之前的文章中，简单的介绍了一些基本的操作，回归之前的内容可以参考一下链接：
zEigen库的基本使用说明_每日亿学的博客-CSDN博客_eigen库
本章内容主要就是继续延伸Eigen库的使用内容也会实时进行更新，Eigen库在SLAM中使用广泛，需要对这个库有一定的熟悉。
一、赋值操作
首先最简单的如何给申请好的矩阵对象进行赋值？
1、定义对象时
//这里以动态的矩阵模板为例子
MatrixXi a { // 创建 2x2 matrix
{1, 2}, // first row
{3, 4} // second row
};
Matrix<int, 1, 5> c = {1, 2, 3, 4, 5};2、<<操作
类似输入流的方式
Matrix3f m;
m << 1, 2, 3,
4, 5, 6,
7, 8, 9;3、（,）赋值
注意这里和数组不一样它使用的是[]索引
Eigen::MatrixXd m(2,2);
m(0,0) = 3;
m(1,0) = 2.5;
m(0,1) = -1;
m(1,1) = m(1,0) + m(0,1);这里主要使用的多维2和3这两种。
二、矩阵和向量运算
Eigen通过重载常见的 C++ 算术运算符（如 +、-、*）或通过特殊方法（如 dot()、cross() 等）提供矩阵/向量算术运算。对于Matrix类（矩阵和向量），运算符仅重载以支持线性代数运算。例如，matrix1 * matrix2意味着矩阵矩阵乘积，并且vector + scalar（一个数）是不允许的。
1、加减
要进行加减操作，首先矩阵类型相同，矩阵大小也得相同才能进行操作。
- 二元运算符 + 如
a+b- 二元运算符 - 如
a-b- 一元运算符 - 如
-a- 复合运算符 += 如
a+=b- 复合运算符 -= 如
a-=b
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Matrix2d a;
a << 1, 2,
3, 4;
Eigen::MatrixXd b(2,2);
b << 2, 3,
1, 4;
std::cout << "a + b =\n" << a + b << std::endl;
std::cout << "a - b =\n" << a - b << std::endl;
std::cout << "Doing a += b;" << std::endl;
a += b;
std::cout << "Now a =\n" << a << std::endl;
Eigen::Vector3d v(1,2,3);
Eigen::Vector3d w(1,0,0);
std::cout << "-v + w - v =\n" << -v + w - v << std::endl;
}输出：
a + b = 3 5 4 8 a - b = -1 -1 2 0 Doing a += b; Now a = 3 5 4 8 -v + w - v = -1 -4 -6
2、标量的乘法和除法
- 二元运算符 * 如
matrix*scalar- 二元运算符 * 如
scalar*matrix- 二元运算符 / 如
matrix/scalar- 复合运算符 *= 如
matrix*=scalar- 复合运算符 /= 如
matrix/=scalar
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Matrix2d a;
a << 1, 2,
3, 4;
Eigen::Vector3d v(1,2,3);
std::cout << "a * 2.5 =\n" << a * 2.5 << std::endl;
std::cout << "0.1 * v =\n" << 0.1 * v << std::endl;
std::cout << "Doing v *= 2;" << std::endl;
v *= 2;
std::cout << "Now v =\n" << v << std::endl;
}输出：
a * 2.5 = 2.5 5 7.5 10 0.1 * v = 0.1 0.2 0.3 Doing v *= 2; Now v = 2 4 6
3、转置和共轭
矩阵a的转置、共轭和伴随（即共轭的转置），分别成员函数为：transpose()，conjugate()和adjoint()。对于实数矩阵共轭共轭操作实际是空操作伴随的其实就是转置。
MatrixXcf a = MatrixXcf::Random(2,2);
cout << "Here is the matrix a\n" << a << endl;
cout << "Here is the matrix a^T\n" << a.transpose() << endl;
cout << "Here is the conjugate of a\n" << a.conjugate() << endl;
cout << "Here is the matrix a^*\n" << a.adjoint() << endl;
//输出
ere is the matrix a
(-0.211,0.68) (-0.605,0.823)
(0.597,0.566) (0.536,-0.33)
Here is the matrix a^T
(-0.211,0.68) (0.597,0.566)
(-0.605,0.823) (0.536,-0.33)
Here is the conjugate of a
(-0.211,-0.68) (-0.605,-0.823)
(0.597,-0.566) (0.536,0.33)
Here is the matrix a^*
(-0.211,-0.68) (0.597,-0.566)
(-0.605,-0.823) (0.536,0.33)这个官方提升禁止使用a=a.transpose()会出现一个别名问题！问题描述如下：
Matrix2i a; a << 1, 2, 3, 4;
cout << "Here is the matrix a:\n" << a << endl;
a = a.transpose(); // !!! do NOT do this !!!
