python,c矩阵求逆问题记录及解决方案

python,c矩阵求逆问题记录

前言

记录下自己在做相机矫正遇到的问题，详细说下就是np.linalg.inv(M) 和cv2.invert(M)[1]的结果居然不一样。

正文

现象

首先np.linalg.inv和cv2.invert都是求矩阵的逆，而且要求该矩阵为方阵（行数和列数相同）。
我们先看这个矩阵

import numpy as np
import cv2
M1 = np.array([[800.0,		0,		270],
 	[		0, 		820,		223		],
 	[		0,		0,		1		]])

M1_invnp=np.linalg.inv(M1)
M1_invcv=cv2.invert(M1)[1]
print(M1_invnp)
print(M1_invcv)	

结果如图

两个结果是相等的。

但是如果换另一个矩阵。结果不一样了。M2没法单独写出，所以只能截图说明了。

其中的M2值为

优化思路

实际我把得到的逆矩阵乘回去，发现M2_invnp的结果比M2_invcv的结果好，也就是说np.linalg.inv优于使用默认的cv2.invert。
（这里注意是使用默认的）
后来使用cv2.invert(M1,1)[1],cv2.invert(M1,2)[1],cv2.invert(M1,3)[1]。得到的值也不同。最麻烦的是，我很难确定哪个值更好。
所以我想，那是不是有别的求逆方法呢。

最终方案

因为最后项目是要用c写在机器里，所以最终我同时用了三种库的求逆方法。
1.opencv 库的（cv::invert(dl_dlt,inv_dl_dlt,0);）
opencv后面的数字我用了0到3的全部4种
2.Eigen库的 （Eigen::Matrix<double, 8, 8> R_matrix_inv=R_matrix.inverse();）
3.numcpp库的（nc::NdArray Ncdl_dlt_inv=nc::linalg::inv(Ncdl_dlt);）
这样我就求出了4+1+1=6种方法。个人感觉，numcpp和opencv 参数为1，2的时候，结果会感觉更好些。
所以我个人是选择了numcpp的方法。不过关于速度和性能，自己就没有验证了。

结束语

关于这个矩阵求逆，我觉得有很多值得探讨的空间。你要是有什么疑惑，欢迎评论或者私聊我。
之后我也会把自己Mat,Eigen::Matrix,nc::NdArray这三种自己用的矩阵互转方法写出来，方便各位使用。
嘿嘿，有帮助就点个赞和关注咯。感谢各位。