Eigen库的基本使用说明(二)

这篇具有很好参考价值的文章主要介绍了Eigen库的基本使用说明(二)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

 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 6

4、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())

#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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • URI、URL、URIBuilder、UriBuilder、UriComponentsBuilder说明及基本使用

    之前想过直接获取url通过拼接字符串的方式实现,但是这种只是暂时的,后续地址如果有变化或参数很多,去岂不是要拼接很长,由于这些等等原因,所以找了一些方法实现 URI全称是Uniform Resource Identifier,也就是统一资源标识符,它是一种采用特定的语法标识一个资源的字符

    2024年02月11日
    浏览(40)
  • eDiary-白日梦电子记事本基本使用说明【记事本导出和导入方法、本地数据迁移方法、记录工作日报、日历代办等】

    因为公司大佬分享资料,需要用到白日梦这个电子记事本,所以才了解到这个软件,体量小,功能高级,是个好软件。 官方地址:白日梦 导出与导入均不要使用文件-导出和导入,不好使。 右键需要导出的文档-高级-导出-文件 跟着提示下一步就行了 我这以导入文件夹资料为

    2024年02月03日
    浏览(134)
  • Python中Thop库的基本介绍和参数说明

    关注B站可以观看更多实战教学视频:肆十二-的个人空间-肆十二-个人主页-哔哩哔哩视频 (bilibili.com) Hi,兄弟们,这里是肆十二,今天我们来讨论一下我们经常使用的Thop模块的常用模块和用途。 Thop介绍 THOP(Torch-OpCounter)是一个用于计算PyTorch模型操作数和计算量的工具。通

    2024年04月13日
    浏览(41)
  • 【VxWorks】VxWorks系统详细介绍说明,环境搭建说明,使用场景,使用实例

    目录 1.VxWorks 概述 2.详细介绍 2.环境搭建说明 3.使用场景 4.使用实例         VxWorks 是一款实时操作系统(RTOS),广

    2024年02月15日
    浏览(42)
  • iotop命令使用说明及iotop输出排序操作说明

    iotop是一个用来显示实时的磁盘活动 的工具,可查看哪些程序、进程或线程占用io过多。 iotop监控 Linux 内核输出的 I/O 使用信息,并且显示一个系统中进程或线程的当前 I/O 使用情况。它显示每个进程/线程读写 I/O 带宽。它同样显示当等待换入和等待 I/O 的线程/进程花费的时

    2024年04月12日
    浏览(50)
  • chatGPT使用说明,相关技巧,使用记录等等

    它的工作原理是基于自然语言处理技术和深度学习算法。当用户输入问题时,我会将问题分解成并进行语义分析,以 理解用户的意图 。接着,我会调用内部的知识库和外部资源,比如搜索引擎、数据库等,寻找与问题相关的答案,并通过 回答、提供链接、建议 等方式

    2024年02月03日
    浏览(53)
  • 超维空间M1无人机使用说明书——01、ROS机载电脑使用说明——远程连接

    1、SSH优缺点 优点:1、消耗网络资源 2、运行稳定 缺点:1、图形化界面卡顿 2、对新手不友好 2、可视化软件优缺点 优点:1、对新手友好 2、运图形化界面比ssh流畅 缺点:1、消耗网络资源 一、远程登录到无人机端的Jetson nano 步骤一、通过SSH 登录到ROS主控端 无人机上电后会默认发

    2024年01月22日
    浏览(70)
  • ONVIF工具使用说明

    作为视频安防领域的工作者,少不了和摄像头打交道,一般大部分厂商都支持ONVIF协议,所以还是有必要了解一下怎么使用ONVIF的官方工具。 1.下载ONVIF工具,自行百度下载 2.下载安装完成后打开工具,这里以ONVIF_Device_TestTool_v19.06为例 选择物理网卡 点击搜索设备 搜索设备信息

    2024年02月10日
    浏览(53)
  • 再生龙使用说明

    再生龙是什么? 🏷再生龙(Clonezilla)是一个免费的灾难恢复、硬盘克隆、硬盘映像档制 作的部署和解决方案 再生龙能做什么? 我用它来备份做好的系统镜像和安装预设好环境的系统. windows 电脑 U盘或移动硬盘(空间大于要备份系统的所用空间,例如要备份的系统盘是960G的,

    2024年02月13日
    浏览(41)
  • ModHeader插件使用说明

    当我们访问一个地址(请求某个服务器站点)时通常会带有请求头(Request Headers)和请求体(Request Body),当然有时候也不需要带请求体。 比如我们访问百度,利用开发者工具就可以看到请求头里的很多信息,比如, Upgrade-Insecure-Requests :是一个请求首部,用来向服务器端发

    2023年04月08日
    浏览(49)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包