Eigen基本使⽤⽅法Eigen中矩阵的定义
#include <Eigen/Dense> // 基本函数只需要包含这个头⽂件
Matrix<double, 3, 3> A; // 固定了⾏数和列数的矩阵和Matrix3d⼀致.
Matrix<double, 3, Dynamic> B; // 固定⾏数.
Matrix<double, Dynamic, Dynamic> C; // 和MatrixXd⼀致.
Matrix<double, 3, 3, RowMajor> E; // 按⾏存储; 默认按列存储.
Matrix3f P, Q, R; // 3x3 float 矩阵.
Vector3f x, y, z; // 3x1 float 列向量.
RowVector3f a, b, c; // 1x3 float ⾏向量.
VectorXd v; // 动态长度double型列向量
// Eigen // Matlab // comments
x.size() // length(x) // 向量长度
x(i) // x(i+1) // 下标0开始
C(i,j) // C(i+1,j+1) //
Eigen 中矩阵的基本使⽤⽅法
A << 1, 2, 3, // Initialize A. The elements can also be
4, 5, 6, // matrices, which are stacked along cols
7, 8, 9; // and then the rows are stacked.
B << A, A, A; // B is three horizontally stacked A's. 三⾏A
A.fill(10); // Fill A with all 10's. 全10
Eigen 特殊矩阵⽣成
// Eigen // Matlab
MatrixXd::Identity(rows,cols) // eye(rows,cols) 单位矩阵
C.setIdentity(rows,cols) // C = eye(rows,cols) 单位矩阵
MatrixXd::Zero(rows,cols) // zeros(rows,cols) 零矩阵
C.setZero(rows,cols) // C = ones(rows,cols) 零矩阵
MatrixXd::Ones(rows,cols) // ones(rows,cols)全⼀矩阵
C.setOnes(rows,cols) // C = ones(rows,cols)全⼀矩阵
MatrixXd::Random(rows,cols) // rand(rows,cols)*2-1 // 元素随机在-1->1
C.setRandom(rows,cols) // C = rand(rows,cols)*2-1 同上
VectorXd::LinSpaced(size,low,high) // linspace(low,high,size)'线性分布的数组
v.setLinSpaced(size,low,high) // v = linspace(low,high,size)'线性分布的数组
Eigen 矩阵分块
// Eigen // Matlab
x.head(n) // x(1:n) ⽤于数组提取前n个[vector]
x.head<n>() // x(1:n) 同理
x.tail(n) // x(end - n + 1: end)同理
x.tail<n>() // x(end - n + 1: end)同理
x.segment(i, n) // x(i+1 : i+n)同理
x.segment<n>(i) // x(i+1 : i+n)同理
P.block(i, j, rows, cols) // P(i+1 : i+rows, j+1 : j+cols)i,j开始，rows⾏cols列
P.block<rows, cols>(i, j) // P(i+1 : i+rows, j+1 : j+cols)i,j开始，rows⾏cols列
P.leftCols<cols>() // P(:, 1:cols)左边cols列
P.leftCols(cols) // P(:, 1:cols)左边cols列
P.middleCols<cols>(j) // P(:, j+1:j+cols)中间从j数cols列
P.middleCols(j, cols) // P(:, j+1:j+cols)中间从j数cols列
P.rightCols<cols>() // P(:, end-cols+1:end)右边cols列
P.rightCols(cols) // P(:, end-cols+1:end)右边cols列
P.middleRows<rows>(i) // P(i+1:i+rows, :)同列
P.middleRows(i, rows) // P(i+1:i+rows, :)同列
P.bottomRows<rows>() // P(end-rows+1:end, :)同列
P.bottomRows(rows) // P(end-rows+1:end, :)同列
P.bottomLeftCorner(rows, cols) // P(end-rows+1:end, 1:cols)下左⾓rows⾏，cols列
P.bottomRightCorner(rows, cols) // P(end-rows+1:end, end-cols+1:end)下右⾓rows⾏，cols列P.topLeftCorner<rows,cols>() // P(1:rows, 1:cols)同上
rows函数的使用方法及实例P.bottomLeftCorner<rows,cols>() // P(end-rows+1:end, 1:cols)同上
P.bottomRightCorner<rows,cols>() // P(end-rows+1:end, end-cols+1:end)同上
Eigen 矩阵元素交换
// Eigen // Matlab
Eigen 矩阵转置
// Views, transpose, etc; all read-write except for .adjoint().
