Aşağıda daha uzun bir açıklama yapılmadan önceki bazı önemli farklılıklar şunlardır:
- Önemli olarak: Jeffries-Matusita mesafesi genel olarak vektörlerden ziyade dağılımlar için geçerlidir.
- Yukarıda alıntıladığınız JM mesafe formülü sadece ayrık olasılık dağılımlarını temsil eden vektörler için geçerlidir (yani 1'e varan toplamlar).
- Öklid mesafesinin aksine, JM mesafesi, Bhattacharrya mesafesinin formüle edilebileceği herhangi bir dağılım için genelleştirilebilir.
- JM mesafesi, Bhattacharrya mesafesi yoluyla olasılıksal bir yoruma sahiptir.
Uzaktan Algılama literatüründe özellikle popüler gibi görünen Jeffries-Matusita mesafesi, Bhattacharrya mesafesinin (burada olarak gösterilen iki dağılım arasındaki farklılığın popüler bir ölçüsü ) aralıktan sabit aralığına :bp,q[0,inf)[0,2–√]
JMp,q=2(1−exp(−b(p,q))−−−−−−−−−−−−−−−√
Bu makaleye göre JM mesafesinin pratik bir avantajı, bu önlemin "düşük ayrılabilirlik değerlerini aşırı vurgularken yüksek ayrılabilirlik değerlerini baskılama eğiliminde" olmasıdır.
Bhattacharrya mesafe ölçer, iki dağılımlar farklılık ve , aşağıdaki özet sürekli anlamda:
dağılımları durumunda ve (burada birim uzunluk vektörleri ile temsil edilen, histogramlar tarafından yakalanır inci elemanı için normalize sayısıdır inci : depo) olur bu
Ve sonuç olarak iki histogram için JM mesafesi:
Hangi, normalleştirilmiş histogramlar için bunu notpq
b(p,q)=−ln∫p(x)q(x)−−−−−−−√dx
pqiiNb(p,q)=−ln∑i=1Npi⋅qi−−−−−√
JMp,q=2(1−∑i=1Npi⋅qi−−−−−√)−−−−−−−−−−−−−−−−⎷
∑ipi=1, yukarıda verdiğiniz formülle aynıdır:
JMp,q=∑i=1N(pi−−√−qi−−√)2−−−−−−−−−−−−−−⎷=∑i=1N(pi−2pi−−√qi−−√+qi)−−−−−−−−−−−−−−−−−−−⎷=2(1−∑i=1Npi⋅qi−−−−−√)−−−−−−−−−−−−−−−−⎷