C++线性代数库Eigen简明教程

最新推荐文章于 2024-06-03 22:14:19 发布
最新推荐文章于 2024-06-03 22:14:19 发布
阅读量2.1k 收藏 13
点赞数 1
分类专栏： C++ 文章标签： c++ 线性代数 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_49300040/article/details/134753681
版权

线性代数在3D游戏建模、深度学习、机器人工程、视频图像处理、航空航天等领域都有着举足轻重的位置。在使用C++编程时，如果从零编写矩阵的乘法、求逆、求特征值等运算，将会是件很麻烦的事情。而且，不管是从计算正确性，还是从效率方面都很难得到保障。因此，成熟稳定的线性代数库显得尤为重要。

Eigen是线性代数的C++模板库，它包含矩阵、向量、四元数、数值求解器和相关算法，其拥有良好的稳定性和计算效率，是我们搭建C++工程研究算法的必备利器。

目录

一、向量

1.1初始化

1.2二范数

1.3点积

1.4叉积

二、矩阵

2.1单位矩阵

2.2矩阵的迹

2.3转置

2.4块操作

2.5乘法

2.6求逆

2.7特征值

2.8特征向量

三、四元数 

3.1初始化

3.2旋转矩阵

四、调试技巧 

4.1向量的调试

4.2矩阵的调试

五、整体代码 

 

通过官网下载，然后解压到自己指定的目录即可。在进行VS工程配置时，只需要如下图那样包含Eigen库所在目录即可。

右击工程名——》属性——》VC++目录——》常规——》包含目录

一、向量

常用的向量类型有 Vector3d Vector4d VectorXd VectorXcd等。其中VectorXd 表示实数向量，VectorXcd 表示复数向量，前者应用在许多科学计算和工程中，如物理模拟、信号处理等，后者在需要处理复数时应用，如电磁学、量子物理等。

1.1初始化

Vector3d v3d_a = { 1,2,3 };
cout << "Vector3d构造一：\n" << v3d_a << endl;
Vector3d v3d_b;
v3d_b << 4, 5, 6;
cout << "Vector3d构造二：\n" << v3d_b << endl;

Vector4d v4d = { 1.1,2.2,3.3,4.4 };
cout << "Vector4d：\n" << v4d << endl;
VectorXd vxd(8); //这里一定要指定向量长度，否则报错！
vxd << 3, 1, 4, 1, 5, 9, 2, 6;
cout << "VectorXd：\n" << vxd << endl;

VectorXcd xcd(3, 1);
xcd.setZero();
xcd[0]._Val[0] = 1.2;
xcd[2]._Val[1] = 1.3;
cout << "VectorXcd：\n" << xcd << endl;
cout << "VectorXcd real：\n" << xcd.real() << endl;

1.2二范数

Vector3d v3d_a = { 1,2,3 };
cout << "二范数：\n" << v3d_a.norm() << endl;

1.3点积

Vector3d v3d_a = { 1,2,3 };
Vector3d v3d_b;
v3d_b << 4, 5, 6;
cout << "点积：\n" << v3d_a.dot(v3d_b) << endl;

1.4叉积

Vector3d v3d_a = { 1,2,3 };
Vector3d v3d_b;
v3d_b << 4, 5, 6;
cout << "叉积：\n" << v3d_a.cross(v3d_b) << endl;

二、矩阵

2.1单位矩阵

MatrixXd I = MatrixXd::Identity(4, 4);
cout << "单位矩阵：\n" << I << endl;

2.2矩阵的迹

MatrixXd MatA(3, 3);
MatA << 1, 2, 3,
        4, 5, 6,
        7, 8, 9;
cout << "矩阵的迹：\n" << MatA.trace() << endl;

2.3转置

cout << "矩阵的转置：\n" << MatA.transpose() << endl;

2.4块操作

大小为 (p,q), 起始于 (i,j)的块

动态大小的块表达式 matrix.block(i,j,p,q);

固定大小的块表达式matrix.block<p,q>(i,j);

