前言
在项目中用到Eigen相关运算，并在此纪录一下Eigen的学习和使用情况。
一、Eigen库常用函数
#include <Eigen/Eigen>
#include <Eigen/Dense>
// 基本用法 以下小写字母代表向量 ，大写字母代表矩阵
// Eigen // Matlab // 注释
x.size() // length(x) // 向量的长度
C.rows() // size(C,1) // 矩阵的行数
C.cols() // size(C,2) // 矩阵的列数
x(i) // x(i+1) // 访问向量元素（Matlab的下标从1开始计数）
C(i,j) // C(i+1,j+1) // 访问矩阵元素
// Eigen的索引从0开始
A << 1, 2, 3, // 初始化A，元素也可以是矩阵，先按列堆叠，再按行堆叠。
4, 5, 6,
7, 8, 9;
B << A, A, A; // B 是3个A水平排列
A.fill(10); // 将A的所有元素填充为10
// Eigen // Matlab 注释
MatrixXd::Identity(rows,cols) // eye(rows,cols) //单位矩阵
C.setIdentity(rows,cols) // C = eye(rows,cols) //单位矩阵
MatrixXd::Zero(rows,cols) // zeros(rows,cols) //全零矩阵
C.setZero(rows,cols) // C = zeros(rows,cols) //全零矩阵
MatrixXd::Ones(rows,cols) // ones(rows,cols) //全一矩阵
C.setOnes(rows,cols) // C = ones(rows,cols) //全一矩阵
MatrixXd::Random(rows,cols) // rand(rows,cols)*2-1 //MatrixXd::Random 返回范围为(-1, 1)的均匀分布的随机数
C.setRandom(rows,cols) // C = rand(rows,cols)*2-1 //返回范围为(-1, 1)的均匀分布的随机数
VectorXd::LinSpaced(size,low,high) // linspace(low,high,size)' //返回size个等差数列，第一个数为low，最后一个数为high
v.setLinSpaced(size,low,high) // v = linspace(low,high,size)' //返回size个等差数列，第一个数为low，最后一个数为high
VectorXi::LinSpaced(((hi-low)/step)+1, // low:step:hi //以step为步长的等差数列。((hi-low)/step)+1为个数
low,low+step*(size-1)) //
// Matrix 切片和块。下面列出的所有表达式都是可读/写的。
// 使用模板参数更快（如第2个）。注意：Matlab是的下标是从1开始的。
// Eigen // Matlab // 注释
x.head(n) // x(1:n) //前n个元素
x.head<n>() // x(1:n) //前n个元素
x.tail(n) // x(end - n + 1: end) //倒数n个元素
x.tail<n>() // x(end - n + 1: end) //倒数n个元素
x.segment(i, n) // x(i+1 : i+n) //切片
x.segment<n>(i) // x(i+1 : i+n) //切片
P.block(i, j, rows, cols) // P(i+1 : i+rows, j+1 : j+cols) //块
P.block<rows, cols>(i, j) // P(i+1 : i+rows, j+1 : j+cols) //块
P.row(i) // P(i+1, :) //第i行
P.col(j) // P(:, j+1) //第j列
P.leftCols<cols>() // P(:, 1:cols) //前cols列
P.leftCols(cols) // P(:, 1:cols) //前cols列
P.middleCols<cols>(j) // P(:, j+1:j+cols) //中间cols列
P.middleCols(j, cols) // P(:, j+1:j+cols) //中间cols列
P.rightCols<cols>() // P(:, end-cols+1:end) //后cols列
P.rightCols(cols) // P(:, end-cols+1:end) //后cols列
P.topRows<rows>() // P(1:rows, :) //前rows行
P.topRows(rows) // P(1:rows, :) //前rows行
P.middleRows<rows>(i) // P(i+1:i+rows, :) //中间rows行
P.middleRows(i, rows) // P(i+1:i+rows, :) //中间rows行
P.bottomRows<rows>() // P(end-rows+1:end, :) //最后rows行
P.bottomRows(rows) // P(end-rows+1:end, :) //最后rows行
P.topLeftCorner(rows, cols) // P(1:rows, 1:cols) //左上角块
P.topRightCorner(rows, cols) // P(1:rows, end-cols+1:end) //右上角块
P.bottomLeftCorner(rows, cols) // P(end-rows+1:end, 1:cols) //左下角块
P.bottomRightCorner(rows, cols) // P(end-rows+1:end, end-cols+1:end) //右下角块
