SIFT特征匹配以后，证明描述子即（两个向量）的相似性

1.特征匹配必要性

高效的准确的匹配出两个不同视角的图像中的同一个物体，是CV的第一步。图像是以灰度矩阵的形式存在，但是利用灰度不能找出两幅图像中的相同物体，因为灰度值收到光照的影响，并且当图像视角发生变化后，同一个物体的灰度值也会跟着变化。所以就需要找到一种能够在相机进行移动或者旋转（即视角发生变化），仍然能够保持不变的特征，利用这些特征来找出不同视角的图像中的同一个物体。
图像的特征点分为两个部分：关键点和描述子。关键点指该特征点在图像中的位置，有些还有方向或者尺度信息；描述子是一个向量，按照人为设计的方式描述周围点周围像素的信息。

2.特征匹配的步骤：

1）提取图像的关键点
2）找关键点位置，计算关键点的描述子
3）根据描述子，进行图像匹配

3.描述子（即获得的向量）怎么得到相似性？

一般计算两个向量的欧氏距离和余弦相似度
1）欧式距离计算方法
将两个向量看成两个点，来计算两个点之间的距离，一般指位置上的差别，即距离；欧式距离能够体现个体数值特征的绝对差异，所以更多的用于需要从维度的数值大小中体现差异的分析，如使用用户行为指标分析用户价值的相似度或差异。主要在乎的是值。
2）余弦相似度
将两个向量看成两个向量，来计算两个向量之间的夹角，一般指方向上的差别，即夹角；余弦距离更多的是从方向上区分差异，而对绝对的数值不敏感，更多的用于使用用户对内容评分来区分兴趣的相似度和差异，同时修正了用户间可能存在的度量标准不统一的问题（因为余弦距离对绝对数值不敏感）。主要在乎的是方向。
3）都单位向量化后，再化简后就是：d=sqrt(2-2*cosα），其中cos为余弦相似度，d为欧氏距离。两者在归一化为单位向量的时候计算相似度结果完全一样。只不过余弦相似度是值越大越相似，欧式距离是值越小越相似。