《视觉slam十四讲》初学小白笔记（2）

学习Eigen过程中写的一些简单代码~

#include <iostream>

#include <Eigen/Core>
// 稠密矩阵的代数运算（逆，特征值等）
#include <Eigen/Dense>

#define MATRIX_SIZE 50
using namespace std;

int main(){
    //声明一个2*3的float矩阵
    Eigen::Matrix<float, 2, 3> matrix_23;

    //等同于Eigen::Matrix<double,3,1>  3*1的三维向量
    Eigen::Vector3d v_3d;
    Eigen::Matrix<float,3,1> vd_3d;

    //Matrix3d是一个3*3的double矩阵，初始化为0
    Eigen::Matrix3d matrix_33=Eigen::Matrix3d::Zero();

    //动态矩阵,不确定大小
    Eigen::Matrix<double,Eigen::Dynamic,Eigen::Dynamic> matrix_dynamic;

    //输入数据初始化
    matrix_23 << 1,2,3,4,5,6;

    //输出数据
    //1,2,3
    //4,5,6
    cout << matrix_23 << endl;

    //访问矩阵元素
    //1	   2	3
    //4    5    6
    for(int i = 0;i < 2;i++){
      for(int j = 0;j < 3;j++){
	    cout<< matrix_23(i,j) <<"\t";
      }
      cout<<endl;
    }

    //矩阵和向量相乘
    v_3d << 3,2,1;
    vd_3d << 4,5,6;

    //不同类型的矩阵不能相乘matrix_23是float类型，v_3d是double类型
    //Eigen::Matrix<double,2,1>result_wrong_type=matrix_23*v_3d;
    
    //强制转换，显式
    //10
    //28
    Eigen::Matrix<double,2,1>result=matrix_23.cast<double>()*v_3d;
    
    //维度错误
    //Eigen::Matrix<double,2,3>result_wrong_dimension=matrix_23*v_3d;
    
    //产生随机矩阵random()
    //0.680375   0.59688 -0.329554
    //-0.211234  0.823295  0.536459
    //0.566198 -0.604897 -0.444451
    matrix_33=Eigen::Matrix3d::Random();
    cout<<matrix_33<<endl;
    
    //转置transpose()
    //  0.680375 -0.211234  0.566198
    //   0.59688  0.823295 -0.604897
    // -0.329554  0.536459 -0.444451
    cout<<matrix_33.transpose()<<endl;
    
    //求和sum()
    //1.61307
    cout<<matrix_33.sum()<<endl;
    
    //求迹trace() 主对角线上各元素之和
    //1.05922
    cout<<matrix_33.trace()<<endl;
    
    //数乘 n×matrix_33
    cout<<matrix_33*10<<endl;
    
    //逆矩阵inverse()
    // -0.198521   2.22739    2.8357
    //   1.00605 -0.555135  -1.41603
    //  -1.62213   3.59308   3.28973
    cout<<matrix_33.inverse()<<endl;
    
    //行列式determinant()
    //0.208598
    cout<<matrix_33.determinant()<<endl;
    
    //特征值eigenvalues()
    Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d>eigen_solver(matrix_33);//不是很懂为啥要有这一步
    cout<<eigen_solver.eigenvalues()<<endl;
    
    //特征向量eigenvectors()
    cout<<eigen_solver.eigenvectors()<<endl;
    
    //解方程 逆矩阵求解较为耗时 
    //2.423ms
    Eigen::Matrix<double,MATRIX_SIZE,MATRIX_SIZE> Matrix_NN;
    Matrix_NN=Eigen::MatrixXd::Random(MATRIX_SIZE,MATRIX_SIZE);
    Eigen::Matrix<double,MATRIX_SIZE,1> v_Nd;
    v_Nd=Eigen::MatrixXd::Random(MATRIX_SIZE,1);
    clock_t time_stt=clock();
    Eigen::Matrix<double,MATRIX_SIZE,1> x=Matrix_NN.inverse()*v_Nd;
    cout << "time use in normal inverse is " << 1000 * (clock() - time_stt) / (double)CLOCKS_PER_SEC << "ms" << endl;

    //QR分解解方程
    time_stt = clock();
    x = Matrix_NN.colPivHouseholderQr().solve(v_Nd);
    cout << "time use in QR decomposition is " << 1000 * (clock() - time_stt) / (double)CLOCKS_PER_SEC << "ms" << endl;
    
}