P.topLeftCorner<rows,cols>() // P(1:rows, 1:cols) //左上角块
P.topRightCorner<rows,cols>() // P(1:rows, end-cols+1:end) //右上角块
P.bottomLeftCorner<rows,cols>() // P(end-rows+1:end, 1:cols) //左下角块
P.bottomRightCorner<rows,cols>() // P(end-rows+1:end, end-cols+1:end) //右下角块
// 特别说明：Eigen的交换函数进行了高度优化
// Eigen // Matlab
R.row(i) = P.col(j); // R(i, :) = P(:, j)
R.col(j1).swap(mat1.col(j2)); // R(:, [j1 j2]) = R(:, [j2, j1]) //交换列
// Views, transpose, etc;
// Eigen // Matlab
R.adjoint() // R' // 共轭转置
R.transpose() // R.' or conj(R') // 可读/写 转置
R.diagonal() // diag(R) // 可读/写 对角元素
x.asDiagonal() // diag(x) // 对角矩阵化
R.transpose().colwise().reverse() // rot90(R) // 可读/写 逆时针旋转90度
R.rowwise().reverse() // fliplr(R) // 水平翻转
R.colwise().reverse() // flipud(R) // 垂直翻转
R.replicate(i,j) // repmat(P,i,j) // 复制矩阵，垂直复制i个，水平复制j个
// 四则运算，和Matlab相同。但Matlab中不能使用*=这样的赋值运算符
// 矩阵 - 向量 矩阵 - 矩阵 矩阵 - 标量
y = M*x; R = P*Q; R = P*s;
a = b*M; R = P - Q; R = s*P;
a *= M; R = P + Q; R = P/s;
R *= Q; R = s*P;
R += Q; R *= s;
R -= Q; R /= s;
// 逐像素操作Vectorized operations on each element independently
// Eigen // Matlab //注释
R = P.cwiseProduct(Q); // R = P .* Q //逐元素乘法
R = P.array() * s.array(); // R = P .* s //逐元素乘法（s为标量）
R = P.cwiseQuotient(Q); // R = P ./ Q //逐元素除法
R = P.array() / Q.array(); // R = P ./ Q //逐元素除法
R = P.array() + s.array(); // R = P + s //逐元素加法（s为标量）
R = P.array() - s.array(); // R = P - s //逐元素减法（s为标量）
R.array() += s; // R = R + s //逐元素加法（s为标量）
R.array() -= s; // R = R - s //逐元素减法（s为标量）
R.array() < Q.array(); // R < Q //逐元素比较运算
R.array() <= Q.array(); // R <= Q //逐元素比较运算
R.cwiseInverse(); // 1 ./ P //逐元素取倒数
R.array().inverse(); // 1 ./ P //逐元素取倒数
R.array().sin() // sin(P) //逐元素计算正弦函数
R.array().cos() // cos(P) //逐元素计算余弦函数
R.array().pow(s) // P .^ s //逐元素计算幂函数
R.array().square() // P .^ 2 //逐元素计算平方
R.array().cube() // P .^ 3 //逐元素计算立方
R.cwiseSqrt() // sqrt(P) //逐元素计算平方根
R.array().sqrt() // sqrt(P) //逐元素计算平方根
R.array().exp() // exp(P) //逐元素计算指数函数
R.array().log() // log(P) //逐元素计算对数函数
R.cwiseMax(P) // max(R, P) //逐元素计算R和P的最大值
R.array().max(P.array()) // max(R, P) //逐元素计算R和P的最大值
R.cwiseMin(P) // min(R, P) //逐元素计算R和P的最小值
R.array().min(P.array()) // min(R, P) //逐元素计算R和P的最小值
R.cwiseAbs() // abs(P) //逐元素计算R和P的绝对值
R.array().abs() // abs(P) //逐元素计算绝对值
R.cwiseAbs2() // abs(P.^2) //逐元素计算平方
R.array().abs2() // abs(P.^2) //逐元素计算平方
(R.array() < s).select(P,Q ); // (R < s ? P : Q) //根据R的元素值是否小于s，选择P和Q的对应元素
R = (Q.array()==0).select(P,A) // R(Q==0) = P(Q==0) R(Q!=0) = P(Q!=0) //根据Q中元素等于零的位置选择P中元素
R = P.unaryExpr(ptr_fun(func)) // R = arrayfun(func, P) // 对P中的每个元素应用func函数
// Reductions.
