I am Rocky

http://blog.youkuaiyun.com/fengbingchun/article/details/5871320如果向量A為{a, b, c}，向量B為{m, n, p}，如何計算向量A與向量B的叉積呢？ 用行列式：             |i    j   k|             |a   b   c|             |m

http://blog.youkuaiyun.com/as3_flash/article/details/2378442矩陣的發明是為了方便對線性方程組求解，其經典定義就是線性方程組的係數和常數組成的數字方陣。其實矩陣並不神秘，完全可以把它看成一組數字的排列記錄。矩陣具有行和列，可以使用大寫字母標記一個矩陣。圖8-26展示了一個3個矩陣，記作矩陣A、B、C。其中，矩陣A是一個一列三行的矩陣，矩陣B是一行三

http://blog.youkuaiyun.com/as3_flash/article/details/2378483　利用矩陣能完成旋轉。對於圖中的點S(j，0)，可以看作矩陣A[j，0]，令點S旋轉a度得到點T(m，n)，可以看作矩陣C[m，n]，顯然可以存在變換矩陣B，令A×B=C成立。由簡單的幾何知識就能得出變換矩陣B的構造。因為點S位於坐標軸上，使得計算矩陣B的過程極大的簡化了。如果要

http://blog.youkuaiyun.com/as3_flash/article/details/2378524在公式f(x)=Ax+b中，表面看來只能進行一次變形，其實不然：這種形變並沒有次數的限制。數學上可以證明，無論對矩陣A經過多少次變換方才得到矩陣C，最終都可以通過一個變換矩陣B同A相乘得到C。而矩陣B就是中間多次變換的矩陣乘積。例如要對舞台上的某點進行旋轉+拉伸+映射變形，並不需

http://blog.youkuaiyun.com/as3_flash/article/details/2378598Matrix類的變形方法，最終都是根據用戶給出的參數修改內部矩陣。這些方法的不同之處，在於修改值的算法，以及修改結果在矩陣中的位置。當用戶在代碼中調用translate(5，13)時，AS3修改矩陣類的內建矩陣，將其中的(tx，ty)T與(5，13)T相加，由於在矩陣創建時(tx

http://blog.youkuaiyun.com/as3_flash/article/details/2378462依據能否便捷的被數學函數公式精確描述，空間變換可以分為兩大類：簡單變換和複雜變換。位移，反射，旋轉，斜切等變換都可以通過簡單的函數來描述屬於簡單變換；在Photoshop中對一幅圖像應用塗抹工具，是複雜的變換，需要根據具體情況具體處理。簡單空間變換是計算機圖形學的重要研究內容，其運算

http://blog.youkuaiyun.com/as3_flash/article/details/2378493簡單變形也包括許多具體的變形方式，例如球面變形，透視變形，複雜拓撲變形等，其算法各有差別。在AS3中，運用Matrix類進行的簡單變形都屬於仿射變形(Affine Transformations)。所謂仿射變形，其特徵就是一切變形都不會破壞線條的線性。變形後水平和垂直方向上的長度比例

http://blog.youkuaiyun.com/as3_flash/article/details/2378549在AS3中，對一個顯示對像進行變形操作，需要使用Matrix類。Matrix類的變形操作是基於一個三行三列的方型矩陣。當在代碼中創建一個Matrix類時，AS3的內部機制就創建了一個這樣的變換矩陣作為代碼操作的數理基礎。使用以下代碼可以在AS3中創建一個矩陣，並輸出矩陣的值：va

http://blog.youkuaiyun.com/cxf7394373/article/details/6988229應用    由上面的敘述知道，可以根據各種間距和角度計算灰度共生矩陣，下面程序中給定了間距，根據傳入的參數計算：[cpp] view plaincopy#define GLCM_DIS 3  //灰度共生矩陣的統計

