通过奇异值分解（SVD）求解透视变换单应性矩阵

最新推荐文章于 2024-05-17 04:23:58 发布

Mr. Lee

最新推荐文章于 2024-05-17 04:23:58 发布

阅读量9.6k

点赞数 24

分类专栏： OpenCV 文章标签： SVD 奇异值分解透视变换单应性

本文链接：https://blog.csdn.net/sinat_28309919/article/details/80134985

版权

OpenCV 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1. 建立坐标对与投影矩阵的方程

　　在机器视觉领域，常常会使用单应性矩阵对图像进行透视变换以达到矫正畸变图形的目的。平面的单应性在这里被定义为，从一个平面到另一个平面的投影映射，通过数学表达式描述即，一个平面上的点 $p_{0}(x, y)$ 与投影矩阵 $H$ 相乘，结果为另一个平面上对应点 $p{}'(u, v)$ ，用齐次矩阵表达即为：

⎡ ⎣ ⎢ u' v' w ⎤ ⎦ ⎥ = H ⎡ ⎣ ⎢ x y 1 ⎤ ⎦ ⎥ (1)

$\begin{bmatrix}u{}'\\v{}'\\w\end{bmatrix}=H \begin{bmatrix}x\\y\\1\end{bmatrix}\tag1$ 其中投影矩阵

H H $H$ 为一个

3 \times 3

$3\times 3$ 方阵，

H = ⎡ ⎣ ⎢ h 1 h 4 h 7 h 2 h 5 h 8 h 3 h 6 h 9 ⎤ ⎦ ⎥ (2)

$H=\begin{bmatrix}h_{1}&h_{2}&h_{3}\\ h_{4}&h_{5}&h_{6}\\h_{7}&h_{8}&h_{9}\end{bmatrix}\tag2$ 点

p′(u,v) p ′ ( u , v ) $p{}'(u, v)$ 的坐标为

{u = u' / w v = v' / w (3)

$\left\{\begin{matrix}u=u{}'/w \\ v=v{}'/w\end{matrix}\right.\tag3$ 也就是

⎧ ⎩ ⎨ u = h 1 x + h 2 y + h 3 h 7 x + h 8 y + h 9 v = h 4 x + h 5 y + h 6 h 7 x + h 8 y + h 9 (4)

$\left\{\begin{matrix}u=\frac{h_{1}x+h_{2}y+h_{3}}{h_{7}x+h_{8}y+h_{9}}\\ v=\frac{h_{4}x+h_{5}y+h_{6}}{h_{7}x+h_{8}y+h_{9}}\end{matrix}\right.\tag4$ 注意到，上式中等式的格式为矩阵

H H $H$ 中各行系数求比，也就说等式右边的分子分母可同时乘以一个缩放因子

\begin{matrix} (5) & {\begin{matrix} u = \frac{h_{1} x + h_{2} y + h_{3}}{h_{7} x + h_{8} y + h_{9}} \times \frac{s_{x}}{s_{x}} \\ v = \frac{h_{4} x + h_{5} y + h_{6}}{h_{7} x + h_{8} y + h_{9}} \times \frac{s_{y}}{s_{y}} \end{matrix} \end{matrix}

$\left\{\begin{matrix}u= \frac{h_{1}x+h_{2}y+h_{3}}{h_{7}x+h_{8}y+h_{9}}\times \frac{s_{x}}{s_{x}}\\ v=\frac{h_{4}x+h_{5}y+h_{6}}{h_{7}x+h_{8}y+h_{9}}\times \frac{s_{y}}{s_{y}} \end{matrix}\right.\tag5$ 而不影响结果的正确性，因此投影矩阵不是唯一的，矩阵元素可以等比例放缩，故在求解矩阵