// Eigen // Matlab
R.adjoint() // R' 伴随矩阵
R.diagonal() // diag(R)对⾓
x.asDiagonal() // diag(x)对⾓阵(没有重载<<)
Eigen 矩阵乘积
// 与Matlab⼀致, 但是matlab不⽀持*=等形式的运算.
// Matrix-vector. Matrix-matrix. Matrix-scalar.
y = M*x; R = P*Q; R = P*s;
a = b*M; R = P - Q; R = s*P;
a *= M; R = P + Q; R = P/s;
R *= Q; R = s*P;
R += Q; R *= s;
R -= Q; R /= s;
Eigen 矩阵单个元素操作
// Vectorized operations on each element independently
// Eigen // Matlab
R = P.cwiseProduct(Q); // R = P .* Q 对应点相乘
R = P.array() * s.array();// R = P .* s 对应点相乘
R = P.cwiseQuotient(Q); // R = P ./ Q 对应点相除
R = P.array() / Q.array();// R = P ./ Q对应点相除
R = P.array() + s.array();// R = P + s对应点相加
R = P.array() - s.array();// R = P - s对应点相减
R.array() += s; // R = R + s全加s
R.array() -= s; // R = R - s全减s
R.array() < Q.array(); // R < Q 以下的都是针对矩阵的单个元素的操作R.array() <= Q.array(); // R <= Q矩阵元素⽐较，会在相应位置置0或1 R.cwiseInverse(); // 1 ./ P
R.array().inverse(); // 1 ./ P
R.array().sin() // sin(P)
R.array().cos() // cos(P)
R.array().pow(s) // P .^ s
R.array().square() // P .^ 2
R.array().cube() // P .^ 3
R.cwiseSqrt() // sqrt(P)
R.array().sqrt() // sqrt(P)
R.array().exp() // exp(P)
R.array().log() // log(P)
R.cwiseMax(P) // max(R, P) 对应取⼤
R.array().max(P.array()) // max(R, P) 对应取⼤
R.cwiseMin(P) // min(R, P) 对应取⼩
R.array().min(P.array()) // min(R, P) 对应取⼩
R.cwiseAbs() // abs(P) 绝对值
R.array().abs() // abs(P) 绝对值
R.cwiseAbs2() // abs(P.^2) 绝对值平⽅
R.array().abs2() // abs(P.^2) 绝对值平⽅
(R.array() < s).select(P,Q); // (R < s ? P : Q)这个也是单个元素的操作Eigen 矩阵化简
// Reductions.
int r, c;
// Eigen // Matlab
R.minCoeff() // min(R(:))最⼩值
R.maxCoeff() // max(R(:))最⼤值
s = R.minCoeff(&r, &c) // [s, i] = min(R(:)); [r, c] = ind2sub(size(R), i); s = R.maxCoeff(&r, &c) // [s, i] = max(R(:)); [r, c] = ind2sub(size(R), i); R.sum() // sum(R(:))求和
R.prod() // prod(R(:))所有乘积
R.all() // all(R(:))且运算
R.any() // any(R(:)) 或运算
Eigen 矩阵点乘
// Dot products, norms, etc.
