正交子空间投影的学习笔记
一、子空间的概念
(需要说明的是并非原创,只是看到某博主记录的相关内容对我来说比较有意义所以就总结整理了一下,第一次发,也不知道这样的格式对不对,希望以后自己可以把学习到的以及自己领悟到的都记在这里。)
矩阵的四个基本子空间
1、零空间
矩阵A的零空间就Ax=0的解的集合。假设矩阵的秩为r,矩阵为m*n的矩阵,则零空间的维数为n-r。因为秩为r,则自由变量的个数为n-r,有几个自由变量,零空间就可以表示层几个特解的线性组合,也即是零空间的维数为自由变量的个数。
2、列空间
矩阵A的列空间就是矩阵A中各列的线性组合。假设矩阵的秩为r,矩阵为m*n的矩阵,则列空间可以表示为r个主元的线性组合,即零空间的维数为r。
3、行空间
在线性代数中,我们一般习惯将矩阵看出是一组列向量的组合,matlab中矩阵的存储是按列存储的(c中不是)。因此,我们可以将矩阵A进行转置后来讨论行空间和左零空间。假设转置后的矩阵为AT,则A的行空间就是AT的列空间,A的左零空间为AT的零空间。注意这里AT为n*m的矩阵。则此时行空间的维数为r。
4、左零空间
左零空间是ATx=0的解的集合。由于秩为r,则自由变量的个数为m-r,即左零空间的维数为m-r。
二、正交子空间
定义:两个子空间正交即两个子空间的任意两个向量正交
其中行空间与零空间正交,列空间与左零空间正交。
三、空间投影
1、二维投影
上图表示的是,向量b在向量a上的投影。显然有如下表达式:
其中,P为投影矩阵,由P的表达式可以看出,它具有如下性质:
投影矩阵性质说明(1)PT=P说明投影矩阵是一个对称阵。(2)P2=P即进行第二次投影时,还是回投影在第一次投影的地方。
2、三维投影
三维投影,就是将一个向量投影到一个平面上。同上面一样,假设是将b向量投影到平面上的p向量,则有表达式:
e是垂直与平面的向量。由于p向量在平面上,则p向量可以由该平面的2个线性无关向量(正如,在xy平面的任何向量都可以由x轴,y轴表示)表示:
由于e垂直平面,则e向量垂直与平面中的任意向量,则有:
将上式化简求得x:
又因为p=Ax,Pb=p,则得到投影矩阵为:
P=A(ATA)-1)AT
由P的表达式可以看出,它具有如下性质:
上面的投影矩阵是通式,当投影在一维情况时,A即为直线上的任意一个向量a,投影矩阵为:
与二维投影中得到的结论是一致的。
后续会把这个知识点应用到高光谱图像上,应用后会继续记录~
正交子空间投影的学习笔记相关推荐
- opencv进阶学习笔记7:直方图,直方图均衡化,直方图比较,直方图反向投影
基础版传送门: python3+opencv学习笔记汇总目录(适合基础入门学习) 进阶版笔记目录链接: python+opencv进阶版学习笔记目录(适合有一定基础) 直方图基础讲解: opencv学 ...
- opencv python 直方图反向投影_python OpenCV学习笔记直方图反向投影的实现
本文介绍了python OpenCV学习笔记直方图反向投影的实现,分享给大家,具体如下: 它用于图像分割或寻找图像中感兴趣的对象.简单地说,它创建一个与我们的输入图像相同大小(但单通道)的图像,其中每 ...
- 计算机图形学 学习笔记(八):三维图形变换:三维几何变换,投影变换(平行/ 透视 投影)
接上文 计算机图形学 学习笔记(七):二维图形变换:平移,比例,旋转,坐标变换等 通过三维图形变换,可由简单图形得到复杂图形,三维图形变化则分为三维几何变换和投影变换. 6.1 三维图形几何变换 三维 ...
- 高光谱学习---正交子空间投影法OSP(Orthogonal Subspace Projection)
Orthogonal Subspace Projection 写在前面:为了更好的后期修改,如果各位觉得有哪里可以补充或者优化,直接从我这里下载,然后发给我,你也是作者之一. 本文文本下载链接://d ...
- SVO 学习笔记(深度滤波)
SVO 学习笔记(深度滤波) 这篇博客 论文中的深度滤波 深度滤波的代码流程 更新Seed对象 初始化Seed对象 结尾 这篇博客 这篇博客将介绍SVO论文中的Mapping部分,主要介绍深度滤波器 ...
- 动态环境下的SLAM:DynaSLAM 论文学习笔记
动态环境下的SLAM:DynaSLAM 论文学习笔记 这篇文章 论文摘要 系统流程 相关环节的实现方法 神经网络检测图中动态物体(Mask R-CNN) Low-Cost Tracking 使用多视图 ...
- SVO 学习笔记(三)
SVO 学习笔记(三) 这篇博客 Initialization Frame_Handler_Mono processFirstFrame processSecondFrame processFrame ...
- SVO学习笔记(二)
SVO学习笔记(二) 这篇文章 稀疏图像对齐 地图点投影(地图与当前帧间的关系) reprojectMap reprojectPoint reprojectCell 特征点对齐中的非线性优化 结尾 这 ...
- SVO学习笔记(一)
SVO学习笔记(一) 这篇文章 Frame Featuredetection Featrue_matcher 三角测量求深度 特征匹配 非线性优化寻找匹配特征 极线搜索匹配特征 总结 这篇文章 一个 ...
最新文章
- 裁剪Linux小系统
- BZOJ 3884 上帝与集合的正确用法 (欧拉定理)
- linux环境下用TcpDump抓包分析总结
- Java当中 递归打印文件大小(面向不同的对象打印文件大小)
- 信息学奥赛一本通(1007:计算(a+b)×c的值)
- 关于决策树,你一定要知道的知识点!
- android窗口动画体系,Android 7.1 GUI系统-窗口管理WMS-动画的执行(七)
- deepin安装bochs2.6.2_2.kafka安装与使用
- python中的随机函数的用法_python中的随机函数小结
- 程序员如何从初中级历练为高级开发者?
- [c/c++] c 操作mysql数据库
- PPT中均匀分布各图形(水平或垂直)
- 简单实现网络验证_电脑计算机编程入门教程自学
- 软件打不开且显示乱码的解决办法
- hpm1005能扫描不能打印_惠普M1005怎么只能打印复印不能扫描了?
- python考拉兹猜想_Python练习题 042:Project Euler 014:最长的考拉兹序列
- ThuThesis模板中\footnote每页重新从2编号的问题解决
- Android屏幕渲染
- IPv6知识概述 - IPv6地址
- java--案例:[Random]随机100-200的数、班级点名器、控制台输入三个数,输出最大值,或最小值?