二者区别是，固定大小的版本会在块比较小的时候快一点，但要求块大小在编译的时候就知道。

MatrixXd MatB(3, 3);
Vector3d va = { 0.1,0.4,0.7 };
Vector3d vb = { 0.2,0.5,0.8 };
Vector3d vc = { 0.3,0.6,0.9 };
MatB.block<3, 1>(0, 0) = va; //固定 从0编码，以0，0为起点，存入3行1列的向量
MatB.block(0, 1, 3, 1) = vb; //动态 从0编码，以0，1为起点，存入3行1列的向量
MatB.block<3, 1>(0, 2) = vc;
cout << "块操作：\n" << MatB << endl;

2.5乘法

cout << "矩阵乘法：\n" << MatA * MatB << endl;

2.6求逆

MatrixXd MatC(3, 3);
MatC << 1, 2, 3,
2, 5, 6,
3, 4, 8;
cout << "矩阵求逆：\n" << MatC.inverse() << endl;

2.7特征值

MatrixXd K(4, 4);
K << -0.504129, 0.0190935, -0.836998, -0.137961,
0.0190935, -0.534845, 0.114843, -0.813407,
-0.836998, 0.114843, 0.526649, -0.0167767,
-0.137961, -0.813407, -0.0167767, 0.512325;
VectorXd eigVals = K.eigenvalues().real();
cout << "特征值：\n" << eigVals << endl;

2.8特征向量

// 求解矩阵的最大特征值和对应特征向量
EigenSolver<MatrixXd> es(K);
MatrixXcd eigenvectors = es.eigenvectors();
int index_of_max = MaxElementIndex(eigVals); // 找到最大特征值对应的下标
VectorXcd max_eigenvector = eigenvectors.col(index_of_max);
Vector4d vec4 = max_eigenvector.real();
cout << "最大特征值对应的特征向量：\n" << vec4 << endl;

三、四元数 

3.1初始化

Quaterniond q(4, 1, 2, 3);//要注意Eigen中四元数赋值的顺序，实数w在首；
cout << "四元数：\n" << q << endl; //但是实际上它的内部存储顺序是[x y z w]
cout << q.w() << " " << q.x() << " " << q.y() << " " << q.z() << endl; //单个取值

3.2旋转矩阵

q = vec4;
cout << "旋转矩阵：\n" << q.toRotationMatrix() << endl; //将四元数转换为旋转矩阵

四、调试技巧 

在用VS断点调试一般变量时，只需要鼠标悬停在变量上即可看见变量值，但由于矩阵和向量都是一个抽象对象，若要观察其具体变量就需要使用“快速监视“窗口，并且编辑表达式，使数据内容完全展开。

4.1向量的调试

双击选中变量

Shift+F9

一直展开到array，就可以看见向量全部内容

4.2矩阵的调试

同理，选中变量，Shift+F9，打开快速监视

此时展开到m_data变量，发现只能看到一个数值，这是因为该变量是个double指针类型

为了观察整个矩阵，在表达式栏，输入”,16”，表示展开指针后面16个数值，如下

敲击两次回车

认真比对存储顺序发现——矩阵元素存储按列依次排列，而非按行依次排列！

五、整体代码 

#include <iostream>
#include <Eigen/Core>
#include <Eigen/Geometry>
#include <Eigen/Eigenvalues>
#include <Eigen/Dense>

using namespace std;
using namespace Eigen;

int MaxElementIndex(VectorXd v)
{
	int index = 0;
	for (int i = 1; i < v.size(); i++)
	{
		if (v(index) < v(i))
		{
			index = i;
		}
	}
	return index;
}

int main()
{
	Vector3d v3d_a = { 1,2,3 };
	cout << "Vector3d构造一：\n" << v3d_a << endl;
	Vector3d v3d_b;
	v3d_b << 4, 5, 6;
	cout << "Vector3d构造二：\n" << v3d_b << endl;

	cout << "二范数：\n" << v3d_a.norm() << endl;
	cout << "点积：\n" << v3d_a.dot(v3d_b) << endl;
	cout << "叉积：\n" << v3d_a.cross(v3d_b) << endl;

