国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

【OpenCV4】計(jì)算對(duì)稱矩陣特征值和特征向量 cv::eigen() 用法詳解和代碼示例(c++)

這篇具有很好參考價(jià)值的文章主要介紹了【OpenCV4】計(jì)算對(duì)稱矩陣特征值和特征向量 cv::eigen() 用法詳解和代碼示例(c++)。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方,請(qǐng)大家不吝賜教,您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

函數(shù)原型:


bool cv::eigen	(	InputArray 	src,
					OutputArray 	eigenvalues,
					OutputArray 	eigenvectors = noArray() 
					)	

解析:

  • src:輸入矩陣,只能是 CV_32FC1 或 CV_64FC1 類型的方陣(即矩陣轉(zhuǎn)置后還是自己)
  • eigenvalues:輸出的特征值組成的向量,數(shù)據(jù)類型同輸入矩陣,排列從大到小
  • eigenvectors:輸出的特征向量組成的矩陣,數(shù)據(jù)類型同輸入矩陣,每一行是一個(gè)特征向量,對(duì)應(yīng)相應(yīng)位置的特征值

備注: 對(duì)于非對(duì)稱矩陣,可以使用 cv::eigenNonSymmetric() 計(jì)算特征值和特征向量。

代碼示例:

void TestEigen()
{
    cv::Mat m = (cv::Mat_<float> (3, 3) << 1, 2, 3, 
                                                                   2, 5, 6, 
                                                                   3, 6, 7);
    cv::Mat eigenvalues;
    cv::Mat eigenvectors;

    cv::eigen(m, eigenvalues, eigenvectors);

    return;
}

輸入:
cv::eigen,計(jì)算機(jī)視覺(jué),c++,opencv,計(jì)算機(jī)視覺(jué)
特征值:
cv::eigen,計(jì)算機(jī)視覺(jué),c++,opencv,計(jì)算機(jī)視覺(jué)
特征向量:
cv::eigen,計(jì)算機(jī)視覺(jué),c++,opencv,計(jì)算機(jī)視覺(jué)文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-636228.html

到了這里,關(guān)于【OpenCV4】計(jì)算對(duì)稱矩陣特征值和特征向量 cv::eigen() 用法詳解和代碼示例(c++)的文章就介紹完了。如果您還想了解更多內(nèi)容,請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來(lái)自互聯(lián)網(wǎng)用戶投稿,該文觀點(diǎn)僅代表作者本人,不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請(qǐng)注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符,請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋,一經(jīng)查實(shí),立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

  • 【數(shù)值分析】用冪法計(jì)算矩陣的主特征值和對(duì)應(yīng)的特征向量(附matlab代碼)

    【數(shù)值分析】用冪法計(jì)算矩陣的主特征值和對(duì)應(yīng)的特征向量(附matlab代碼)

    用冪法計(jì)算下列矩陣的按模最大特征值及對(duì)應(yīng)的特征向量 k= 1 V^T= 8 6 0 m= 8 u^T= 1.0000 0.7500 0 k= 2 V^T= 9.2500 6.0000 -2.7500 m= 9.2500 u^T= 1.0000 0.6486 -0.2973 k= 3 V^T= 9.5405 5.8919 -3.5405 m= 9.5405 u^T= 1.0000 0.6176 -0.3711 k= 4 V^T= 9.5949 5.8414 -3.7309 m= 9.5949 u^T= 1.0000 0.6088 -0.3888 k= 5 V^T= 9.6041 5.8240 -3.7753 m=

    2024年02月01日
    瀏覽(24)
  • 特征值和特征向量的解析解法--帶有重復(fù)特征值的矩陣

    當(dāng)一個(gè)矩陣具有重復(fù)的特征值時(shí),意味著存在多個(gè)線性無(wú)關(guān)的特征向量對(duì)應(yīng)于相同的特征值。這種情況下,我們稱矩陣具有重復(fù)特征值。 考慮一個(gè)n×n的矩陣A,假設(shè)它有一個(gè)重復(fù)的特征值λ,即λ是特征值方程det(A-λI) = 0的多重根。我們需要找到與特征值λ相關(guān)的特征向量。 首

    2024年02月05日
    瀏覽(25)
  • 線性代數(shù)|證明:矩陣特征值的倒數(shù)是其逆矩陣的特征值

    性質(zhì) 1 若 λ lambda λ 是 A boldsymbol{A} A 的特征值,當(dāng) A boldsymbol{A} A 可逆時(shí), 1 λ frac{1}{lambda} λ 1 ? 是 A ? 1 boldsymbol{A}^{-1} A ? 1 的特征值。 證明 因?yàn)?λ lambda λ 是 A boldsymbol{A} A 的特征值,所以有 p ≠ 0 boldsymbol{p} ne 0 p  = 0 使 A p = λ p boldsymbol{A} boldsymbol{p} = lambda

    2024年02月08日
    瀏覽(19)
  • 【問(wèn)題證明】矩陣方程化為特征值方程求得的特征值為什么是全部特征值?不會(huì)丟解嗎?

