向量范数是衡量向量大小或长度的一种方法。它是在向量空间中定义的一个函数,将每个向量映射到一个非负的实数值,这个值可以被解释为向量的“长度”或“大小”。向量范数必须满足以下三个条件:
- 正定性:对于所有向量 v \mathbf{v} v,有 ∥ v ∥ ≥ 0 \| \mathbf{v} \| \geq 0 ∥v∥≥0,且 ∥ v ∥ = 0 \| \mathbf{v} \| = 0 ∥v∥=0 当且仅当 v \mathbf{v} v 是零向量。
- 齐次性:对于任何标量 a a a 和向量 v \mathbf{v} v,有 ∥ a v ∥ = ∣ a ∣ ∥ v ∥ \| a \mathbf{v} \| = |a| \| \mathbf{v} \| ∥av∥=∣a∣∥v∥。
- 三角不等式:对于任意两个向量 u \mathbf{u} u 和 v \mathbf{v} v,有 ∥ u + v ∥ ≤ ∥ u ∥ + ∥ v ∥ \| \mathbf{u} + \mathbf{v} \| \leq \| \mathbf{u} \| + \| \mathbf{v} \| ∥u+v∥≤∥u∥+∥v∥。
p范数(也称为Lp范数)是向量范数的一种广义形式,它定义为:
∥ x ∥ p = ( ∑ i = 1 n ∣ x i ∣ p ) 1 / p \| \mathbf{x} \|_p = \left( \sum_{i=1}^{n} |x_i|^p \right)^{1/p} ∥x∥p=(i=1∑n∣xi∣p)1/p
其中 x = ( x 1 , x 2 , . . . , x n ) \mathbf{x} = (x_1, x_2, ..., x_n) x=(x1,x2,...,xn) 是一个 n 维向量, p ≥ 1 p \geq 1 p≥1 是一个实数参数。
对于不同的 p p p 值, p p p范数有不同的名称和特性:
-
当 p = 1 p = 1 p=1,我们得到 L1 范数,也就是曼哈顿距离或城市街区距离:
∥ x ∥ 1 = ∑ i = 1 n ∣ x i ∣ \| \mathbf{x} \|_1 = \sum_{i=1}^{n} |x_i| ∥x∥1=i=1∑n∣xi∣ -
当 p = 2 p = 2 p=2,我们得到 L2 范数,也就是欧几里得范数,这是最常用的范数之一,通常用来计算向量的长度:
∥ x ∥ 2 = ∑ i = 1 n x i 2 \| \mathbf{x} \|_2 = \sqrt{\sum_{i=1}^{n} x_i^2} ∥x∥2=i=1∑nxi2 -
当 p → ∞ p \to \infty p→∞,p范数趋向于无穷范数,也叫最大范数,它是向量中绝对值最大的元素的值:
∥ x ∥ ∞ = lim p → ∞ ( ∑ i = 1 n ∣ x i ∣ p ) 1 / p = max ( ∣ x 1 ∣ , ∣ x 2 ∣ , . . . , ∣ x n ∣ ) \| \mathbf{x} \|_\infty = \lim_{p \to \infty} \left( \sum_{i=1}^{n} |x_i|^p \right)^{1/p} = \max(|x_1|, |x_2|, ..., |x_n|) ∥x∥∞=p→∞lim(i=1∑n∣xi∣p)1/p=max(∣x1∣,∣x2∣,...,∣xn∣)
图2-52:二维空间向量的 ℓ p \ell p ℓp范数等密度轨迹。
想过两种方式,还是放在一起省地方。
禹晶、肖创柏、廖庆敏《数字图像处理(面向新工科的电工电子信息基础课程系列教材)》
禹晶、肖创柏、廖庆敏《数字图像处理》资源二维码