http://www.zhizhihu.com/html/y2010/1130.html共生矩陣用兩個位置的象素的聯合概率密度來定義，它不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的象素之間的位置分布特性，是有關圖象亮度變化的二階統計特征。它是定義一組紋理特征的基礎。     一幅圖象的灰度共生矩陣能反映出圖象灰度關於方向、相鄰間隔、變化幅度的綜合信息，它是分析圖象的局

http://hi.baidu.com/dandeline8828/item/972eefc782448fd6ee183bd7所謂圖像分割就是指把圖像分成各具特性的區域，並提取出感興趣目標的技術和過程。它是數字圖像處理中的關鍵技術之一，是進一步進行圖像識別、分析和理解的基礎。目前圖像分割方面現有的算法非常多，將它們進行分類的方法也提出了不少。一般分為3類：(1)閾值分割；(2)邊緣檢測

http://www.cnblogs.com/skyseraph/archive/2011/08/27/2155776.html【圖像算法】圖像特征：GLCM      SkySeraph Aug 27th 2011  HQUEmail：zgzhaobo@gmail.com    QQ：452728574Latest Modified Date：Aug

http://blog.youkuaiyun.com/xiahouzuoxin/article/details/41118351此文有一半轉載自他出，主要在這進行個整理，具體內容文中都有相關的轉載鏈接。特征值與特征向量的幾何意義矩陣的乘法是什麼，別只告訴我只是「前一個矩陣的行乘以後一個矩陣的列」，還會一點的可能還會說「前一個矩陣的列數等於後一個矩陣的行數才能相乘」，

http://blog.youkuaiyun.com/as3_flash/article/details/2378571用戶在代碼中可以創建矩陣類的實例，並通過手動設置矩陣的內部屬性a、b、c、d、tx和ty，純手工的創造或改變一個變換矩陣。如果用戶具備豐富的圖形學知識，可以自己算出位移，縮放，旋轉，斜切等變形所需要的二次變換矩陣值，那麼使用這種方法就足夠了。高級用戶使用這種方式將會相當的高效。但

http://blog.youkuaiyun.com/as3_flash/article/details/2378453把一組數字記錄成矩陣形式是沒有意義的，學習矩陣的關鍵在於掌握矩陣之間的運算。1．矩陣加法運算矩陣之間也可以相加。把兩個矩陣對應位置的單個元素相加，得到的新矩陣就是矩陣加法的結果。由其運算法則可知，只有行數和列數完全相同的矩陣才能進行加法運算。矩陣之間相加沒有順序，假設A、B都

http://blog.youkuaiyun.com/weiyuweizhi/article/details/5724050 Gray-level co-occurrence matrix from an image圖像的灰度共生矩陣灰度共生矩陣是像素距離和角度的矩陣函數，它通過計算圖像中一定距離和一定方向的兩點灰度之間的相關性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息。

轉自：http://www.cppblog.com/lovedday/archive/2007/04/26/22890.html 向量的點積：假設向量u(ux, uy)和v(vx, vy)，u和v之間的夾角為α，從三角形的邊角關系等式出發，可作出如下簡單推導：  |u - v||u - v| = |u||u| + |v||v| - 2|u||v|cosα

轉自：http://www.madio.net/forum-redirect-goto-nextnewset-tid-47409.html奇異值分解是線性代數中一種重要的矩陣分解，在信號處理、統計學等領域有重要應用。定義：設A為m*n階矩陣，AHA的n個特征值的非負平方根叫作A的奇異值。記為σi(A)。如果把AHA的特征值記為λi(A)，則σi(A)＝λi(AHA)^(1/2)。

轉自：http://baike.baidu.com/view/637132.htm?fr=ala0_1_1 范數的定義設X是數域K上線性空間，稱║˙║為X上的范數(norm)，若它滿足：　　1. 正定性：║x║≧0，且║x║=0 x=0；　　2. 齊次性：║cx║=│c│║x║；　　3. 次可加性(三角不等式)：║x+y║≦║x║+║y║ 。

