengamatan dibatalkan di pembilang dan penyebut

Koefisien Korelasi Pearson di Python Menggunakan Numpy

Koefisien Korelasi Pearson dapat dihitung dengan Python menggunakan metode corrcoef() dari Numpy

Input untuk fungsi ini biasanya berupa matriks, misalnya berukuran mxn, di mana

• Setiap kolom mewakili nilai variabel acak
• Setiap baris mewakili satu sampel dari n variabel acak
• n mewakili jumlah total variabel acak yang berbeda

• x_simple = np.array([-2, -1, 0, 1, 2])
  y_simple = np.array([4, 1, 3, 2, 0])
  my_rho = np.corrcoef(x_simple, y_simple)
  
  print(my_rho)
  

  _1 mewakili jumlah total sampel untuk setiap variabel

Untuk n variabel acak, ia mengembalikan

x_simple = np.array([-2, -1, 0, 1, 2])
y_simple = np.array([4, 1, 3, 2, 0])
my_rho = np.corrcoef(x_simple, y_simple)

print(my_rho)

x_simple = np.array([-2, -1, 0, 1, 2])
y_simple = np.array([4, 1, 3, 2, 0])
my_rho = np.corrcoef(x_simple, y_simple)

print(my_rho)

x_simple = np.array([-2, -1, 0, 1, 2])
y_simple = np.array([4, 1, 3, 2, 0])
my_rho = np.corrcoef(x_simple, y_simple)

print(my_rho)

x_simple = np.array([-2, -1, 0, 1, 2])
y_simple = np.array([4, 1, 3, 2, 0])
my_rho = np.corrcoef(x_simple, y_simple)

print(my_rho)

x_simple = np.array([-2, -1, 0, 1, 2])
y_simple = np.array([4, 1, 3, 2, 0])
my_rho = np.corrcoef(x_simple, y_simple)

print(my_rho)

x_simple = np.array([-2, -1, 0, 1, 2])
y_simple = np.array([4, 1, 3, 2, 0])
my_rho = np.corrcoef(x_simple, y_simple)

print(my_rho)

Pendeknya

Pertama, mari impor modul numpy_, bersama modul

[[ 1.  -0.7]
[-0.7  1. ]]

import numpy as np
import matplotlib.pyplot as plt

Kami akan menggunakan nilai yang sama dari contoh manual sebelumnya. Mari kita simpan ke dalam

[[ 1.  -0.7]
[-0.7  1. ]]

x_simple = np.array([-2, -1, 0, 1, 2])
y_simple = np.array([4, 1, 3, 2, 0])
my_rho = np.corrcoef(x_simple, y_simple)

print(my_rho)

Berikut adalah matriks korelasi keluaran. Perhatikan yang ada di diagonal, yang menunjukkan bahwa koefisien korelasi suatu variabel dengan dirinya sendiri adalah satu

[[ 1.  -0.7]
[-0.7  1. ]]

Contoh Korelasi Positif dan Negatif

Mari kita bayangkan koefisien korelasi untuk beberapa hubungan. Pertama, kita akan memiliki korelasi positif (+1) dan negatif (-1) lengkap antara dua variabel. Kemudian, kita akan menghasilkan dua variabel acak, sehingga koefisien korelasi harus mendekati nol, kecuali keacakan tersebut secara tidak sengaja memiliki beberapa korelasi, yang sangat tidak mungkin

Kami akan menggunakan

[[ 1.  -0.7]
[-0.7  1. ]]

[[ 1.  -0.7]
[-0.7  1. ]]

seed = 13
rand = np.random.RandomState(seed)

x = rand.uniform(0,1,100)
x = np.vstack((x,x*2+1))
x = np.vstack((x,-x[0,]*2+1))
x = np.vstack((x,rand.normal(1,3,100)))

Panggilan

[[ 1.  -0.7]
[-0.7  1. ]]

Lihat panduan praktis dan praktis kami untuk mempelajari Git, dengan praktik terbaik, standar yang diterima industri, dan menyertakan lembar contekan. Hentikan perintah Googling Git dan benar-benar pelajari itu

[7.77702411e-01 2.37541220e-01 8.24278533e-01 9.65749198e-01
 9.72601114e-01 4.53449247e-01 6.09042463e-01 7.75526515e-01
 6.41613345e-01 7.22018230e-01 3.50365241e-02 2.98449471e-01
 5.85124919e-02 8.57060943e-01 3.72854028e-01 6.79847952e-01
 2.56279949e-01 3.47581215e-01 9.41277008e-03 3.58333783e-01
 9.49094182e-01 2.17899009e-01 3.19391366e-01 9.17772386e-01
 3.19036664e-02 6.50845370e-02 6.29828999e-01 8.73813443e-01
 8.71573230e-03 7.46577237e-01 8.12841171e-01 7.57174462e-02
 6.56455335e-01 5.09262200e-01 4.79883391e-01 9.55574145e-01
 1.20335695e-05 2.46978701e-01 7.12232678e-01 3.24582050e-01
 2.76996356e-01 6.95445453e-01 9.18551748e-01 2.44475702e-01
 4.58085817e-01 2.52992683e-01 3.79333291e-01 6.04538829e-01
 7.72378760e-01 6.79174968e-02 6.86085079e-01 5.48260097e-01
 1.37986053e-01 9.87532192e-02 2.45559105e-01 1.51786663e-01
 9.25994479e-01 6.80105016e-01 2.37658922e-01 5.68885253e-01
 5.56632051e-01 7.27372109e-02 8.39708510e-01 4.05319493e-01
 1.44870989e-01 1.90920059e-01 4.90640137e-01 7.12024374e-01
 9.84938458e-01 8.74786502e-01 4.99041684e-01 1.06779994e-01
 9.13212807e-01 3.64915961e-01 2.26587877e-01 8.72431862e-01
 1.36358352e-01 2.36380160e-01 5.95399245e-01 5.63922609e-01
 9.58934732e-01 4.53239333e-01 1.28958075e-01 7.60567677e-01
 2.01634075e-01 1.75729863e-01 4.37118013e-01 3.40260803e-01
 9.67253109e-01 1.43026077e-01 8.44558533e-01 6.69406140e-01
 1.09304908e-01 8.82535400e-02 9.66462041e-01 1.94297485e-01
 8.19000600e-02 2.69384695e-01 6.50130518e-01 5.46777245e-01]