H H $H$ 时，未知数只有8个而不是9个，只要为矩阵中任意一非零元素的赋一确定值，其他元素根据比例也就得到了确定的值。通常情况下，我们使用的矩阵是将

h_{9}

$h_{9}$ 的值置为1而得到的，记为

H0=H,whereh9=1 H 0 = H , w h e r e h 9 = 1 $H_{0}=H, where\,h_{9}=1$ 。之所以这么做，是为了使元素

h3 h 3 $h_{3}$ 、

h6 h 6 $h_{6}$ 为

u u $u$ 、

v

$v$ 在

x x $x$ 和

y

$y$ 都取

0 0 $0$ 时的值，这在某些应用场合是有特定意义的。如在相机标定应用中，当

h_{9}

$h_{9}$ 取

1 1 $1$ 时，

h_{3}

$h_{3}$ 、

h6 h 6 $h_{6}$ 为相机图像的主点（光轴与成像平面的交点）坐标，此时

h1 h 1 $h_{1}$ 、

h5 h 5 $h_{5}$ 分别是相机在水平和垂直方向的像素焦距值。
　　从前面的推导可以看出，每提供两个平面上的一对点，即可联立分别基于

x x $x$ 和

y

$y$ 坐标的两个方程，而求投影矩阵

H H $H$ 需要8个约束条件，故需要提供4对点才能求出

H

$H$ 。
　　我们将

(4) ( 4 ) $(4)$ 式写成如下形式

{h 1 x + h 2 y + h 3 - h 7 u x - h 8 u y - h 9 u = 0 h 4 x + h 5 y + h 6 - h 7 v x - h 8 v y - h 9 v = 0 (6)

$\left\{\begin{matrix} h_{1}x+h_{2}y+h_{3}-h_{7}ux-h_{8}uy-h_{9}u=0\\ h_{4}x+h_{5}y+h_{6}-h_{7}vx-h_{8}vy-h_{9}v=0 \end{matrix}\right.\tag6$ 也就是

{X h = 0 Y h = 0 (7)

$\left\{\begin{matrix} \mathbf{Xh}=0\\ \mathbf{Yh}=0 \end{matrix}\right.\tag7$ 其中

{X = (x, y, 1, 0, 0, 0, - u x, - u y, - u) Y = (0, 0, 0, x, y, 1, - v x, - v y, - v) (8)

$\left\{\begin{matrix} \mathbf{X}=\left ( x,\,y,\,1,\,0,\,0,\,0,\,-ux,\,-uy,\,-u \right )\\ \mathbf{Y}=\left ( 0,\,0,\,0,\,x,\,y,\,1,\,-vx,\,-vy,\,-v \right ) \end{matrix}\right.\tag8$

h = (h 1, h 2, h 3, h 4, h 5, h 6, h 7, h 8, h 9) T (9)

$\mathbf{h}=\left ( h_{1},\,h_{2},\,h_{3},\,h_{4},\,h_{5},\,h_{6},\,h_{7},\,h_{8},\,h_{9} \right )^{T}\tag9$ 当有两个平面上的四对点

(xi,yi) ( x i , y i ) $(x_{i},\,y_{i})$ 、

(ui,vi) ( u i , v i ) $(u_{i},\,v_{i})$ ，

(i=1,2,3,4) ( i = 1 , 2 , 3 , 4 ) $(i=1,2,3,4)$ 时，即可得如式

(10) ( 10 ) $(10)$ 所示的方程组

A h = 0 (10)

$A\mathbf{h}=\mathbf{0}\tag{10}$ 其中

A = [X 1 Y 1 X 2 Y 2 X 3 Y 3 X 4 Y 4] T (11)

$A=\begin{bmatrix} \mathbf{X_{1}} & \mathbf{Y_{1}} & \mathbf{X_{2}} & \mathbf{Y_{2}} & \mathbf{X_{3}} & \mathbf{Y_{3}}& \mathbf{X_{4}} & \mathbf{Y_{4}} \end{bmatrix}^{T}\tag{11}$ 为了更直观，下面将

(11) ( 11 ) $(11)$ 式展开

⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ x 1 0 x 2 0 x 3 0 x 4 0 y 1 0 y 2 0 y 3 0 y 4 0 10101010 0 x 1 0 x 2 0 x 3 0 x 4 0 y 1 0 y 2 0 y 3 0 y 4 01010101 - u 1 x 1 - v 1 x 1 - u 2 x 2 - v 2 x 2 - u 3 x 3 - v 3 x 3 - u 4 x 4 - v 4 x 4 - u 1 y 1 - v 1 y 1 - u 2 y 2 - v 2 y 2 - u 3 y 3 - v 3 y 3 - u 4 y 4 - v 4 y 4 - u 1 - v 1 - u 2 - v 2 - u 3 - v 3 - u 4 - v 4 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ h 1 h 2 h 3 h 4 h 5 h 6 h 7 h 8 h 9 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ 00000000 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (12)

