转载自：https://blog.csdn.net/fengbingchun/article/details/47378515，

Eigen是可以用来进行线性代数、矩阵、向量操作等运算的C++库，它里面包含了很多算法。它的License是MPL2。它支持多平台。
         Eigen采用源码的方式提供给用户使用，在使用时只需要包含Eigen的头文件即可进行使用。之所以采用这种方式，是因为Eigen采用模板方式实现，由于模板函数不支持分离编译，所以只能提供源码而不是动态库的方式供用户使用。
         我是使用PCL做的，对头文件 略有改动。

 一、 矩阵的定义

Eigen中关于矩阵类的模板函数中，共有六个模板参数，常用的只有前三个。其前三个参数分别表示矩阵元素的类型、行数和列数。

矩阵定义时可以使用Dynamic来表示矩阵的行列数为未知。

Eigen中无论是矩阵还是数组、向量，无论是静态矩阵还是动态矩阵都提供默认构造函数，也就是定义这些数据结构时都可以不用提供任何参数，其大小均由运行时来确定。矩阵的构造函数中只提供行列数、元素类型的构造参数，而不提供元素值的构造，对于比较小的、固定长度的向量提供初始化元素的定义。

二、 矩阵类型

Eigen中的矩阵类型一般都是用类似MatrixXXX来表示，可以根据该名字来判断其数据类型，比如”d”表示double类型，”f”表示float类型，”i”表示整数，”c”表示复数；Matrix2f，表示的是一个2*2维的，其每个元素都是float类型。

三、 数据存储

Matrix创建的矩阵默认是按列存储，Eigen在处理按列存储的矩阵时会更加高效。如果想修改可以在创建矩阵的时候加入参数，如:

Matrix<int,3, 4, ColMajor> Acolmajor;

Matrix<int,3, 4, RowMajor> Arowmajor;

四、 动态矩阵和静态矩阵

动态矩阵是指其大小在运行时确定，静态矩阵是指其大小在编译时确定。

MatrixXd：表示任意大小的元素类型为double的矩阵变量，其大小只有在运行时被赋值之后才能知道。

Matrix3d：表示元素类型为double大小为3*3的矩阵变量，其大小在编译时就知道。

在Eigen中行优先的矩阵会在其名字中包含有row，否则就是列优先。

Eigen中的向量只是一个特殊的矩阵，其维度为1而已。

五、 矩阵元素的访问

在矩阵的访问中，行索引总是作为第一个参数，Eigen中矩阵、数组、向量的下标都是从0开始。矩阵元素的访问可以通过”()”操作符完成。例如m(2, 3)既是获取矩阵m的第2行第3列元素。

针对向量还提供”[]”操作符，注意矩阵则不可如此使用。

六、设置矩阵的元素

在Eigen中重载了”<<”操作符，通过该操作符即可以一个一个元素的进行赋值，也可以一块一块的赋值。另外也可以使用下标进行赋值。

七、重置矩阵大小

当前矩阵的行数、列数、大小可以通过rows()、cols()和size()来获取，对于动态矩阵可以通过resize()函数来动态修改矩阵的大小。注意：(1)、固定大小的矩阵是不能使用resize()来修改矩阵的大小；(2)、resize()函数会析构掉原来的数据，因此调用resize()函数之后将不能保证元素的值不改变；(3)、使用”=”操作符操作动态矩阵时，如果左右两边的矩阵大小不等，则左边的动态矩阵的大小会被修改为右边的大小。

八、如何选择动态矩阵和静态矩阵

对于小矩阵(一般大小小于16)使用固定大小的静态矩阵，它可以带来比较高的效率；对于大矩阵(一般大小大于32)建议使用动态矩阵。注意：如果特别大的矩阵使用了固定大小的静态矩阵则可能会造成栈溢出的问题。

九、 矩阵和向量的算术运算

在Eigen中算术运算重载了C++的+、-、*

(1)、矩阵的运算

提供+、-、一元操作符”-”、+=、-=；二元操作符+/-，表示两矩阵相加(矩阵中对应元素相加/减，返回一个临时矩阵)；一元操作符-表示对矩阵取负(矩阵中对应元素取负，返回一个临时矩阵)；组合操作法+=或者-=表示(对应每个元素都做相应操作)；矩阵还提供与标量(单一数字)的乘除操作，表示每个元素都与该标量进行乘除操作；

(2)、求矩阵的转置、共轭矩阵、伴随矩阵

可以通过成员函数transpose()、conjugate()、adjoint()来完成。注意：这些函数返回操作后的结果，而不会对原矩阵的元素进行直接操作，如果要让原矩阵进行转换，则需要使用响应的InPlace函数，如transpoceInPlace()等；

