Perona & Malik G1: \( \exp{(-dL^2 / k^2)} \)

Perona & Malik G2: \( 1 / (1 + dL^2 / k^2) \)

Weickert: \( -3.315 / (dL^2 / k^2)^4 \)

Charbonnier: \( 1 / \sqrt{(1 + dL^2 / k^2)} \)

未初始化的特征

ORB 特征（Oriented FAST and Rotated BRIEF）

HOG 特征（Histogram of Oriented Gradients）

AKAZE 特征（Accelerated-KAZE）

Euclidean(L2): \( \sum{(x_i - y_i)^2} \)

Manhattan(L1): \( \sum{|x_i - y_i|} \)

Maximum: \( \max{|x_i - y_i|} \) 仅当匹配算法为 BruteForce 或者 K-Means 或者 Hierarchical 时可用

Histogram Intersection: \( \sum{\min{(x_i, y_i)}} \)

Hellinger: \( \sum{(\sqrt{x_i} - \sqrt{y_i})^2} \)

Chi-Square: \( \sum{((x_i - y_i)^2/(x_i + y_i))} \text{ for } x_i + y_i > 0 \)

朴素的 Brute-Force 算法，即逐一搜索，在样本量小的时候使用。

样本基于其相似性，组织为若干个 KD 树

样本基于其相似性，使用 K-Means 算法聚类为若干个集合

KD-Tree 和 K-Means 的组合

样本基于其相似性，使用分层聚类算法组织

基于样本的相似性自动调整索引

基于样本和预测特征的相似性距离加权，距离越近权重越大

所有最近邻的权重相同

未初始化的模型

KNN 模型（K-Nearest Neighbors）

SVM 模型（支持向量机）

样本属于训练集，用于模型训练

样本属于测试集，用于模型测试

Linear: \( x^Ty \)

Polynomial: \( (g \cdot x^Ty + c)^n \)

RBF: \( \exp{(-g \cdot |x - y|^2)} \)

Sigmoid: \( \tanh{(g \cdot x^Ty + c)} \)

C-SVM，基于优化惩罚因子 C 参数的支持向量机算法

Nu-SVM，基于控制支持向量数量 Nu 参数的支持向量机算法