	Vector4d v4d = { 1.1,2.2,3.3,4.4 };
	cout << "Vector4d：\n" << v4d << endl;

	VectorXd vxd(8); //这里一定要指定向量长度，否则报错！
	vxd << 3, 1, 4, 1, 5, 9, 2, 6;
	cout << "VectorXd：\n" << vxd << endl;

	VectorXcd xcd(3, 1);
	xcd.setZero();
	xcd[0]._Val[0] = 1.2;
	xcd[2]._Val[1] = 1.3;
	cout << "VectorXcd：\n" << xcd << endl;
	cout << "VectorXcd real：\n" << xcd.real() << endl;

	MatrixXd I = MatrixXd::Identity(4, 4);
	cout << "单位矩阵：\n" << I << endl;
	MatrixXd MatA(3, 3);
	MatA << 1, 2, 3,
		4, 5, 6,
		7, 8, 9;
	cout << "矩阵的迹：\n" << MatA.trace() << endl;
	cout << "矩阵的转置：\n" << MatA.transpose() << endl;

	MatrixXd MatB(3, 3);
	Vector3d va = { 0.1,0.4,0.7 };
	Vector3d vb = { 0.2,0.5,0.8 };
	Vector3d vc = { 0.3,0.6,0.9 };
	MatB.block<3, 1>(0, 0) = va; //固定 从0编码，以0，0为起点，存入3行1列的向量
	MatB.block(0, 1, 3, 1) = vb; //动态 从0编码，以0，1为起点，存入3行1列的向量
	MatB.block<3, 1>(0, 2) = vc;
	cout << "块操作：\n" << MatB << endl;
	cout << "矩阵乘法：\n" << MatA * MatB << endl;

	MatrixXd MatC(3, 3);
	MatC << 1, 2, 3,
		2, 5, 6,
		3, 4, 8;
	cout << "矩阵求逆：\n" << MatC.inverse() << endl;

	MatrixXd K(4, 4);
	K << -0.504129, 0.0190935, -0.836998, -0.137961,
		0.0190935, -0.534845, 0.114843, -0.813407,
		-0.836998, 0.114843, 0.526649, -0.0167767,
		-0.137961, -0.813407, -0.0167767, 0.512325;
	VectorXd eigVals = K.eigenvalues().real();
	cout << "特征值：\n" << eigVals << endl;

	// 求解矩阵的最大特征值和对应特征向量
	EigenSolver<MatrixXd> es(K);
	MatrixXcd eigenvectors = es.eigenvectors();
	int index_of_max = MaxElementIndex(eigVals); // 找到最大特征值对应的下标
	VectorXcd max_eigenvector = eigenvectors.col(index_of_max);
	Vector4d vec4 = max_eigenvector.real();
	cout << "最大特征值对应的特征向量：\n" << vec4 << endl;

	Quaterniond q(4, 1, 2, 3);//要注意Eigen中四元数赋值的顺序，实数w在首；
	cout << "四元数：\n" << q << endl; //但是实际上它的内部存储顺序是[x y z w]
	cout << q.w() << " " << q.x() << " " << q.y() << " " << q.z() << endl; //单个取值
	q = vec4;
	cout << "旋转矩阵：\n" << q.toRotationMatrix() << endl; //将四元数转换为旋转矩阵
}