(3)、矩阵相乘、矩阵向量相乘

使用操作符*，共有*和*=两种操作符；

下面这一段参考博客：https://blog.csdn.net/yang_q_x/article/details/52383289

需要注意的是，在做矩阵计算是，用的是循环语句，所以是串行计算的方式。

Eigen还提供了一些常用的变换函数：transpose()，转置操作：conjugata()，共轭操作；adjoint()，共轭转置操作；需要注意的是这些是非原位操作，例如a = [1, 2;, 3, 4] 那么a = a.transpose() 得到的a为[1, 2, 2, 4]，这样就产生了所粗。原位转置操作可以使用transposeInPlace() 函数。

矩阵乘法是一个特殊的运算，为了防止上述的错误，矩阵与矩阵相乘都会使用临时变量，例如m = m* m; 在实际编译的时候是tem = m* m; m = tem; 如果在乘法中你可以确定不会有错误的产生，那么可以使用noaliasd()函数来避免产生临时变量，例如：c.noalias() += a * b;

Eigen还提供了dot()点乘函数和cross()叉乘函数。其中dot可以针对任意两个长度相等的向量，而叉乘只能是两个三维向量，例如Vector3d v(1, 2, 3); Vector3d w(0, 1, 2); 那么v.dot(w) 得到的结果是8（等价于v.adjoint() * w），v.corss(w)得到的结果是(1;-2;1)。

(4)、矩阵的块操作

有两种使用方法：

matrix.block(i,j, p, q) : 表示返回从矩阵(i, j)开始，每行取p个元素，每列取q个元素所组成的临时新矩阵对象，原矩阵的元素不变；

matrix.block<p,q>(i, j) :<p, q>可理解为一个p行q列的子矩阵，该定义表示从原矩阵中第(i, j)开始，获取一个p行q列的子矩阵，返回该子矩阵组成的临时矩阵对象，原矩阵的元素不变；

(5)、向量的块操作

获取向量的前n个元素：vector.head(n);

获取向量尾部的n个元素：vector.tail(n);

获取从向量的第i个元素开始的n个元素：vector.segment(i,n);

Map类：在已经存在的矩阵或向量中，不必拷贝对象，而是直接在该对象的内存上进行运算操作。

1.      从http://eigen.tuxfamily.org/index.php?title=Main_Page下载最新稳定版本3.2.5，解压缩；

2.      新建一个vs2013 TestEigen控制台工程，将Eigen文件所在目录加入到工程属性的C/C++附加包含目录中，这样就可以使用Eigen中的函数了；

