使用欧几里得距离匹配 SIFT 描述符有什么问题？答案

【问题标题】：What is the problem of matching SIFT descriptor by using Euclidean distance?使用欧几里得距离匹配 SIFT 描述符有什么问题？
【发布时间】：2019-09-21 14:06:30
【问题描述】：

我得到了这个问题，但我没有得到任何关于答案的线索：使用欧几里得距离匹配 SIFT 描述符有什么问题？我读过一些关于这种方法不适用于转换图像的内容，但我可以理解他对转换图像的含义以及为什么？

【问题讨论】：

标签： computer-vision matching sift euclidean-distance feature-descriptor

【解决方案1】：

当我开始学习机器学习时，我也有同样的问题。通常，SIFT 特征通过 knnMatching 进行匹配，默认使用 L1 距离。

让我们从定义 L1 和 L2 的方程开始。假设你有 (a, b) 和 (c, d)，

L1 距离（曼哈顿距离）= |a-c| + |b-d|

L2距离（欧式距离）= Square_root[(a-c)2 + (b-d)2]

在这里，您可以看到 L2 距离的错误率随着平方函数的增加而迅速增加。 SIFT 特征是一个多维向量，欧几里得距离相对于取绝对值的 L1 距离会迅速增加。

欧几里得距离对于较小维度的向量是一个很好的度量，而 L1 距离对于较大维度的向量是一个更好的选择。

希望这能消除您的疑虑。

【讨论】：

你的意思是L1距离对于更大尺寸的向量来说是更好的选择吗？
是的。如果您要比较两个特征向量，在这种情况下是 SIFT 特征，最好使用 L1 距离，因为误差不会像 L2 那样快速增长。当然，还有其他指标。我举了一个 L1 和 L2 的例子，因为用户有兴趣了解欧几里得的缺点。如果我错了，请纠正我。
好吧，我同意你的看法。我想指出您的回答中有错字L2 is a better choice with larger dimensions
已更正。谢谢。