最小距离分类，是指求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类别向量归属于距离最小一类的一种图像分类方法。
最小距离分类法是分类器里面最基本的一种分类方法，它是通过求出未知类别向量X到事先已知的各类别（如A，B，C等等）中心向量的距离D，然后将待分类的向量X归结为这些距离中最小的那一类的分类方法。
最小距离分类法是分类器里面最基本的一种分类方法，它是通过求出未知类别向量X到事先已知的各类别（如A，B，C等等）中心向量的距离D，然后将待分类的向量X归结为这些距离中最小的那一类的分类方法。
在一个n维空间中，最小距离分类法首先计算每一个已知类别
）的各个维度的均值，形成一个均值
，用向量表示
）（A为类别的名称，
是类别A的样本特征集合，
是类别A的第1维特征集合， 是第一维特征集合的均值，n为总的特征维数），同理，计算另一个类别
（用向量表示是
）的均值
，用向量表示
，那么对于一个待分类的样本特征向量x（用向量表示是
），怎么判断它是属于类别 ，还是 呢？我们只需要分别计算到 和 的距离
和 ，以欧式距离为例，距离的计算公式如下：
然后找
中的最小值，如果前者最小，那么X属于A类，如果后者小，那么X属于B类。目前有多种不同的计算分类距离的方法，在上面的距离计算公式中，是我们最常见的计算距离的方法，欧氏距离。另外也有其它很多的距离公式，如欧氏距离，曼哈顿距离，闵可夫斯基距离，切比雪夫距离，标准化欧式距离等等，这里不一一做介绍，只对下面的三个距离做重点介绍一下，以是我们能够理解不同距离，对应不同的意义：
欧氏距离(EuclideanDistance)是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。
(1)二维平面上两点
间的欧氏距离：
(2)三维空间两点
间的欧氏距离：
3)两个n维向量
间的欧氏距离：
从名字就可以猜出这种距离的计算方法了。想象你在曼哈顿要从一个十字路口开车到另外一个十字路口，驾驶距离是两点间的直线距离吗？显然不是，除非你能穿越大楼。实际驾驶距离就是这个“曼哈顿距离”。而这也是曼哈顿距离名称的来源， 曼哈顿距离也称为城市街区距离(City Blockdistance)。
(1)二维平面两点
间的曼哈顿距离：
(2)两个n维向量
间的曼哈顿距离：
闵氏距离(MinkowskiDistance)不是一种距离，而是一组距离的定义。
(1)闵氏距离的定义
两个n维变量
间的闵可夫斯基距离定义为：
其中p是一个变参数。
当p=1时，就是曼哈顿距离
当p=2时，就是欧氏距离
当p→∞时，就是切比雪夫距离
p取不同的值，公式也不一样，所以随着参数p的不同，闵氏距离可以表示一类的距离。
最小距离分类器的步骤，其实是我们做监督分类基本的几个步骤。
(1)确定类别m，并提取每一类所对应的已知的样本。
(2)从样本中提取出一些可以作为区分不同类别的特性，也就是我们通常所说的特征提取，如果提取出了n个不同的特性，那么我们就叫它n维空间，特征提取对分类的精度有重大的影响。
(3)分别计算每一个类别的样本所对应的特征，每一类的每一维都有特征集合，通过集合，可以计算出一个均值，也就是特征中心。
(4)通常为了消除不同特征因为量纲不同的影响，我们对每一维的特征，需要做一个归一化，或者是放缩到（-1,1）等区间，使其去量纲化。
(5)利用选取的距离准则，对待分类的本进行判定。
最小距离分类法原理简单，容易理解，计算速度快，但是因为其只考虑每一类样本的均值，而不用管类别内部的方差（每一类样本的分布），也不用考虑类别之间的协方差（类别和类别之间的相关关系），所以分类精度不高，因此，一般不用它作为我们分类对精度有高要求的分类，但它可以在快速浏览分类概况中使用。
温馨提示：