Kemudian, kita dapat memanggil

[[ 1.  -0.7]
[-0.7  1. ]]

[[ 1.  -0.7]
[-0.7  1. ]]

Setelah distribusi seragam pertama, kami menumpuk beberapa set variabel secara vertikal - yang kedua memiliki hubungan positif lengkap dengan yang pertama, yang ketiga memiliki korelasi negatif lengkap dengan yang pertama, dan yang keempat sepenuhnya acak,

Saat kita memiliki satu referensi

[[ 1.  -0.7]
[-0.7  1. ]]

[[ 1.  -0.7]
[-0.7  1. ]]

rho = np.corrcoef(x)

fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(12, 3))
for i in [0,1,2]:
    ax[i].scatter(x[0,],x[1+i,])
    ax[i].title.set_text('Correlation = ' + "{:.2f}".format(rho[0,i+1]))
    ax[i].set(xlabel='x',ylabel='y')
fig.subplots_adjust(wspace=.4)    
plt.show()

Memahami Perubahan Koefisien Korelasi Pearson

Hanya untuk melihat bagaimana koefisien korelasi berubah dengan perubahan dalam hubungan antara dua variabel, mari tambahkan beberapa noise acak ke matriks

[[ 1.  -0.7]
[-0.7  1. ]]

Dalam contoh ini, kami akan perlahan-lahan menambahkan berbagai tingkat kebisingan ke plot korelasi, dan menghitung koefisien korelasi pada setiap langkah

Jebakan Umum. Asosiasi tanpa Korelasi

Ada kesalahpahaman umum bahwa korelasi nol berarti tidak ada asosiasi. Mari kita perjelas bahwa korelasi secara ketat mengukur hubungan linier antara dua variabel

Contoh di bawah ini menunjukkan variabel-variabel yang secara non-linear terkait satu sama lain tetapi memiliki korelasi nol

Contoh terakhir dari (y=ex) memiliki koefisien korelasi sekitar 0. 52, yang lagi-lagi bukan cerminan dari hubungan sebenarnya antara kedua variabel

Melangkah Lebih Jauh - Proyek End-to-End Hand-Held

Sifat ingin tahu Anda membuat Anda ingin melangkah lebih jauh? .

Dalam proyek terpandu ini - Anda akan mempelajari cara membuat model pembelajaran mesin tradisional yang kuat serta model pembelajaran mendalam, memanfaatkan Ensemble Learning dan melatih meta-pelajar untuk memprediksi harga rumah dari sekumpulan model Scikit-Learn dan Keras

Dengan menggunakan Keras, API pembelajaran mendalam yang dibangun di atas Tensorflow, kami akan bereksperimen dengan arsitektur, membangun ansambel model bertumpuk, dan melatih jaringan saraf meta-pelajar (model level-1) untuk mengetahui harga sebuah rumah

Pembelajaran mendalam memang luar biasa - tetapi sebelum menggunakannya, disarankan juga untuk mencoba memecahkan masalah dengan teknik yang lebih sederhana, seperti dengan algoritme pembelajaran dangkal. Performa dasar kami akan didasarkan pada algoritma Regresi Hutan Acak. Selain itu - kami akan menjelajahi pembuatan ansambel model melalui Scikit-Learn melalui teknik seperti mengantongi dan memilih

Ini adalah proyek end-to-end, dan seperti semua proyek Pembelajaran Mesin, kami akan memulai dengan - dengan Analisis Data Eksplorasi, diikuti dengan Pemrosesan Data dan akhirnya Membangun Model Pembelajaran Dangkal dan Dalam agar sesuai dengan data yang telah kami jelajahi dan

Kesimpulan

Pada artikel ini, kita membahas koefisien korelasi Pearson. Kami menggunakan metode corrcoef()_ dari modul numpy Python untuk menghitung nilainya

Jika variabel acak memiliki hubungan linier yang tinggi maka koefisien korelasinya mendekati +1 atau -1. Di sisi lain, variabel independen secara statistik memiliki koefisien korelasi mendekati nol

Kami juga menunjukkan bahwa asosiasi non-linier dapat memiliki koefisien korelasi nol atau mendekati nol, menyiratkan bahwa variabel yang memiliki asosiasi tinggi mungkin tidak memiliki nilai koefisien korelasi Pearson yang tinggi.

Bagaimana Anda menemukan koefisien korelasi antara dua gambar?

Bagaimana cara membandingkan 2 gambar dengan Python?

Bagaimana Anda menemukan koefisien korelasi dengan Python?

Bagaimana Anda memvisualisasikan korelasi antara dua variabel dengan Python?