特征分解的推导与意义与opencv代码

最新推荐文章于 2024-09-12 11:34:01 发布

置顶

Dang_boy

最新推荐文章于 2024-09-12 11:34:01 发布

阅读量1.1k

点赞数

分类专栏： SLAM 文章标签：特征值特征向量特征分解推导意义

本文链接：https://blog.csdn.net/Dang_boy/article/details/85114855

版权

特征值与特征向量是线性代数中的重要概念，对于可对角化矩阵A，可以通过特征分解将其转换为PΛP^(-1)，其中P是特征向量组成的矩阵，Λ是对角化后的特征值矩阵。本文介绍了特征值和特征向量的定义，通过实例展示了在图像处理中的应用，以及OpenCV库中相关函数的使用，包括对称矩阵和非对称矩阵的处理。

摘要由CSDN通过智能技术生成

特征值与特征向量

定义： $A\vec{x}=\lambda\vec{x}$ 则称 $\lambda$ 为矩阵A的特征值， $\vec{x}$ 称为 $\lambda$ 对应的特征向量。
假设A是一个可对角化的矩阵，并且具有n个线性独立的特征向量 $P=[\vec{P_1} \ \vec{P_2}\ \vec{P_3} … \vec{P_n}]$ ,对应的特征值为 $\Lambda=\left[ \begin{matrix} \lambda_1 & & \\ & \ddots & \\ && \lambda_n \end{matrix} \right]$ , 可以将 $\vec{y}=A\vec{x}$ 进行这样的理解

由于P由n个线性独立的向量组成，所以 $\vec{x}$ 肯定可以表示再P的基底下，即 $\vec{x}=I\vec{x}=a1\vec{P_1}+a2\vec{P_2}+…+an\vec{P_n}=P \left[\begin{matrix} a_1\\a_2\\ \vdots \\a_n \end{matrix} \right]$
则