使用欧几里得距离匹配SIFT描述子是什么问题？

Question

我有这个问题，但是我对答案没有任何线索：使用欧几里得距离来匹配SIFT描述子是什么问题？我已经读过一些关于此方法不适用于转换图像的信息，但我可以理解他对转换图像的含义以及原因？

Answer 1

当我开始学习机器学习时，我遇到了同样的问题。通常，SIFT功能通过knnMatching匹配，默认情况下使用L1距离。

让我们开始定义L1和L2的等式。假设您有（a，b）和（c，d），

L1距离（曼哈顿距离）= | a-c | + | b-d |

L2距离（欧几里得距离）= Square_root [（a-c）2 +（b-d）2]

在这里您可以看到L2距离中的错误率会随着平方函数的增加而迅速增加。 SIFT特征是多维向量，与采用绝对值的L1距离相比，欧几里得距离将迅速增加。

对于较小尺寸的矢量，欧几里德距离是一个很好的度量，而对于较大尺寸的矢量，L1距离是更好的选择。

希望这可以消除您的疑问。