$\begin{bmatrix} x_{1} & y_{1} & 1 & 0 & 0 & 0 & -u_{1}x_{1} & -u_{1}y_{1} & -u_{1}\\ 0 & 0 & 0 & x_{1} & y_{1} & 1 & -v_{1}x_{1} & -v_{1}y_{1} & -v_{1}\\ x_{2} & y_{2} & 1 & 0 & 0 & 0 & -u_{2}x_{2} & -u_{2}y_{2} & -u_{2}\\ 0 & 0 & 0 & x_{2} & y_{2} & 1 & -v_{2}x_{2} & -v_{2}y_{2} & -v_{2}\\ x_{3} & y_{3} & 1 & 0 & 0 & 0 & -u_{3}x_{3} & -u_{3}y_{3} & -u_{3}\\ 0 & 0 & 0 & x_{3} & y_{3} & 1 & -v_{3}x_{3} & -v_{3}y_{3} & -v_{3}\\ x_{4} & y_{4} & 1 & 0 & 0 & 0 & -u_{4}x_{4} & -u_{4}y_{4} & -u_{4}\\ 0 & 0 & 0 & x_{4} & y_{4} & 1 & -v_{4}x_{4} & -v_{4}y_{4} & -v_{4} \end{bmatrix} \begin{bmatrix} h_{1}\\h_{2}\\h_{3}\\h_{4}\\h_{5}\\h_{6}\\h_{7}\\h_{8}\\h_{9} \end{bmatrix} =\begin{bmatrix} 0\\0\\0\\0\\0\\0\\0\\0 \end{bmatrix}\tag{12}$ 接下来的任务就是怎么解这个方程了，这个矩阵的解法一般使用奇异值分解。像

(12) ( 12 ) $(12)$ 式这样的方程我们称为齐次方程，与之对应的是非齐次方程，如

A h = b (13)

$A\mathbf{h}=\mathbf{b}\tag{13}$ 其中

b≠0 b ≠ 0 $\mathbf{b}\neq \mathbf{0}$ ，将

(13) ( 13 ) $(13)$ 式与

(10) ( 10 ) $(10)$ 式对比就知道，它们的差别是“常数项”是否为零向量，所以我对“齐次方程”这个概念的理解是，方程只有因变量和自变量而没有常数项，例如

y=kx y = k x $y=kx$ 和

f(x,y)=ax+by f ( x , y ) = a x + b y $f(x,\,y)=ax+by$ 和这种是齐次的，而

y=kx+b y = k x + b $y=kx+b$ 和

f(x,y)=ax+by+c f ( x , y ) = a x + b y + c $f(x,\,y)=ax+by+c$ 是非齐次的。
　　像解

(13) ( 13 ) $(13)$ 式这样的非齐次矩阵方程，可以通过求矩阵

A A $A$ 的伪逆矩阵

A^{- 1}

$A^{-1}$ ，也就是

h = A - 1 A h = A - 1 b (14)

$\mathbf{h}=A^{-1}A\mathbf{h}=A^{-1}\mathbf{b}\tag{14}$ 伪逆矩阵是逆矩阵的广义形式，我们平时说的逆矩阵处理的对象是满秩的方阵，对一个任意非方阵矩阵

M M $M$ ，其大小为

m \times n (m \neq n)

$m \times n\,(m\neq n)$ ，它的伪逆矩阵

M−1 M − 1 $M^{-1}$ 大小为

n×m n × m $n \times m$ ，且

M−1M M − 1 M $M^{-1}M$ 为一个

n×n n × n $n \times n$ 的单位矩阵。
　　如果解

(10) ( 10 ) $(10)$ 式也这么做，结果是

h=0 h = 0 $\mathbf{h}=\mathbf{0}$ ，但这显然不符合条件。于是我们要用到奇异值分解。

2.奇异值分解

　　在线性代数中，奇异值分解（SVD, singular-value decomposition）是实数或复数矩阵的因式分解，它是方阵的特征值分解在非方阵矩阵上的一般化。
　　在介绍SVD之前先温习一下特征值分解的知识。对于一个 $n \times n$ 矩阵 $M$ 和一个 $n$ 维非零向量 $\mathbf{v}$ ，如果有

