opencv2.4中SVD分解的几种调用方法

本文介绍了在摄影测量和计算机视觉领域中SVD分解的应用,并详细解释了在OpenCV中进行SVD分解的不同方法及其参数设置。此外,还提供了几个参考资料链接以帮助读者更深入地理解SVD分解。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

原帖地址:

http://blog.sina.com.cn/s/blog_6109b5d00101ag7a.html

      在摄影测量和计算机视觉中,考虑最优解问题时,经常要用到SVD分解。奇异值分解 (singular value decomposition,SVD) 是一种可靠地正交矩阵分解法,但它比QR分解法要花上近十倍的计算时间。在matlab中,[U,S,V]=svd(A),其中U和V代表二个相互正交矩阵,而S代表一对角矩阵。 和QR分解法相同者, 原矩阵A不必为正方矩阵。使用SVD分解法的用途是解最小平方误差法和数据压缩


下面是最近在使用opencv2.4.2中的SVD分解法解方程时总结的几点:


// svd分解的四种调用方法:

//cout<<"A=\n"<<A<<endl; Mat U; 

//=Mat(2*num,2*num,CV_64F); 

Mat S=Mat(12,1,CV_64F);

Mat VT=Mat(12,12,CV_64F); // 注意:opencv中解得的是V的转置,matlab得到的直接是V


// 方式1

// SVD thissvd;

// thissvd.compute(A,S,U,VT,SVD::FULL_UV); // FULL_UV表示把U和VT补充称单位正交方阵,实际不是;


// 方式2 

// SVD thissvd(A,SVD::FULL_UV);

// U=thissvd.u;

// S=thissvd.w;

// VT=thissvd.vt;


// 方式3 

//SVD::compute(A,S,U,VT,SVD::FULL_UV);

// 方式4

cv::SVDecomp(A,S,U,VT,SVD::FULL_UV);  //后面的FULL_UV表示把U和VT补充称单位正交方阵;

理解SVD分解,可以参考以下几篇资料:

http://blog.chinaunix.net/uid-24517893-id-3261160.html

http://www.bfcat.com/index.php/2012/03/svd-tutorial/

http://blog.sina.com.cn/s/blog_46da01db0100etdz.html

http://zh.wikipedia.org/wiki/QR分解

http://zh.wikipedia.org/wiki/LU分解

http://zh.wikipedia.org/wiki/奇异值分解

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值