在本文中，* 特征 * 是图像上的兴趣点。为了比较特征，您使用 * 特征检测器 * 来“描述”它们。然后，每个特征都与一个 * 描述符 * 相关联。当您匹配特征时，实际上就是匹配它们的描述符。
描述符是多维向量。它可以是实值（例如SIFT）或二进制（例如BRIEF）。
匹配是一对描述符，每个图像中有一个描述符，它们是所有描述符中最相似的。当然，要找到图像B中与图像A中的描述符最相似的描述符，你需要测量这种相似性。
有多种方法可以计算两个向量之间的“相似性得分”。对于实值描述符，经常使用 * 欧几里得距离 *，而 Hamming distance 对于二进制描述符是常见的。
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。

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，如果距离越小，则图像越相似，反之亦然。

从我刚开始的经历中得到的教训：

不要将DMatch.距离与两点之间的正常空间距离混淆。两者是不同的。DMatch中的距离表示两个描述符之间的距离（在SIFT的情况下，矢量具有128个值）

如果是SIFT（局部特征描述符）：

1)首先，检测要比较的两个图像的关键点（兴趣点）。
2)然后计算所有关键点周围的定义区域（每个关键点周围的16 X 16邻域）的sift描述符。每个描述符存储每个关键点周围区域的方向梯度直方图。
3)最后，通过使用BFMatcher -〉match（）、knnMatch（）或FlannBasedMatcher -〉knnMatch（）对两幅图像的描述符进行匹配，以找到图像之间的匹配关键点。
4)如果你使用BFMatcher.match（），你会得到一个DMatch对象的列表。DMatch对象的数量等于匹配的数量。每个DMatch对象包含以下四个属性，用于每个匹配的关键点对。

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。距离可以是许多距离度量之一-〉Norm_L1，Norm_L2（欧几里得距离），汉明距离，汉明2距离，...可以在BFMatcher中作为参数提及。默认距离是欧几里得距离。

6）空间欧几里德距离和DMatch欧几里德距离之间的差异：

SIFT描述符1 -〉[a1，a2，...a128]
SIFT描述符2 -〉[b1，b2，...b128]

（D匹配）-〉欧氏距离= sqrt[（a1-b1）^2 +（a2-b2）^2 +...+（a128-b128）^2]

点1 -〉（x1，y1）
点2 -〉（x2，y2）

（空间）-〉欧氏距离= sqrt[（x2-x1）^2 +（y2-y1）^2]

因此，距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，则它们的相似性较高，如果描述符之间的距离较大，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。如果你清楚这一点，那么你可以使用任何特征描述符，如HOG、SIFT、SURF、ORB、BRISK、FREAK......当涉及到匹配各自的特征描述符时，它们都是相似的。

通常，当您匹配两个特征时，实际上是在特定距离度量下比较两个矢量。现在，假设您的特征是128维的SIFT，您使用欧氏距离比较两个SIFT特征a和b，则DMatch.distance等于