cout << "and the result of the aliasing effect:\n" << a << endl;
//输出
Here is the matrix a:
1 2
3 4
and the result of the aliasing effect:
1 2
2 4在实际的编写代码时不小心就会这样编写，Eigen给出了一个原地转置的函数：transposePlace()
这样我们就不需要为了转置再赋值给原变量了。
MatrixXf a(2,3); a << 1, 2, 3, 4, 5, 6;
cout << "Here is the initial matrix a:\n" << a << endl;
a.transposeInPlace();
cout << "and after being transposed:\n" << a << endl;
//输出
Here is the initial matrix a:
1 2 3
4 5 6
and after being transposed:
1 4
2 5
3 64、矩阵-矩阵和矩阵*向量乘法
矩阵和矩阵之间可以使用*符号完成，向量其实也是矩阵属性所以也是相对于矩阵隐式处理。一般有以下两个情况：
- 二元运算符 * 如
a*b- 复合运算符 *= 如
a*=b（这在右边相乘：a*=b等同于a = a*b）
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Matrix2d mat;
mat << 1, 2,
3, 4;
Eigen::Vector2d u(-1,1), v(2,0);
std::cout << "Here is mat*mat:\n" << mat*mat << std::endl;
std::cout << "Here is mat*u:\n" << mat*u << std::endl;
std::cout << "Here is u^T*mat:\n" << u.transpose()*mat << std::endl;
std::cout << "Here is u^T*v:\n" << u.transpose()*v << std::endl;
std::cout << "Here is u*v^T:\n" << u*v.transpose() << std::endl;
std::cout << "Let's multiply mat by itself" << std::endl;
mat = mat*mat;
std::cout << "Now mat is mat:\n" << mat << std::endl;
//输出
Here is mat*mat:
7 10
15 22
Here is mat*u:
1
1
Here is u^T*mat:
2 2
Here is u^T*v:
-2
Here is u*v^T:
-2 -0
2 0
Let's multiply mat by itself
Now mat is mat:
7 10
15 22注意官网提示我们使用m=m*m运算，不会出现别名问题Eigen帮我们修改成：
tmp=m*m;
m=tmp;
5、点积和叉积
对于点积和叉积，您需要dot()和cross()方法。当然，点积也可以像u.adjoint()*v一样得到一个1x1的矩阵。
#include <iostream>
#include <Eigen/Dense>
int main()
{
Eigen::Vector3d v(1,2,3);
Eigen::Vector3d w(0,1,2);
std::cout << "Dot product: " << v.dot(w) << std::endl;
double dp = v.adjoint()*w; // automatic conversion of the inner product to a scalar
std::cout << "Dot product via a matrix product: " << dp << std::endl;
std::cout << "Cross product:\n" << v.cross(w) << std::endl;
}
//输出
Dot product: 8
Dot product via a matrix product: 8
Cross product:
1
-2
1官网提示叉积只能试用大小为3的向量。
6、基本算术归纳运算
Eigen还提供了求总和（sum()）、求总积(prod())，最大值(maxCoeff())和最小值(minCoeff())文章来源：https://www.toymoban.com/news/detail-421439.html
#include <iostream>
#include <Eigen/Dense>
using namespace std;
int main()
{
Eigen::Matrix2d mat;
mat << 1, 2,
3, 4;
cout << "Here is mat.sum(): " << mat.sum() << endl;
cout << "Here is mat.prod(): " << mat.prod() << endl;
cout << "Here is mat.mean(): " << mat.mean() << endl;
cout << "Here is mat.minCoeff(): " << mat.minCoeff() << endl;
cout << "Here is mat.maxCoeff(): " << mat.maxCoeff() << endl;
cout << "Here is mat.trace(): " << mat.trace() << endl;
}
//输出
Here is mat.sum(): 10
Here is mat.prod(): 24
Here is mat.mean(): 2.5
Here is mat.minCoeff(): 1
Here is mat.maxCoeff(): 4
Here is mat.trace(): 5我们求取最大值和最小值还可以求取它的坐标：文章来源地址https://www.toymoban.com/news/detail-421439.html
std::ptrdiff_t i, j;
float minOfM = m.minCoeff(&i,&j);
RowVector4i v = RowVector4i::Random();
int maxOfV = v.maxCoeff(&i);到了这里，关于Eigen库的基本使用说明（二）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