    【問(wèn)題證明】矩陣方程化為特征值方程求得的特征值為什么是全部特征值?不會(huì)丟解嗎?

    這個(gè)問(wèn)題困擾了我好久,一直感覺(jué)如果有其他的特征值沒(méi)法證偽,不過(guò)一直存在思想的層面,沒(méi)有實(shí)際解決,今天突然想到動(dòng)筆來(lái)解決,遂得解,證明如下。 這個(gè)證明看似證明過(guò)后很直觀,但實(shí)際上思維走向了牛角尖的時(shí)候光靠思考是無(wú)法得出令人信服的結(jié)論的,唯有實(shí)際動(dòng)

    2024年02月05日
    瀏覽(30)
  • 《數(shù)值分析》-3-特征值與特征矩陣

    《數(shù)值分析》-3-特征值與特征矩陣

    搜索技術(shù)的很多方面的知識(shí)發(fā)現(xiàn)都依賴于特征值或奇異值問(wèn)題,涉及到特征值計(jì)算問(wèn)題。 計(jì)算特征值沒(méi)有直接的方法。 定位特征值的計(jì)算方法基于冪迭代的思想,這是求解特征值的一類迭代方法。該思想的一個(gè)復(fù)雜版本被稱為QR算法,是確定典型矩陣所有特征值的一般方法。

    2024年02月08日
    瀏覽(31)
  • MATLAB矩陣的特征值與特征向量

    MATLAB矩陣的特征值與特征向量

    設(shè)A是n階方陣,如果存在常數(shù)λ和n維非零列向量x,使得等式Ax = λx 成立,則稱λ為A的特征值,x是對(duì)應(yīng)特征值λ的特征向量。 在MATLAB中,計(jì)算矩陣的特征值與特征向量的函數(shù)是eig,常用的調(diào)用格式有兩種: E = eig(A):求矩陣A的全部特征向量值,構(gòu)成向量E。 [X,D] = eig(A):

    2024年02月11日
    瀏覽(22)
  • 5.1 矩陣的特征值和特征向量

    5.1 矩陣的特征值和特征向量

    學(xué)習(xí)特征值和特征向量的定義和性質(zhì),我會(huì)采取以下方法: 1. 學(xué)習(xí)線性代數(shù)基礎(chǔ)知識(shí):特征值和特征向量是線性代數(shù)中的重要概念,需要先掌握線性代數(shù)的基礎(chǔ)知識(shí),例如向量、矩陣、行列式、逆矩陣、轉(zhuǎn)置、內(nèi)積、外積等基本概念。 2. 學(xué)習(xí)特征值和特征向量的定義:特征

    2024年02月02日
    瀏覽(24)
  • 矩陣分析:特征值分解

    矩陣分析:特征值分解

    伸縮 一個(gè)矩陣其實(shí)就是一個(gè)線性變換,因?yàn)橐粋€(gè)矩陣乘以一個(gè)向量后得到的向量,其實(shí)就相當(dāng)于將這個(gè)向量進(jìn)行了線性變換。比如說(shuō)下面的一個(gè)矩陣: 因?yàn)檫@個(gè)矩陣M乘以一個(gè)向量(x,y)的結(jié)果是: 旋轉(zhuǎn) 除了伸縮變換,也可以進(jìn)行旋轉(zhuǎn)變換。 上面的矩陣是對(duì)稱的,所以這個(gè)變

    2023年04月24日
    瀏覽(18)
  • 特征值與相似矩陣

    特征值與相似矩陣

    應(yīng)用:求冪,對(duì)角化,二次型,動(dòng)力系統(tǒng)等等 通俗 ? 向量α在矩陣A的線性變換作用下,保持方向不變,進(jìn)行比例為λ的伸縮。 官方(注意是方陣) 特征方程 ? (λE-A)α = 0 (α!=0)特征向量不能為0,但是 特征值可以為0或虛數(shù) 。方程中λ的次數(shù)應(yīng)與A的 階數(shù)相同 ,否則不是

    2024年02月06日
    瀏覽(19)
  • 【證明】矩陣不同特征值對(duì)應(yīng)的特征向量線性無(wú)關(guān)

    定理 1 設(shè) λ 1 , λ 2 , ? ? , λ m lambda_1,lambda_2,cdots,lambda_m λ 1 ? , λ 2 ? , ? , λ m ? 是方陣 A boldsymbol{A} A 的 m m m 個(gè)特征值, p 1 , p 2 , ? ? , p m boldsymbol{p}_1,boldsymbol{p}_2,cdots,boldsymbol{p}_m p 1 ? , p 2 ? , ? , p m ? 依次是與之對(duì)應(yīng)的特征向量,如果 λ 1 , λ 2 , ? ? , λ

    2024年02月09日
    瀏覽(20)

覺(jué)得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請(qǐng)作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包