M v = λ v (15)

$M\mathbf{v}=\lambda \mathbf{v}\tag{15}$ 其中

λ λ $\lambda$ 为一标量，则

λ λ $\lambda$ 为矩阵

M M $M$ 的一个特征值，

v

$\mathbf{v}$ 为

λ λ $\lambda$ 对应的特征向量。若

M M $M$ 有

n

$n$ 个线性无关的特征向量

qi(i=1,2,...,n) q i ( i = 1 , 2 , . . . , n ) $q_{i}(i=1,2,...,n)$ 。这样，

M M $M$ 可以被分解为

\begin{matrix} (16) & M = Q Λ Q^{- 1} \end{matrix}

$M=Q\Lambda Q^{-1}\tag{16}$ 其中

Q Q $Q$ 是

n \times n

$n \times n$ 的方阵，

Λ Λ $\Lambda$ 为对角矩阵，其对角线上的元素即为

M M $M$ 的一系列特征值，即

Λ_{i i} = λ_{i}

$\Lambda_{ii}=\lambda_{i}$ 。
　　而奇异值分解能分解非方阵矩阵，矩阵

A A $A$ 为一

n

$n$ 行

p p $p$ 列矩阵

(n \times p)

$(n \times p)$ ，则SVD可表述为如下式子

A n \times p = U n \times n S n \times p V T p \times p (17)

$A_{n\times p}=U_{n\times n}S_{n\times p}V_{p\times p}^{T}\tag{17}$ 其中

U T U = I n \times n (18)

$U^{T}U=I_{n\times n}\tag{18}$

V T V = I p \times p (19)

$V^{T}V=I_{p\times p}\tag{19}$ 即矩阵

U U $U$ 、

V

$V$ 均为正交矩阵。矩阵

U U $U$ 、

V

$V$ 分别由

n n $n$ 个、

p

$p$ 个互相正交的向量组成，在这里我们关心矩阵

V V $V$ ，有

\begin{matrix} (20) & V = [\begin{matrix} v_{1} & v_{2} & \dots & v_{p} \end{matrix}] \end{matrix}

$V=\begin{bmatrix} \mathbf{v}_{1} & \mathbf{v}_{2} & \cdots & \mathbf{v}_{p} \end{bmatrix}\tag{20}$ 其中对于任意的两个向量

vi v i $\mathbf{v}_{i}$ 、

vj v j $\mathbf{v}_{j}$ 的点积有，

{v i \cdot v j = 0, i \neq j v i \cdot v j \neq 0, i = j (21)

$\left\{\begin{matrix} \mathbf{v}_{i}\cdot \mathbf{v}_{j}=0,\,i\neq j\\ \mathbf{v}_{i}\cdot \mathbf{v}_{j}\neq 0,\,i=j \end{matrix}\right.\tag{21}$ 而矩阵

S S $S$ 由一系列奇异值组成，除在

S_{i i}

$S_{ii}$ 上的奇异值外，其他值都为0，在本应用中被分解的是8行9列矩阵，正常情况下奇异值有8个（

σ1,σ2,⋯,σ8 σ 1 , σ 2 , ⋯ , σ 8 $\sigma_{1},\,\sigma_{2},\,\cdots ,\,\sigma_{8}$ ），非正常情况后文有分析。那么我们在这里就可以说

(10) ( 10 ) $(10)$ 式的解

h h $\mathbf{h}$ 为： 矩阵 $A$ 奇异值分解后 $V$ 矩阵的最后一列向量

vp v p $\mathbf{v}_{p}$ 。
　　这个结论可以很简单地推导如下：

A v p = U n \times n ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ σ 1 0 ⋮ 0 0 σ 2 ⋮ 0 \dots \dots ⋱ \dots 00 ⋮ σ n 00 ⋮ 0 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ v T 1 v T 2 ⋮ v T p ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ v p (22)

