计算机视觉中的L1与L2距离度量原理与应用

1. 图像特征向量：计算机视觉的通用语言

在计算机视觉领域，我们常常需要将图像转换为机器可以理解的数学表示。这个转换过程就像给图像制作一张"数字身份证"，而卷积神经网络(CNN)就是最优秀的"身份证制作机"。

当一张图像通过CNN时，网络会逐步提取从低级到高级的特征：

• 浅层网络捕捉边缘、颜色等基础信息
• 深层网络识别物体部件、整体结构等复杂特征
• 最终在全连接层或全局池化层输出一个固定长度的特征向量

这个特征向量通常被称为embedding，数学上表示为f∈ℝᵈ，其中d是向量的维度。现代CNN模型如ResNet、EfficientNet等产生的特征向量维度通常在512到2048之间。

为什么这种表示方式如此有效？因为它将图像内容编码为一个紧凑的数值向量，使得：

• 相似图像的特征向量在向量空间中距离相近
• 不同图像的特征向量相距较远
• 这种距离关系保持了语义上的相似性

在实际应用中，我们通常会处理大量图像的特征向量。例如在人脸识别系统中，数据库可能存储着数百万人的特征向量；在电商图像搜索中，商品图片库可能有上千万的特征向量。高效地比较这些向量的相似度是计算机视觉系统的核心能力之一。

2. 距离度量：图像相似性的数学表达

2.1 距离度量的基本概念

当我们有了图像的特征表示后，如何量化两个图像的相似程度？这就需要引入距离度量的概念。距离度量本质上是一个函数，它接受两个向量作为输入，输出一个非负实数表示它们之间的"距离"或"差异"。

一个好的距离度量应该满足以下数学性质：

1. 非负性：d(x,y) ≥ 0
2. 同一性：d(x,y)=0 当且仅当 x=y
3. 对称性：d(x,y)=d(y,x)
4. 三角不等式：d(x,z) ≤ d(x,y)+d(y,z)

在计算机视觉中，最常用的距离度量都基于范数(norm)的概念。范数是将向量映射到非负实数的函数，满足类似的性质。给定一个向量x=(x₁,...,xₙ)，p-范数定义为：

‖x‖ₚ = (∑|xᵢ|ᵖ)^(1/p)

不同的p值对应不同的范数，进而产生不同的距离度量。

2.2 L1与L2范数的数学定义

L1范数(曼哈顿范数)：
‖x‖₁ = ∑|xᵢ|
即向量各元素绝对值的和

L2范数(欧几里得范数)：
‖x‖₂ = √(∑xᵢ²)
即向量各元