// Eigen // Matlab
<() // norm(x). 模
x.squaredNorm() // dot(x, x) 平⽅和
x.dot(y) // dot(x, y)
Eigen 矩阵类型转换
Type conversion
// Eigen // Matlab
A.cast<double>(); // double(A)
A.cast<float>(); // single(A)
A.cast<int>(); // int32(A) 向下取整
A.imag(); // imag(A)
// if the original type equals destination type, no work is done
Eigen 求解线性⽅程组 Ax = b
// Solve Ax = b. Result stored in x. Matlab: x = A \ b.
x = A.ldlt().solve(b)); // #include <Eigen/Cholesky>LDLT分解法实际上是Cholesky分解法的改进
x = A.llt() .solve(b)); // A sym. p.d. #include <Eigen/Cholesky>
x = A.lu() .solve(b)); // Stable and fast. #include <Eigen/LU>
x = A.qr() .solve(b)); // No pivoting. #include <Eigen/QR>
x = A.svd() .solve(b)); // Stable, slowest. #include <Eigen/SVD>
// .ldlt() -> .matrixL() and .matrixD()
// .llt() -> .matrixL()
/
/ .lu() -> .matrixL() and .matrixU()
// .qr() -> .matrixQ() and .matrixR()
// .svd() -> .matrixU(), .singularValues(), and .matrixV()
内存映射创建矩阵
// Eigen can map existing memory into Eigen matrices.
float array[3];
Vector3f::Map(array).fill(10); // create a temporary Map over array and sets entries to 10
int data[4] = {1, 2, 3, 4};
Matrix2i mat2x2(data); // copies data into mat2x2
Matrix2i::Map(data) = 2*mat2x2; // overwrite elements of data with 2*mat2x2
MatrixXi::Map(data, 2, 2) += mat2x2; // adds mat2x2 to elements of data (alternative syntax if size is not know at compile time)
Eigen 矩阵特征值
// Eigen // Matlab
A.eigenvalues(); // eig(A)；特征值
EigenSolver<Matrix3d> eig(A); // [vec val] = eig(A)
eig.eigenvalues(); // diag(val)与前边的是⼀样的结果
eig.eigenvectors(); // vec 特征值对应的特征向量
Matrix类
在Eigen，所有的矩阵和向量都是Matrix模板类的对象，Vector只是⼀种特殊的矩阵（⼀⾏或者⼀列）。
Matrix有6个模板参数，主要使⽤前三个参数，剩下的有默认值。
Matrix<typename Scalar, int RowsAtCompileTime, int ColsAtCompileTime>
Scalar是表⽰元素的类型，RowsAtCompileTime为矩阵的⾏，ColsAtCompileTime为矩阵的列。
库中提供了⼀些类型便于使⽤，⽐如：
typedef Matrix<float, 4, 4> Matrix4f;
Vectors向量
列向量
typedef Matrix<float, 3, 1> Vector3f;
⾏向量
typedef Matrix<int, 1, 2> RowVector2i;
Dynamic
Eigen不只限于已知⼤⼩（编译阶段）的矩阵，有些矩阵的尺⼨是运⾏时确定的，于是引⼊了⼀个特殊的标识符：Dynamic
typedef Matrix<double, Dynamic, Dynamic> MatrixXd;
typedef Matrix<int, Dynamic, 1> VectorXi;
Matrix<float, 3, Dynamic>
构造函数
默认的构造函数不执⾏任何空间分配，也不初始化矩阵的元素。
Matrix3f a;
MatrixXf b;
这⾥，a是⼀个3*3的矩阵，分配了float[9]的空间，但未初始化内部元素；b是⼀个动态⼤⼩的矩阵，定义是未分配空间(0*0)。指定⼤⼩的矩阵，只是分配相应⼤⼩的空间，未初始化元素。
MatrixXf a(10,15);
VectorXf b(30);
这⾥，a是⼀个10*15的动态⼤⼩的矩阵，分配了空间但未初始化元素；b是⼀个30⼤⼩的向量，同样分配空间未初始化元素。为了对固定⼤⼩和动态⼤⼩的矩阵提供统⼀的API，对指定⼤⼩的Matrix传递sizes也是合法的（传递也被忽略）。
Matrix3f a(3,3);
可以⽤构造函数提供4以内尺⼨的vector的初始化。
Vector2d a(5.0, 6.0);
Vector3d b(5.0, 6.0, 7.0);
Vector4d c(5.0, 6.0, 7.0, 8.0);
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论