$A\mathbf{v}_{p}= U_{n\times n} \begin{bmatrix} \sigma_{1} & 0 & \cdots & 0 & 0\\ 0 & \sigma_{2} & \cdots & 0 & 0\\ \vdots & \vdots & \ddots & \vdots & \vdots\\ 0 & 0 & \cdots & \sigma_{n} & 0 \end{bmatrix} \begin{bmatrix} \mathbf{v}_{1}^{T} \\ \mathbf{v}_{2}^{T} \\ \vdots \\ \mathbf{v}_{p}^{T} \end{bmatrix} \mathbf{v}_{p} \tag{22}$ 根据

(21) ( 21 ) $(21)$ 式，记

vTpvp=C≠0 v p T v p = C ≠ 0 $\mathbf{v}_{p}^{T}\mathbf{v}_{p}=C\neq 0$ ，则有

A v p = U n \times n ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ σ 1 0 ⋮ 0 0 σ 2 ⋮ 0 \dots \dots ⋱ \dots 00 ⋮ σ n 00 ⋮ 0 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ 00 ⋮ C ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ (23)

$A\mathbf{v}_{p}= U_{n\times n} \begin{bmatrix} \sigma_{1} & 0 & \cdots & 0 & 0\\ 0 & \sigma_{2} & \cdots & 0 & 0\\ \vdots & \vdots & \ddots & \vdots & \vdots\\ 0 & 0 & \cdots & \sigma_{n} & 0 \end{bmatrix} \begin{bmatrix} 0 \\ 0 \\ \vdots \\ C \end{bmatrix}\tag{23}$ 又因为矩阵

Λ Λ $\Lambda$ 最后一列为全0，故式

(22) ( 22 ) $(22)$ 的值为

0 0 $0$ ，也就是

\begin{matrix} (24) & h = s v_{p} \end{matrix}

$\mathbf{h}=s\mathbf{v}_{p}\tag{24}$ 其中

s s $s$ 是一个非零的缩放因子，我们一般取

s

$s$ 的值为

s=1/vpp s = 1 / v p p $s=1/v_{pp}$ 即令

h9=1 h 9 = 1 $h_{9}=1$ ，按照前文所述

h 0 = 1 v p p v p (25)

$\mathbf{h}_{0}=\frac{1}{v_{pp}}\mathbf{v}_{p}\tag{25}$ 　　矩阵

A A $A$ 的奇异值不可能多于

k = m i n (n, p)

$k=min(n,\,p)$ ，而奇异值个数可能少于

k k $k$ ，当

A

$A$ 中8个约束有误或约束之间线性相关时发生，比如三点共线的情况，或同一点

(x,y) ( x , y ) $(x,\,y)$ 对应不同的

(u,v) ( u , v ) $(u,\,v)$ 。

3.SVD计算过程

　　为了更理解SVD是怎么解出来的，我们举一个例子作为说明。有 $4\times 2$ 矩阵 $A$

\begin{matrix} (26) & A = [\begin{matrix} 2 & 4 \\ 1 & 3 \\ 0 & 0 \\ 0 & 0 \end{matrix}] \end{matrix}

$A=\begin{bmatrix} 2 & 4\\ 1 & 3\\ 0 & 0\\ 0 & 0 \end{bmatrix}\tag{26}$ 接下来我们分别找矩阵

AAT A A T $AA^{T}$ 、

ATA A T A $A^{T}A$ 的特征值，其中

AAT A A T $AA^{T}$ 矩阵的特征向量组成了

(17) ( 17 ) $(17)$ 式中的

U U $U$ ，矩阵

A^{T} A

$A^{T}A$ 的特征向量组成了

V V $V$ ，两个矩阵的特征值的平方根组成了

S

$S$ 中的奇异值。

A A T = ⎡ ⎣ ⎢ ⎢ ⎢ 21004300 ⎤ ⎦ ⎥ ⎥ ⎥ [21430000] = ⎡ ⎣ ⎢ ⎢ ⎢ 20140014100000000000 ⎤ ⎦ ⎥ ⎥ ⎥ = M (27)

$AA^{T}=\begin{bmatrix} 2 & 4\\ 1 & 3\\ 0 & 0\\ 0 & 0 \end{bmatrix} \begin{bmatrix} 2 & 4 & 0 & 0\\ 1 & 3 & 0 & 0 \end{bmatrix}=\begin{bmatrix} 20 & 14 & 0 & 0\\ 14 & 10 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 \end{bmatrix}=M\tag{27}$ 矩阵

