数学之路(3)-机器学习(3)-机器学习算法-欧氏距离(3)

 欧氏距离可用于含有大量噪声的图像匹配，我们对下面的2个图像切片在一个图片上进行匹配。

 

'

前面我们运用了统计上的均值计算完成了少量噪声情况下的图像匹配

 

本博客所有内容是原创，如果转载请注明来源

http://blog.csdn.net/myhaspl/

 

 

但如果加大噪声量

比如下面这种情况的匹配，用简单的均值计算就无法完成

这种情况，我们使用余弦算法完成匹配
下面计算了余弦距离

 

def get_EuclideanDistance(x,y):  

    myx=np.array(x)  

    myy=np.array(y)  

    return np.sqrt(np.sum((myx-myy)*(myx-myy)))  

 

然后通过将2个图片切片在图像中进行匹配，匹配的相似度标准是余弦算法的结果。部分代码如下

 

def findpic(img,findimg,h,fh,w,fw):

    minds=1e8

    mincb_h=0

    mincb_w=0

    for now_h in xrange(0,h-fh):

        for now_w in xrange(0,w-fw):

            my_img=img[now_h:now_h+fh,now_w:now_w+fw,:]

            my_findimg=findimg  

            dis=get_EuclideanDistance(my_img,my_findimg)

           ..........................................

        print ".",   

...........................   

    return img

运行后，匹配效果如上图，效果还是不错的
>>> runfile(r'K:\book_prog\ann_picdw2.py', wdir=r'K:\book_prog')
http://blog.csdn.net/myhaspl
[email protected]


loading  ...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
>>>