轉自：http://baike.baidu.com/view/2132318.htm 所謂齊次坐標就是將一個原本是n維的向量用一個n+1維向量來表示。 實數。顯然一個向量的齊次表示是不唯一的，齊次坐標的h取不同的值都表示的是同一個點，比如齊次坐標[8,4,2]、[4,2,1]表示的都是二維點[4,2]。　　那麼引進齊次坐標有什麼必要，它有什麼優點呢？　　許多圖形應用涉及到幾何變換，

http://blog.chinaunix.net/uid/24517893/frmd/118313.html 一直對齊次坐標這個概念的理解不夠徹底，只見大部分的書中說道「齊次坐標在仿射變換中非常的方便」，然後就沒有了後文，今天在一個叫做「三百年 重生」的博客上看到一篇關於透視投影變換的探討的文章，其中有對齊次坐標有非常精辟的說明，特別是針對這樣一句話進行了有力的證明：「齊次坐標表示是

http://www.cnblogs.com/pegasus/archive/2011/07/31/2121792.html 1. 定義線性系統（線性方程組）的一般形式如下，其中 是未知數,  是系數,   是常量。 線性方程組的列向量形式如下。從這個角落來看，常量b是系數列向量{a1,a2…,an}基於未知數的加權線性組合（linear combi

http://www.cnblogs.com/pegasus/archive/2011/11/21/2257258.html 1. LU分解LU分解在本質上是高斯消元法的一種表達形式。實質上是將A通過初等行變換變成一個上三角矩陣，其變換矩陣就是一個單位下三角矩陣。這正是所謂的杜爾裡特算法（Doolittle algorithm）：從下至上地對矩陣A做初等行變換，將對角線左下

http://www.cnblogs.com/pegasus/archive/2011/10/18/2121170.html 單位陣（Identity Matrix）定義：單位陣是對角元素為1，其它元素為0的方陣。，也可表示為In = diag(1,1,...,1) 性質：AIn = A 且 InB = B對稱陣（symmetric

http://blog.youkuaiyun.com/shen_wei/article/details/54325201. 矢量減法設二維矢量 P = （x1,y1） ，Q = (x2,y2)則矢量減法定義為： P - Q = ( x1 - x2 , y1 - y2 )顯然有性質 P - Q = - ( Q - P )如不加說明，下面所有的點都看作矢量，兩點的減法就是矢量相

http://www.cnblogs.com/pegasus/archive/2011/11/21/2257288.html 盡管高斯消元法是解線性方程組的標准算法，但是當我們希望從數據中將重要信息與次要信息（噪聲）分離時它就無能無力的。在線性代數中，我們要量化「好的與壞的基向量（basis vectors）。不嚴格的說，好的基向量是那些基本線性獨立的向量，接近於正交。下面，就來領略如

http://www.cnblogs.com/pegasus/archive/2011/11/21/2257262.html 1. 病態系統系統的精確解為x=1，y=-1。若對b2=0.067進行輕微的擾動變為0.066，那麼精確解變為x=-666，y=834。這個例子深刻說明了病態系統（ill-conditioned systems)的解對於小擾動非常敏感。而這種敏感是由

http://www.cnblogs.com/pegasus/archive/2011/11/10/2244472.html 1. 引文假設我們要確定一根繩子的彈性，而它的長度與拉力間服從公式，F為拉力，l為繩子在拉力F作用下的長度，e和k為待確定的常數。為此，我們進行一批實驗采集如下數據，並繪制其散點圖

除了使用三維直角座標來表示物體的空間位置之外，在圖學中，也常使用「齊次座標」（homogeneous coordinate）來呈現，這一方面是為了方便將空間的平移、縮放、旋轉等轉換使用矩陣來記錄。齊次座標使用四個元素來表示，即(x, y, z, w)，要將齊次座標轉換為三維座標，其關係為(x/w, y/w, z/w)，其中w表示座標軸的遠近參數，通常設為1，如果要用來表示遠近感，則會設定為