int r, c;
// Eigen // Matlab //注释
R.minCoeff() // min(R(:)) //最小值
R.maxCoeff() // max(R(:)) //最大值
s = R.minCoeff(&r, &c) // [s, i] = min(R(:)); [r, c] = ind2sub(size(R), i); //计算最小值和它的位置
s = R.maxCoeff(&r, &c) // [s, i] = max(R(:)); [r, c] = ind2sub(size(R), i); //计算最大值和它的位置
R.sum() // sum(R(:)) //求和（所有元素）
R.colwise().sum() // sum(R) //按列求和
R.rowwise().sum() // sum(R, 2) or sum(R')' //按行求和
R.prod() // prod(R(:)) //累积
R.colwise().prod() // prod(R) //按列累积
R.rowwise().prod() // prod(R, 2) or prod(R')' //按行累积
R.trace() // trace(R) //迹
R.all() // all(R(:)) //是否所有元素都非零
R.colwise().all() // all(R) //按列判断，是否该列所有元素都非零
R.rowwise().all() // all(R, 2) //按行判断，是否该行所有元素都非零
R.any() // any(R(:)) //是否有元素非零
R.colwise().any() // any(R) //按列判断，是否该列有元素都非零
R.rowwise().any() // any(R, 2) //按行判断，是否该行有元素都非零
// 点积，范数等
// Eigen // Matlab // 注释
x.norm() // norm(x). //范数（注意：Eigen中没有norm(R)）
x.squaredNorm() // dot(x, x) //平方和（注意：对于复数而言，不等价）
x.dot(y) // dot(x, y) //点积
x.cross(y) // cross(x, y) //交叉积，需要头文件 #include <Eigen/Geometry>
类型转换
// Eigen // Matlab // 注释
A.cast<double>(); // double(A) //变成双精度类型
A.cast<float>(); // single(A) //变成单精度类型
A.cast<int>(); // int32(A) //编程整型
A.real(); // real(A) //实部
A.imag(); // imag(A) //虚部
// 如果变换前后的类型相同，不做任何事情。
// 注意：Eigen中，绝大多数的涉及多个操作数的运算都要求操作数具有相同的类型
MatrixXf F = MatrixXf::Zero(3,3);
A += F; // 非法。Matlab中允许。（单精度+双精度）
A += F.cast<double>(); // 将F转换成double，并累加。（一般都是在使用时临时转换）
// Eigen 可以将已存储数据的缓存 映射成 Eigen矩阵
float array[3];
Vector3f::Map(array).fill(10); // create a temporary Map over array and sets entries to 10
int data[4] = {1, 2, 3, 4};
Matrix2i mat2x2(data); // 将 data 复制到 mat2x2
Matrix2i::Map(data) = 2*mat2x2; // 使用 2*mat2x2 覆写data的元素
MatrixXi::Map(data, 2, 2) += mat2x2; // 将 mat2x2 加到 data的元素上 (当编译时不知道大小时，可选语法)
二、Eigen块运算
在Eigen中最基本的块操作运算是用.block()完成的。提取的子矩阵同样分为动态大小和固定大小。
Eigen中的块运算有两种代码实现方式
代码如下（示例）：
//block of size (p,q) ,starting at (i,j)。
//(p,q)为矩阵块大小，(i，j)为矩阵起始点位置 ，Eigen库中的索引从0开始
matrix.block(i,j,p,q);
matrix.block<p,q>(i,j);
需要注意的是，在Eigen中，索引是从0开始。所有的操作方法都可以适用于Array.同样使用固定大小的操作方式在小型矩阵运算时更加的快，但要求在编译时就要知道矩阵的大小，通常通过Resize（）对矩阵进行初始化操作。
示例代码如下：
Eigen::MatrixXd Matrix; //定义矩阵Matrix
Matrix.resize(n,m); //初始化矩阵Matrix大小为n*m
矩阵块操作示例：
#include <iostream>
#include "Eigen/Eigen"
#include "Eigen/Dense"
using namespace std;
using namespace Eigen;
int main()
{
MatrixXf m;
m.resize(4,4);
m<< 1,2,3,4,
5,6,7,8,
9,10,11,12,
13,14,15,16;
cout<<"Block in the middle"<<endl;
//矩阵块大小为2*2 ，起始索引点为 （1，1）
cout<<m.block<2,2>(1,1)<<endl<<endl;
for(int i = 1;i <= 3;++i)
{
cout<<"Block of size "<<i<<"x"<<i<<endl;
cout<<m.block(0,0,i,i)<<endl<<endl;
}
}
代码执行结果如下：
Block in the middle
6 7
10 11
Block of size 1x1
1
Block of size 2x2
1 2
5 6
Block of size 3x3
1 2 3
5 6 7
9 10 11
三、矩阵N次幂
代码如下（示例）：
#include <Eigen/Eigen>
#include <Eigen/Dense>
#include <iostream>
using namespace std ;
using namespace Eigen;
Eigen::MatrixXd multi_matrix(Eigen::MatrixXd Matrix_1, Eigen::MatrixXd Matrix_2, const int n)
//两个方阵相乘，n为方阵维度
{
Eigen::MatrixXd Matrix;
Matrix.resize(Matrix_1.rows(), Matrix_1.cols());
Matrix = Eigen::MatrixXd::Zero(Matrix_1.rows(), Matrix_1.cols());
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
//Matrix(i,j) = 0;
for (int k = 0; k < n; k++) {
Matrix(i, j) += Matrix_1(i, k) * Matrix_2(k, j);
}
}
}
return Matrix;
}
Eigen::MatrixXd calc_power(Eigen::MatrixXd Matrix, const int m, const int n)
//计算次幂 ，m> 0;
//m 为次方数 n为方阵维度
{
if (m == 1)
return Matrix;
else
{
Eigen::MatrixXd Matrix_copy; //复制当前矩阵
Matrix_copy.resize(Matrix.rows(), Matrix.cols());
Matrix_copy = Matrix;
// Matrix_copy = Eigen::MatrixXd::Zero(Matrix.rows(), Matrix.cols());
for (int i = 0; i < m - 1; i++)
{
Matrix = multi_matrix(Matrix, Matrix_copy, n);
}
return Matrix;
}
}
int main()
{
Eigen::MatrixXd A, B;
A.resize(2,2);
A << 1,2,
3,4;
B = calc_power(A,3,2); //3次方 ，2为方阵维度
cout << "A的" << m << "次方为：" << B << endl;
return 0;
}
扫一扫
1809
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