M M $M$ 的特征值

λ

$\lambda$ 满足

(15) ( 15 ) $(15)$ 式，则

(M - λ I) v = 0 (28)

$(M-\lambda I)\mathbf{v} = \mathbf{0}\tag{28}$ 展开得

⎡ ⎣ ⎢ ⎢ ⎢ 20 - λ 1400 14 10 - λ 00 00 - λ 0 000 - λ ⎤ ⎦ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ v 1 v 2 v 3 v 4 ⎤ ⎦ ⎥ ⎥ ⎥ = (M - λ I) v = 0 (29)

$\begin{bmatrix} 20 -\lambda & 14 & 0 & 0\\ 14 & 10-\lambda & 0 & 0\\ 0 & 0 & -\lambda & 0\\ 0 & 0 & 0 & -\lambda \end{bmatrix} \begin{bmatrix} v_{1}\\ v_{2}\\ v_{3}\\ v_{4} \end{bmatrix} =(M-\lambda I)\mathbf{v} =\mathbf{0}\tag{29}$ 因为特征向量为非零向量

(v≠0) ( v ≠ 0 ) $(\mathbf{v}\neq \mathbf{0})$ ，故有

| M - λ I | = 0 (30)

$| M-\lambda I |=0\tag{30}$ 也就是

λ 2 [(20 - λ) (10 - λ) - 142] = 0 (31)

$\lambda^{2}[(20-\lambda)(10-\lambda)-14^{2}]=0\tag{31}$ 解得，

λ1=29.8661 λ 1 = 29.8661 $\lambda_{1}=29.8661$ ，

λ2=0.1339 λ 2 = 0.1339 $\lambda_{2}=0.1339$ ，

λ3=0 λ 3 = 0 $\lambda_{3}=0$ ，

λ4=0 λ 4 = 0 $\lambda_{4}=0$ 。将求得的特征值分别代入

(28) ( 28 ) $(28)$ 式，如代入

λ1=29.8661 λ 1 = 29.8661 $\lambda_{1}=29.8661$ ，得

⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ - 9.8661 v 1 + 14 v 2 = 0 14 v 1 - 19.8661 v 2 = 0 - 29.8661 v 3 = 0 - 29.8661 v 4 = 0 (32)

$\left\{\begin{matrix} -9.8661v_{1}+14v_{2}=0\\ 14v_{1}-19.8661v_{2}=0\\ -29.8661v_{3}=0\\ -29.8661v_{4}=0 \end{matrix}\right.\tag{32}$ 可得

⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ v 1 = 0.8174 v 2 = 0.5760 v 3 = 0 v 4 = 0 (33)

$\left\{\begin{matrix} v_{1}=0.8174\\ v_{2}=0.5760\\ v_{3}=0\\ v_{4}=0 \end{matrix}\right.\tag{33}$ 　　当

λ λ $\lambda$ 取上述四个值之一时，矩阵

(M−λI) ( M − λ I ) $(M-\lambda I)$ 是非满秩的，否则其行列式的值不会为0，当代入

λ1 λ 1 $\lambda_{1}$ 时第三行和第四行与其他行都线性无关，所以第一行和第二行必定线性相关，故

(32) ( 32 ) $(32)$ 式中，前两个方程是一样的，只需考虑其中一个方程即可。同理，代入其他特征值，可得其他三个特征向量，他们一起组成了左特征矩阵

U U $U$ ：

\begin{matrix} (34) & U = [\begin{matrix} 0.8174 & - 0.5760 & 0 & 0 \\ 0.5760 & 0.8174 & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{matrix}] \end{matrix}

$U=\begin{bmatrix} 0.8174 & -0.5760 & 0 & 0\\ 0.5760 & 0.8174 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}\tag{34}$ 接下来计算右特征矩阵

V V $V$ ，它由

A^{T} A

$A^{T}A$ 的特征向量组成

A T A = [24130000] ⎡ ⎣ ⎢ ⎢ ⎢ 21004300 ⎤ ⎦ ⎥ ⎥ ⎥ = [5111125] (35)