3.      TestEigen.cpp文件中的内容为：

//#include "stdafx.h"//原博客中用的是这个，但是我的电脑无法找到，于是用下面这三行替换。
#include <stdio.h>
#include "stdlib.h"
#include <tchar.h>#include <iostream>#include <Eigen/Dense>
//十、eigen的使用
using namespace std;
using namespace Eigen;
template <typename T>
static void matrix_mul_matrix(T* p1, int iRow1, int iCol1, T* p2, int iRow2, int iCol2, T* p3)
{if (iRow1 != iRow2) return;//列优先//Eigen::Map< Eigen::Matrix<T, Eigen::Dynamic, Eigen::Dynamic> > map1(p1, iRow1, iCol1);//Eigen::Map< Eigen::Matrix<T, Eigen::Dynamic, Eigen::Dynamic> > map2(p2, iRow2, iCol2);//Eigen::Map< Eigen::Matrix<T, Eigen::Dynamic, Eigen::Dynamic> > map3(p3, iCol1, iCol2);//行优先Eigen::Map< Eigen::Matrix<T, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor> > map1(p1, iRow1, iCol1);Eigen::Map< Eigen::Matrix<T, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor> > map2(p2, iRow2, iCol2);Eigen::Map< Eigen::Matrix<T, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor> > map3(p3, iCol1, iCol2);map3 = map1 * map2;
}int main(int argc, char* argv[])
{//1. 矩阵的定义cout << "1. 矩阵的定义" << endl;Eigen::MatrixXd m(2, 2);Eigen::Vector3d vec3d;Eigen::Vector4d vec4d(1.0, 2.0, 3.0, 4.0);//2. 动态矩阵、静态矩阵cout << "2. 动态矩阵、静态矩阵" << endl;Eigen::MatrixXd matrixXd;Eigen::Matrix3d matrix3d;//3. 矩阵元素的访问cout << "3. 矩阵元素的访问" << endl;m(0, 0) = 1;m(0, 1) = 2;m(1, 0) = m(0, 0) + 3;m(1, 1) = m(0, 0) * m(0, 1);std::cout << m << std::endl << std::endl;//4. 设置矩阵的元素cout << "4. 设置矩阵的元素" << endl;m << -1.5, 2.4,6.7, 2.0;std::cout << m << std::endl << std::endl;int row = 4;int col = 5;Eigen::MatrixXf matrixXf(row, col);matrixXf << 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20;std::cout << matrixXf << std::endl << std::endl;matrixXf << Eigen::MatrixXf::Identity(row, col);//Identity是单位矩阵的意思：Identity matrixstd::cout << matrixXf << std::endl << std::endl;//5. 重置矩阵大小cout << "5. 重置矩阵大小" << endl;Eigen::MatrixXd matrixXd1(3, 3);m = matrixXd1;std::cout << m.rows() << "  " << m.cols() << std::endl << std::endl;//6. 矩阵运算cout << "6. 矩阵运算" << endl;m << 1, 2, 7,3, 4, 8,5, 6, 9;std::cout << m << std::endl;matrixXd1 = Eigen::Matrix3d::Random();m += matrixXd1;std::cout << m << std::endl << std::endl;m *= 2;std::cout << m << std::endl << std::endl;std::cout << -m << std::endl << std::endl;std::cout << m << std::endl << std::endl;//7. 求矩阵的转置、共轭矩阵、伴随矩阵cout << "7. 求矩阵的转置、共轭矩阵、伴随矩阵" << endl;std::cout << m.transpose() << std::endl << std::endl;std::cout << m.conjugate() << std::endl << std::endl;std::cout << m.adjoint() << std::endl << std::endl;std::cout << m << std::endl << std::endl;m.transposeInPlace();std::cout << m << std::endl << std::endl;//8. 矩阵相乘、矩阵向量相乘cout << "8. 矩阵相乘、矩阵向量相乘" << endl;std::cout << m*m << std::endl << std::endl;vec3d = Eigen::Vector3d(1, 2, 3);std::cout << m * vec3d << std::endl << std::endl;std::cout << vec3d.transpose()*m << std::endl << std::endl;//9. 矩阵的块操作cout << "9. 矩阵的块操作" << endl;std::cout << m << std::endl << std::endl;std::cout << m.block(1, 1, 2, 2) << std::endl << std::endl;std::cout << m.block<1, 2>(0, 0) << std::endl << std::endl;std::cout << m.col(1) << std::endl << std::endl;std::cout << m.row(0) << std::endl << std::endl;//10. 向量的块操作cout << "10. 向量的块操作" << endl;Eigen::ArrayXf arrayXf(10);arrayXf << 1, 2, 3, 4, 5, 6, 7, 8, 9, 10;std::cout << vec3d << std::endl << std::endl;std::cout << arrayXf << std::endl << std::endl;std::cout << arrayXf.head(5) << std::endl << std::endl;std::cout << arrayXf.tail(4) * 2 << std::endl << std::endl;//11. 求解矩阵的特征值和特征向量cout << "11. 求解矩阵的特征值和特征向量" << endl;Eigen::Matrix2f matrix2f;matrix2f << 1, 2, 3, 4;Eigen::SelfAdjointEigenSolver<Eigen::Matrix2f> eigenSolver(matrix2f);//形式就是这个形式，遇到高维的就直接用高维的替换掉matrix2f。if (eigenSolver.info() == Eigen::Success) {std::cout << eigenSolver.eigenvalues() << std::endl << std::endl;std::cout << eigenSolver.eigenvectors() << std::endl << std::endl;}//12. 类Map及动态矩阵的使用cout << "12. 类Map及动态矩阵的使用" << endl;int array1[4] = { 1, 2, 3, 4 };int array2[4] = { 5, 6, 7, 8 };int array3[4] = { 0, 0, 0, 0 };matrix_mul_matrix(array1, 2, 2, array2, 2, 2, array3);for (int i = 0; i < 4; i++)std::cout << array3[i] << std::endl;return 0;
}

参考文献：

1.      http://blog.csdn.net/augusdi/article/details/12907341

2.      http://www.docin.com/p-863098431.html

3.      http://www.360doc.com/content/15/0325/15/21172899_457946100.shtml

4.      http://www.360doc.com/content/15/0413/22/21172899_463003614.shtml

GitHub：https://github.com/fengbingchun/Eigen_Test

——Eigen介绍及简单使用（PCL库实现）相关推荐

  1. Eigen介绍及简单使用

    Eigen是可以用来进行线性代数.矩阵.向量操作等运算的C++库,它里面包含了很多算法.它的License是MPL2.它支持多平台. Eigen采用源码的方式提供给用户使用,在使用时只需要包含Eige ...

