欧式距离、曼哈顿距离、切比雪夫距离三种距离的可视化展示

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

在看空间统计相关的文档资料的时候，看到了几个有关距离丈量方法的术语词汇，诸如：欧式距离、曼哈顿距离、切比雪夫距离…… 老外习惯于使用名字来命名算法，可是对于门外汉们，是一种困惑，今天就整理下，一起温故知新。

1. 欧式距离（Euclidean Distance）

欧式距离是我们在直角坐标系中最常用的距离量算方法，例如小时候学的“两点之间的最短距离是连接两点的直线距离。”这就是典型的欧式距离量算方法。

通常这这个距离的获取是基于我们熟悉的“勾股定理”，解算三角形斜边得到的。

    

看看维基百科：http://en.wikipedia.org/wiki/Euclidean_distance

2. 曼哈顿距离（Manhattan Distance）

曼哈顿距离是与欧式距离不同的一种丈量方法，两点之间的距离不再是直线距离，而是投影到坐标轴的长度之和。

        

还是看图吧，图比文字更显见。

        

图中绿色的线为欧式距离的丈量长度，红色的线即为曼哈顿距离长度，蓝色和黄色的线是这两点间曼哈顿距离的等价长度。

想想我们下象棋的时候，车炮兵之类的，是不是要走曼哈顿距离？

如果不会下象棋，没关系，看下面的例子：

       

在美国道路会像这样是很多的规则的网格状，从A到B通常无法去沿直线行走，而是会避开建筑物，走几个街区到达。
图中蓝色的线即为曼哈顿距离的典型应用场景。

看看维基百科：http://en.wikipedia.org/wiki/Taxicab_geometry

3. 切比雪夫距离（Chebyshev distance）

数学上，切比雪夫距离是将2个点之间的距离定义为其各坐标数值差的最大值。

       

网上搜索，好多有关这个距离的解释，大多都是采用国际象棋中的王的走步来作为例子，王可以前后左右走，还可以斜前斜后走，一共8个方向可以认为距离均等。

也就是在下面3×3邻域内，中心网格的中心点到8个邻域网格中心点的距离相等。

          

看看维基百科：http://en.wikipedia.org/wiki/Chebyshev_distance

好消息！

小白学视觉知识星球

开始面向外开放啦👇👇👇

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~