computer-vision - 使用欧几里得距离匹配 SIFT 描述符有什么问题？

Question

我收到了这个问题，但对答案一无所知：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？

Answer 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，默认情况下使用 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）= |ac| + |bd|

L2 距离（欧几里得距离）= Square_root[(ac)2 + (bd)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更好的选择。

希望这可以消除您的疑问。