我有一个简短的问题：当我在OpenCV中进行特征匹配时，distance属性在DMatches中的MatOfMatches是什么意思？
我知道我必须过滤较大距离的比赛，因为它们不如距离较远的那样好。但这个属性的含义是什么？这是一种偏差吗？
在此上下文中，特征是图像上的关注点。为了比较功能，您可以使用功能检测器“描述”它们。然后将每个特征与描述符相关联。匹配要素时，实际上匹配其描述符。
描述符是多维向量。它可以是实值（例如SIFT）或二元（例如Brief）。
匹配是一对描述符，每个图像中有一个描述符，它们在所有描述符中最相似。当然，要在图像B中找到与图像A中的描述符最相似的描述符，您需要衡量这种相似性。
有多种方法可以计算两个向量之间的“相似度得分”。对于实值描述符，当Euclidean distance对于二进制描述符很常见时，经常使用Hamming distance。
作为结论，我们现在可以理解distance属性：它是匹配的两个描述符之间的相似性得分。
通常，当您匹配两个要素时，实际上是在某些距离度量下比较两个向量。现在让我们假设您的特征是具有128维的SIFT，并且您使用欧几里德距离比较两个SIFT特征a和b，然后DMatch.distance等于
DMatch中的距离属性是两个描述符（特征向量）之间相似性的度量。如果距离较小，则图像更相似，反之亦然。
从我开始时的经验中吸取的教训：
不要将DMatch.distance与两点之间的正常空间距离混淆。两者都不同。 DMatch中的距离表示两个描述符之间的距离（在SIFT情况下具有128个值的向量）
在SIFT（局部特征描述符）的情况下：
1）首先，检测要比较的两个图像的关键点（有趣点）。
2）然后计算所有关键点周围的定义区域（每个关键点周围16 X 16邻域）的筛选描述符。每个描述符存储每个关键点周围区域的定向梯度的直方图。
3）最后，匹配两个图像的描述符以找到图像之间的匹配关键点。这是通过使用BFMatcher - > match（），knnMatch（）或FlannBasedMatcher - > knnMatch（）来完成的。
4）如果您使用的是BFMatcher.match（），您将获得一个DMatch对象列表。 DMatch对象的数量等于匹配的数量。每个DMatch对象包含每个匹配的关键点对的以下四个属性。
DMatch.distance - Distance between descriptors. The lower, the better it is.
DMatch.trainIdx - Index of the descriptor in train descriptors(1st image)
DMatch.queryIdx - Index of the descriptor in query descriptors(2nd image)
DMatch.imgIdx - Index of the train image.
5）DMatch.Distance可以是许多距离测量中的一种 - > Norm_L1，Norm_L2（欧几里德距离），汉明距离，汉明2距离......可以在BFMatcher中作为参数提及。默认距离是欧几里德。
6）空间欧氏距离与DMatch欧氏距离的差异：
SIFT描述符1 - > [a1，a2，.... a128]
SIFT描述符2 - > [b1，b2，.... b128]
（DMatch） - >欧几里德距离= sqrt [（a1-b1）^ 2 +（a2-b2）^ 2 + ... +（a128-b128）^ 2]
第1点 - >（x1，y1）
第2点 - >（x2，y2）
（空间） - >欧几里德距离= sqrt [（x2-x1）^ 2 +（y2-y1）^ 2]
因此，距离DMatch的距离是描述符之间的距离，并且它表示两个描述符之间的相似度，并且不同于两个点之间的正常空间欧几里德距离。
如果描述符之间的距离较小，则它们的相似性很高。如果描述符之间的距离更大，则它们的相似性较低。
希望这有助于理解DMatch对象中距离属性的含义。如果您对此有所了解，那么您可以使用任何功能描述符，如HOG，SIFT，SURF，ORB，BRISK，FREAK等......在匹配各自的功能描述符时，它们都是相似的。