【摘要】：不同图像的各个特征可能存在着关联，通过欧氏距离或者汉明距离测度可以来比较这些特征，进而匹配这些特征。高维度的图像特征一般通过欧氏距离作为评判参数，二进制特征由于其结构简洁，一般都是使用汉明距离进行评判。Open CV库提供有暴力匹配子BFMatcher，距离可以使用欧式距离和汉明距离。汉明距在图像处理领域也有着广泛的应用，是比较二进制图像非常有效的手段。
不同图像的各个特征可能存在着关联，通过欧氏距离或者汉明距离测度可以来比较这些特征，进而匹配这些特征。高维度的图像特征一般通过欧氏距离作为评判参数，二进制特征由于其结构简洁，一般都是使用汉明距离进行评判。
很多开源计算机视觉库都提供了特征匹配算法，常用的特征匹配方法有暴力匹配和快速最近邻搜索包算法FLANN。Open CV库提供有暴力匹配子BFMatcher，距离可以使用欧式距离和汉明距离。对于二进制特征一般使用汉明距离，通过简单的异或操作计算距离，对于计算资源要求低，运行速度快。
①欧氏距离。欧几里得度量（Euclidean Metric）（也称欧氏距离）是一个通常采用的距离定义，指在n维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。n维空间的欧氏距离计算公式：(www.xing528.com)
②汉明距离。汉明距离表示两个（相同长度）字对应位不同的数量，我们以d（x，y）表示两个字x，y之间的汉明距离。对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。比较两个比特串有多少个位不一样，简洁的操作时就是两个比特串进行异或之后包含1的个数。汉明距在图像处理领域也有着广泛的应用，是比较二进制图像非常有效的手段。
汉明距离的本质是两个数异或后字符"1"的个数，可以直接使用异或实现。可以编写Python函数如下：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