蚕与禅
关注
  • 1
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Eigen——C++矩阵运算库
weixin_42040046的博客
11-28 9556
Eigen——C++矩阵运算库Eigen是什么？下载配置使用参考 Eigen是什么？ Eigen是一个基于C++模板的开源库，支持线性代数，矩阵和矢量运算，数值分析及其相关的算法。 下载配置 官网：Eigen官网，下载解压缩可以重命名为eigen3，在项目——属性——C/C++——常规——附加包含目录添加该库位置就好了。 图文详细：vs2013配置Eigen库 使用 注：Eigen使用源代码方式...
c++实现线性代数矩阵行简化
MrTinTin的博客
01-27 4616
输入一个矩阵，可分别输出该矩阵的阶梯型和最简型。 输入仅支持整数，支持分数形式输出。 妈妈再也不用担心俺的线性代数作业～ 使用实例： (实现格式化输出部分写的极为丑陋......) #include<iostream> #include<cmath> #include<algorithm> #include<iomanip> #...
Eigen库完全教程——从入门到入魂
qq_45545158的博客
10-25 6809
eigen库是C++中的线性代数库，实现了线性代数以及矩阵分析中所有计算方法。既然已经要学eigen库了，想必，线性代数的基本知识肯定是有的。如果你是做三维重建的，那么这个库必学。
笔记93：关于 C++ 中的 Eigen 库
最新发布
weixin_44063383的博客
06-03 576
Eigen::Vector2d x(1,2) // 2维向量Eigen::Vector3d x(1,2,3) // 3维向量Eigen::VectorXd x(n) // 自定义n维向量Eigen::Matrix2d mat // 2维矩阵Eigen::Matrix3d mat // 3维矩阵Eigen::Matrix4d mat // 4维矩阵Eigen::MatrixXd mat(m,n) // 自定义m行，n列矩阵// 自定义m行，n列矩阵。
eigen库使用教程，使用说明文档
05-31
eigen库使用教程，使用说明文档
Eigen 库入门教程
m0_46611008的博客
11-26 3625
其中需要注意的是 MatrixXf::Zero(m, n) 以及 MatrixXf::Identity(m, n),分别代表全0矩阵和对角线为1的矩阵。Eigen库对于很多需要做SLAM、图像、自动驾驶等方向的人肯定不陌生非常值得学习，本文将整理一些Eigen库的使用教程供初学者能够快速熟悉并入门。Eigen库最显著的特点是，使用时只需要包含头文件即可（它是纯用头文件搭建起来的库），不需要链接库。那么上面写的 Dense是最常用的，我们包含的时候如何选择呢？表征，对于一维和二维的数组，则由模板。
PCL/Eigen的简单使用
生如的博客
09-20 3830
点云的基本数据结构 PCL学习笔记->基本用法4(使用一个矩阵转换点云) Eigen的介绍及简单使用 （详细请点链接进入） Eigen的下载与安装，可参考下面两个博客： http://blog.csdn.net/hjx_1000/article/details/8477522 或者：http://blog.csdn.net/abcjennifer/article/details/778193...
Eigen库的基本使用说明
热门推荐
主要学习关于图像处理和SLAM领域
03-13 1万+
Eigen是基于线性代数的C ++模板库，主要用于矩阵，向量，数值求解器和相关算法。Ceres,G2O等项目均是基于Eigen。 1.支持整数、浮点数、复数，使用模板编程，可以为特殊的数据结构提供矩阵操作。 2.支持逐元素、分块、和整体的矩阵操作。 3.支持使用Intel MKL加速部分功能。 4.支持多线程稀疏矩阵支持良好， 5.支持常用几何运算，包括旋转矩阵、四元数、矩阵变换、角轴等等。OpenCV自带到Eigen的接口。 Eigen是基于线性代数的C ++模板库，主要用于矩阵，向量，数值求
Eigen库的主要函数及用法
scott198512的博客
10-27 5863
Eigen矩阵运算主要函数
C++之线性表
的博客
10-24 369
线性表的合并 7-1 线性表的合并 (40 分) 求解一般集合的并集问题。 已知两个集合A和B，现要求一个新的集合A=AUB。例如，设 A=(7,5,3,11) B=(2,6,3) 合并后 A=(7,5,3,11,2,6) #include <iostream> #include <cstdlib> using namespace std; #define MaxSize 100 typedef int ElemType; typedef struct { ElemT
