欧氏距离定义： 欧氏距离（ Euclidean distance）也称欧几里得距离是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离。

    欧氏距离：（∑（Xi-Yi）2）1/2，即两项间的差是每个变量值差的平方和再平方根，目的是计算其间的整体距离即不相似性。

　　欧氏距离看作信号的相似程度。 距离越近就越相似，就越容易相互干扰，误码率就越高。
＝＝＝＝＝＝＝＝

所谓欧氏距离变换，是指对于一张二值图像（再次我们假定白色为前景色，黑色为背景色），将前景中的像素的值转化为该点到达最近的背景点的距离。

　　欧氏距离变换在数字图像处理中的应用范围很广泛，尤其对于图像的骨架提取，是一个很好的参照。
所谓欧氏距离变换，是指对于一张二值图像（再次我们假定白色为前景色，黑色为背景色），将前景中的像素的值转化为该点到达最近的背景点的距离。

　　欧氏距离变换在数字图像处理中的应用范围很广泛，尤其对于图像的骨架提取，是一个很好的参照。

＝＝＝＝＝＝＝＝

欧氏距离：（∑（Xi-Yi）2）1/2，即两项间的差是每个变量值差的平方和再平方根，目的是计算其间的整体距离即不相似性。
我们熟悉的欧氏距离虽然很有用，但也有明显的缺点。它将样品的不同属性（即各指标或各变量）之间的差别等同看待，这一点有时不能满足实际要求。例如，在教育研究中，经常遇到对人的分析和判别，个体的不同属性对于区分个体有着不同的重要性。因此，有时需要采用不同的距离函数。

如果用dij表示第i个样品和第j个样品之间的距离，那么对一切i，j和k，dij应该满足如下四个条件：
①当且仅当i=j时，dij=0
  ②dij＞0
  ③dij＝dji（对称性）
  ④dij≤dik＋dkj（三角不等式）
显然，欧氏距离满足以上四个条件。满足以上条件的函数有多种，本节将要用到的马氏距离也是其中的一种。
  第i个样品与第j个样品的马氏距离dij用下式计算：
    dij=(xi一xj)'S-1(xi一xj)
  其中，xi和xj分别为第i个和第j个样品的m个指标所组成的向量，S为样本协方差矩阵。
  马氏距离有很多优点。它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；由标准化数据和中心化数据(即原始数据与均值之差）计算出的二点之间的马氏距离相同。马氏距离还可以排除变量之间的相关性的干扰。它的缺点是夸大了变化微小的变量的作用。
采用巴氏距离特征选择的迭代算法，可以获得最小错误率上界。当特征维数高时，为了减少巴氏距离特征选择计算时间，对样本先进行K-L变换，将特征降低到中间维数。然后进行巴氏距离特征选择，降低到结果的维数。用基于MNIST手写体数字库的试验表明，该文方法比单纯用巴氏距离特征选择计算时间大大减少，并比主分量方法(即单纯使用K-L变换)特征选择的错误率小得多

=========

In mathematics, the Euclidean distance or Euclidean metric is the "ordinary" distance between two points that one would measure with a ruler, and is given by the Pythagorean formula. By using this formula as distance, Euclidean space (or even any inner product space) becomes a metric space. The associated norm is called the Euclidean norm. Older literature refers to the metric as Pythagorean metric.

Definition

The Euclidean distance between points p and q is the length of the line segment . In Cartesian coordinates, if p = (p₁, p₂,..., p_n) and q = (q₁, q₂,..., q_n) are two points in Euclidean n-space, then the distance from p to q is given by:

(1)

The Euclidean norm measures the distance of a point to the origin of Euclidean space:

where the last equation involves the dot product. This is the length of p, when regarded as a Euclidean vector from the origin. The distance itself is given by

(2)

[edit] Special cases

In one dimension, the distance between two points on the real line is the absolute value of their numerical difference. Thus if x and y are two points on the real line, then the distance between them is computed as

In one dimension, there is a single homogeneous, translation-invariant metric (in other words, a distance that is induced by a norm), up to a scale factor of length, which is the Euclidean distance. In higher dimensions there are other possible norms.

In the Euclidean plane, if p = (p₁, p₂) and q = (q₁, q₂) then the distance is given by

Alternatively, it follows from (2) that if the polar coordinates of the point p are (r₁, θ₁) and those of q are (r₂, θ₂), then the distance between the points is

In three-dimensional Euclidean space, the distance is

and so on.

From:http://en.wikipedia.org/wiki/Euclidean_distance