  2. 学习PCL库：PCL库中的IO模块介绍

    公众号致力于点云处理,SLAM,三维视觉,高精地图等领域相关内容的干货分享,欢迎各位加入,有兴趣的可联系dianyunpcl@163.com.未经作者允许请勿转载,欢迎各位同学积极分享和交流. IO模 ...

  3. 利用pcl库实现简单单帧障碍物检测

    利用pcl库实现简单单帧障碍物检测 #include <iostream> #include <pcl/common/common_headers.h> #include &l ...

  4. PCL Lesson1 :PCL库PCLVisualizer的简单使用

    PCL库PCLVisualizer的简单使用. 包括实例化对象,填充点云,静态显示和动态显示 #include <stdio.h> #include <string> #inc ...

  5. 利用PCL库做简单的三维立体图形

    利用PCL库画简单的三维立体图形需要知道各种图形的参数方程,然后给每个参数赋值便可以. 圆柱面的参数方程为:x = R*cos(θ); y = R*sin(θ); z = z;其中 θ范围是[-2*P ...

  6. 简单介绍一下阿里巴巴矢量图标库的使用

    相信做过前端的都知道阿里巴巴矢量图标库,这是一个非常好用的添加小图标的方法,而且是完全免费的,可以在线使用也可以下载到本地使用,而且图标是作为字体插入,不仅可以改变颜色大小,而且在布局方面也非常方便. ...

  7. 随笔：送给初次使用PCL库的小伙伴

    写在前面: PCL库,之前在使用他的时候,只是各种掉库,觉得自己会调库了,根据案例可以跑出来自己想要的结果(比如计算一个点云的边界,使用RANSAC拟合三维直线等)觉得自己就是掌握了,其实并不然,这样 ...

  8. 学习PCL库你应该知道的C++特性

    要学会PCL首先要对C++进行学习,所以这里我们首先对PCL库的代码中常见的C++的技巧进行整理和概述,并且对其中的难点进行细化讲解.首先我们搞清楚PCL库的文件形式.是一个以CMake构建的项目,库 ...

  9. CMake结合PCL库学习（1）

    经常会有有人问到CMake的学习的问题,而且网上也有很多博客是介绍学习CMake 的用法,但是我觉的学习不用这样死板,用到了就顺便学习一下,也就是边做边学,由浅入深,慢慢的就会熟悉了,这个学习的过程中 ...

最新文章

  1. C# DataGridView控件用法
  2. 西亚斯vs2010敏捷开发分享
  3. 劲脆鸡米花、鸡排、黄金鸡块
  4. linux 安全审计功能,数据库安全审计在数据安全中的功能
  5. 计算机网络-信道复用技术
  6. mapreduce原理_Hbase Bulkload 原理面试必备
  7. 小程序功能模块-飞鱼知识变现小程序2.5.3源码
  8. layui如何存在多个弹窗_web前端：layer重复弹出(layui弹层同时存在多个)的解决方法...
  9. win8+sdk8+vs2012+freeglut+glew开发opengl
  10. 基于机器视觉的眼镜镜片轮廓提取
  11. orm php 自定义,Eloquent ORM 自定义 builder
  12. 给函数取一个“好”的名字
  13. 2022「第二届中国RPA+AI开发者大赛」正式收官
  14. AI将光子时间转换成3D图像，通过时间来可视化世界
  15. 通过按键控制二极管c语言,单片机一个按键控制一个发光二极管
  16. 目标跟踪--CamShift
  17. Win7系统自动更新关闭不了的解决方法
  18. Ubuntu 18.04安装NVIDA显卡驱动
  19. oracle connect by用法篇
  20. R安装nutshell

热门文章

  1. JSP+Servlet+C3P0+Mysql实现的azhuo商城
  2. Linux Crontab 定时任务 及 Ubuntu 中cron指令使用
  3. git配置远程仓库，同时配置github、gitee、gitlab，完美解决方案
  4. C#LeetCode刷题-递归
  5. 使用Webtask.io创建一个简单的REST API端点
  6. python测试题 - 列表,字典,字符串
  7. LeetCode 题 - 35. 搜索插入位置
  8. 使用二级域名+gh-pages分支构建自己的静态页面
  9. Express-hello
  10. Eclipse JAVA项目的 目录结构 和 导入 import菜单使用