Computer vision 使用欧几里德距离匹配SIFT描述符的问题是什么？

我问了这个问题，但我对答案一无所知：使用欧几里德距离匹配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文章，但我能理解他关于转换图像的意思以及为什么？

当我开始学习机器学习时，我也有同样的问题。通常，SIFT特征由KNNMATCH匹配，默认情况下，KNNMATCH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（欧氏距离）=平方根[（a-c）2+（b-d）2]

在这里，您可以看到L2距离中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，与取绝对值的L1距离相比，欧氏距离将快速增加

欧几里德距离是维数较小的向量的良好度量，而对于维数较大的向量，L1距离是更好的选择

---

希望这能消除您的疑虑。

您的意思是，对于尺寸较大的向量，距离是更好的选择吗？是的。如果比较两个特征向量（在本例中为筛选特征），则最好使用L1距离，因为误差的增长速度不如L2快。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。嗯，我同意你的看法。我想指出的是，你的答案中有一个拼写错误，你说

L2是一个更好的选择，尺寸更大。非常感谢。