机器视觉数学基础—矩阵分析（1）

0.导语

图像是由像素构成，而像素的本质其实就是多维矩阵，对图像进行处理、识别的本质就是矩阵的变换运算。在三维视觉中涉及到几何空间，几何空间与矩阵也有着深刻的联系。因此了解矩阵变得十分重要。本文重点在于解释清楚 “线性空间（向量空间）”、“基与坐标”、“矩阵” 几个概念与其内在联系。

1.线性空间

“通常的运算法则”：
△理解：线性空间概念就是非空集合V与数域F满足加法和数乘法，并且满足8条运算法则，则称V为F上的线性空间，也称向量空间。V中的元素也称为向量。

1.1.标准线性空间

△理解：这里讲述了线性空间可以用向量组进行表达。

1.2.几何空间作为线性空间

△理解：这里讲述了几何空间可以用线性空间进行描述，从笛卡尔几何坐标模型转化为线性空间用向量进行描述。正是因为这个例子, 人们将任意线性空间中的元素也称为向量, 线性空间也称为向量空间.

1.3.向量组

1.3.1.定义：向量组及向量组拼成的抽象矩阵

1.3.2.向量组的线性相关与线性无关

△理解：这里讲述将向量组的线性相关性可以用矩阵表达.

1.3.3.两个向量组之间的线性表示关系