c++线性代数-二阶行列式
03-04
在C++中，可以使用标准模板库(STL)的容器，如`vector`，或者更专业的库，如Eigen，Blas，Lapack等，来进行更复杂的线性代数运算。这些库提供了高效的矩阵运算接口，包括计算更高阶行列式、求解线性系统、特征值分解...
C++ Eigen库的下载配置和使用
03-07
一、Eigen 介绍 二、Eigen 的下载 三、Eigen 的配置 3.1 在 Qt 下配置 3.2 在 Visual Studio (VS) 下配置 四、Eigen 的使用 4.1 矩阵和向量的初始化 4.2 矩阵元素的赋值 4.3 矩阵元素的访问 4.4 获取矩阵大小 4.5 ...
EigenDemon_matrix_矩阵运算库_线性代数_数学函数库_eigen_
10-02
总的来说，Eigen是一个强大且灵活的线性代数库，无论是学术研究还是工业应用，都能提供便捷且高效的解决方案。通过深入学习和实践，你将能够充分利用Eigen来解决各种涉及矩阵运算和线性代数的问题。
线性代数C++模板库 Eigen 3.1.1 的CHM文档(自制)
01-06
Eigen是C++编程中一个广泛使用的线性代数库，专为高效计算和方便使用而设计。这个"线性代数C++模板库 Eigen 3.1.1 的CHM文档(自制)"提供了关于该库的详细信息，帮助开发者更好地理解和应用这个强大的工具。 Eigen库...
利用Eigen实现线性优化拟合器
02-21
今天我将与大家分享一个非常强大且高效的线性优化拟合器实现方法，利用了C++中著名的开源线性代数库Eigen。 线性优化拟合器是一种广泛应用于数据建模和预测的技术，它可以通过拟合一组线性约束条件来找到最佳的模型...
Eigen库的介绍
weixin_45807759的博客
10-09 2297
Eigen库的介绍
Eigen库学习（一）
qq_43575504的博客
04-07 1139
对Eigen库学习的简单记录，主要方便自己以后查询
C++学习笔记——Eigen模块（用于矩阵运算）
starvapour的博客
12-17 8938
C++学习笔记——Eigen模块（用于矩阵运算）1. 运行环境2. 基本矩阵操作3. 矩阵的特殊计算4. 求解矩阵方程 Eigen模块（用于矩阵运算） 个人理解应该类似python的numpy模块，提供了大量用于矩阵运算的库函数。 参考书籍：《视觉SLAM十四讲-从理论到实践》——高翔 1. 运行环境 运行时需要在CMakeLists.txt中加入： include_directories("/usr/include/eigen3") 然后在cpp中加入代码： #include <Eigen/Cor
Eigen学习教程(一)
无人驾驶好难啊啊啊的博客
04-19 5738
Eigen学习教程 1.Eigen介绍 Eigen是一个用于线性代数的C++模板库：矩阵、向量、数值求解器和相关算法。他可以很方便的植入到C++的程序，然后在矩阵计算中有着很广泛的应用。 本教程按照官方教程进行组织，主要内容如下： 稠密矩阵与数组操作 稠密线性问题与分解 稀疏线性代数 几何学 2. 稠密矩阵与数组操作 2.1 矩阵类 Eigen中的matrix和vector底层采用Matrix<>模板类表示，因为向量是特殊的矩阵，例如行向量是一行多列，列向量是一列多行。 Matrix<
安装C++库Eigen
05-18
Eigen是一个开源的C++模板库，用于线性代数运算，包括矩阵、向量、数组和矩阵分解等。它的安装非常简单，只需要下载并解压缩源代码，然后将其包含在你的项目中即可。 以下是在Ubuntu系统上安装Eigen的步骤： 1. 打开终端并输入以下命令下载Eigen： ``` sudo apt-get install libeigen3-dev ``` 2. 等待安装完成后，你就可以在你的C++项目中使用Eigen库了。只需要在你的代码中包含Eigen头文件即可： ```c++ #include <Eigen/Dense> ``` 现在你就可以使用Eigen库中的各种矩阵和向量类了。例如，以下代码创建一个3x3的矩阵并将其打印出来： ```c++ #include <iostream> #include <Eigen/Dense> using namespace Eigen; using namespace std; int main() { Matrix3f A; A << 1, 2, 3, 4, 5, 6, 7, 8, 9; cout << A << endl; return 0; } ``` 输出结果为： ``` 1 2 3 4 5 6 7 8 9 ``` 希望这能帮助你安装Eigen库并开始使用它来进行线性代数运算。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值