opencv2.4中SVD分解的幾種調用方法

本文轉載自查看原文 2013-12-02 21:57 7833 OpenCV/ 轉貼

原帖地址：

http://blog.sina.com.cn/s/blog_6109b5d00101ag7a.html

在攝影測量和計算機視覺中，考慮最優解問題時，經常要用到SVD分解。奇異值分解 (singular value decomposition,SVD) 是一種可靠地正交矩陣分解法，但它比QR分解法要花上近十倍的計算時間。在matlab中，[U,S,V]=svd(A)，其中U和V代表二個相互正交矩陣，而S代表一對角矩陣。和QR分解法相同者，原矩陣A不必為正方矩陣。使用SVD分解法的用途是解最小平方誤差法和數據壓縮。

下面是最近在使用opencv2.4.2中的SVD分解法解方程時總結的幾點：

// svd分解的四種調用方法：

//cout<<"A=\n"<<A<<endl; Mat U;

//=Mat(2*num,2*num,CV_64F);

Mat S=Mat(12,1,CV_64F);

Mat VT=Mat(12,12,CV_64F); // 注意：opencv中解得的是V的轉置，matlab得到的直接是V

// 方式1

// SVD thissvd;

// thissvd.compute(A,S,U,VT,SVD::FULL_UV); // FULL_UV表示把U和VT補充稱單位正交方陣，實際不是;

// 方式2

// SVD thissvd(A,SVD::FULL_UV);

// U=thissvd.u;