Mahalanobis距离是表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系
与欧氏距离不同的是它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的）并且是尺度无关的（scale-invariant），即独立于测量尺度。
举个例子，坐飞机从上海到北京和坐普快从上海到北京，由于速度的差异，会让人觉得距离也有变化，坐飞机可能觉得，好快啊，没多远，一下就到了，坐火车，时常会感觉好慢，怎么这么远。
再举个例子，小时候买菜都用杆秤，假如物品和秤砣恰好相等且分别放在秤的两端，那么提纽应该恰好在正中间。但随着物品的重量增大，而秤砣的重量不变，那么这时候，提纽就应该向物品一侧靠近，才能继续保持平衡。马氏距离，就是一个找到两个物体之间平衡点的方法。
对于一个均值为 μ=(μ1,μ2,μ3,…,μp)T ，协方差矩阵为 Σ 的多变量向量 x=(x1,x2,x3,…,xp)T ，其马氏距离为
DM(x)=(x−μ)TΣ−1(x−μ)−−−−−−−−−−−−−−−√
协方差矩阵是方阵，其维度跟样本维度一样。
Mahalanbis距离与Euclidean距离类似，只不过它还需要除以空间的协方差矩阵，通过方差归一化，变量之间的关系便会更加符合实际情况。
对于两个变量， x和y 的协方差计算公式： Cov(x,y)=E(x−E(x))(y−E(y)) 对于多个列向量，协方差矩阵计算公式： Σij=cov(Dimi,Dimj) 即， Covij 表示第i维和第j维的协方差，举4维例子来说，设4个维度分别为a,b,c,d
Σij=⎛⎝⎜⎜⎜⎜cov(a,a)cov(b,a)cov(c,a)cov(d,a)cov(a,b)cov(b,b)cov(c,b)cov(d,b)cov(a,c)cov(b,c)cov(c,c)cov(d,c)cov(a,d)cov(b,d)cov(c,d)cov(d,d)⎞⎠⎟⎟⎟⎟
如果协方差矩阵为单位矩阵，马氏距离就简化为欧氏距离；如果协方差矩阵为对角阵，其也可称为正规化的欧氏距离。
DM(x)=∑i=1p(xi−yi)2σ2i−−−−−−−−−−−⎷ 其中 σi 是 xi 的标准差 。opencv
计算协方差矩阵函数
void cvCalcCovarMatrix( const CvArr** vects,
int count, CvArr* cov_mat,
CvArr* avg,
int flags
);
计算逆矩阵函数
double cvInvert( const CvArr* src,
CvArr* dst, int method CV_DEFAULT =CV_LU
); 计算Mahalanobis距离：
double cvMahalanobis(const CvArr* vec1,
const CvArr* vec1,
CvArr* mat
); Mahalanobis距离 = Euclidean距离 * 空间协方差矩阵的逆矩阵
计算Mahalanobis距离时，用cvInvert函数计算逆矩阵时，参数method做好用CV_SVD_SYM。使用该参数虽速度较慢，但可计算更精确的逆矩阵。
计算时间大部分由cvCalcCovarMatrix()消耗，所以稍微多花点时间计算精确的逆矩阵是明智的。