$A^{T}A=\begin{bmatrix} 2 & 1 & 0 & 0\\ 4 & 3 & 0 & 0 \end{bmatrix} \begin{bmatrix} 2 & 4\\ 1 & 3\\ 0 & 0\\ 0 & 0 \end{bmatrix}= \begin{bmatrix} 5 & 11\\ 11 & 25 \end{bmatrix}\tag{35}$ 计算发现

ATA A T A $A^{T}A$ 的特征值也为

λ1=29.8661 λ 1 = 29.8661 $\lambda_{1}=29.8661$ ，

λ2=0.1339 λ 2 = 0.1339 $\lambda_{2}=0.1339$ ，对应的特征向量组成右特征矩阵

V V $V$ ：

\begin{matrix} (36) & V = [\begin{matrix} 0.4046 & - 0.9145 \\ 0.9145 & 0.4046 \end{matrix}] \end{matrix}

$V=\begin{bmatrix} 0.4046 & -0.9145\\ 0.9145 & 0.4046 \end{bmatrix}\tag{36}$ 因为奇异值为两组特征值的平方根，故

S = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ 29.8661 - - - - - - \sqrt 000 0 0.1339 - - - - - \sqrt 00 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ = ⎡ ⎣ ⎢ ⎢ ⎢ 5.4650 000 0 0.3660 00 ⎤ ⎦ ⎥ ⎥ ⎥ (37)

$S=\begin{bmatrix} \sqrt{29.8661} & 0\\ 0 & \sqrt{0.1339}\\ 0 & 0\\ 0 & 0 \end{bmatrix}= \begin{bmatrix} 5.4650 & 0\\ 0 & 0.3660\\ 0 & 0\\ 0 & 0 \end{bmatrix}\tag{37}$ 　　故特征值的分解结果如下

⎡ ⎣ ⎢ ⎢ ⎢ 21004300 ⎤ ⎦ ⎥ ⎥ ⎥ = ⎡ ⎣ ⎢ ⎢ ⎢ 0.8174 0.5760 00 - 0.5760 0.8174 00 00100001 ⎤ ⎦ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ 5.4650 000 0 0.3660 00 ⎤ ⎦ ⎥ ⎥ ⎥ [0.4046 0.9145 - 0.9145 0.4046] T (38)

$\begin{bmatrix} 2 & 4\\ 1 & 3\\ 0 & 0\\ 0 & 0 \end{bmatrix}= \begin{bmatrix} 0.8174 & -0.5760 & 0 & 0\\ 0.5760 & 0.8174 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} 5.4650 & 0\\ 0 & 0.3660\\ 0 & 0\\ 0 & 0 \end{bmatrix} \begin{bmatrix} 0.4046 & -0.9145\\ 0.9145 & 0.4046 \end{bmatrix}^{T}\tag{38}$ 　　当然更快的办法是先求出右特征矩阵

V V $V$ ，然后左特征矩阵中的每个列向量都可以根据下式计算

\begin{matrix} (39) & u_{i} = \frac{1}{σ_{i}} A v_{i} \end{matrix}

$\mathbf{u}_{i}=\frac{1}{\sigma_{i}}A\mathbf{v}_{i}\tag{39}$ 其中

σi σ i $\sigma_{i}$ 为奇异值。
　　
　　
注：关于奇异值分解的求解过程，参照了
http://web.mit.edu/be.400/www/SVD/Singular_Value_Decomposition.htm
https://blog.csdn.net/shenziheng1/article/details/52916278

Mr. Lee

关注

24
点赞
踩
79

收藏

觉得还不错? 一键收藏
4
评论
通过奇异值分解（SVD）求解透视变换单应性矩阵

1. 建立坐标对与投影矩阵的方程　　在机器视觉领域，常常会使用单应性矩阵对图像进行透视变换以达到矫正畸变图形的目的。平面的单应性在这里被定义为，从一个平面到另一个平面的投影映射，通过数学表达式描述即，一个平面上的点p0(x,y)p0(x,y)p_{0}(x, y)与投影矩阵HHH相乘，结果为另一个平面上对应点p′(u,v)p′(u,v)p{}'(u, v)，用齐次矩阵表达即为：⎡⎣⎢u′v′w...
复制链接

扫一扫