[英]Why this matlab and C++ codes produces different results?
+我正在嘗試在C ++中實現matlab算法。
這是matlab代碼:
p = 3;
K = [3 4 5; 4 5 6; 7 8 9];
e = ones(p,1);
K2 = K - (1/p)*K*ones(p) - 1/p + (1/p^2)*sum(K(:))
[V_K,D_K] = eig(K2);
雖然這是使用OpenCV的類似C ++代碼:
float data[] = {3, 4, 5,
4, 5, 6,
7, 8, 9};
cv::Mat m(3, 3, CV_32F, data);
float p = K.rows;
cv::Mat CK = K - (1/p)*K*cv::Mat::ones(p,p,CV_32F) - 1/p + (1/std::pow(p,2))*cv::sum(K)[0];
cv::Mat eigenvalues(1,p,CK.type()), eigenvectors(p,p,CK.type());
cv::eigen(CK,eigenvalues,eigenvectors);
Matlab代碼打印:
CK =
4.3333 5.3333 6.3333
4.3333 5.3333 6.3333
4.3333 5.3333 6.3333
0.5774 0.6100 -0.1960
0.5774 -0.7604 -0.6799
0.5774 0.2230 0.7066
16.0000 0 0
0 -0.0000 0
0 0 0.0000
當C ++代碼產生時:
CK=[4.3333335, 5.3333335, 6.3333335;
4.3333335, 5.3333335, 6.3333335;
4.333333, 5.333333, 6.333333]
eigenvectors=[0.53452265, 0.56521076, 0.62834883;
-0.41672006, 0.8230716, -0.38587254;
0.73527533, 0.05558794, -0.67548501]
eigenvalues=[17.417906;
-0.33612049;
-1.0817847]
如您所見,這些值是完全不同的(甚至是CK
!的值)。 為什么會發生這種情況,我該如何避免呢?
請注意 ,我不確定我的C ++實現是否正確!
我發現此問題與此相關,但它們似乎與稍有差異有關,而此處的錯誤很大 !
更新:
我嘗試遵循評論和答案中的建議。 不幸的是,沒有提出的解決方案解決了這個問題。 首先,我嘗試使用具有float
精度的Eigen
庫。 這是使用代碼Eigen::Map
所描述的結構, 在這里 :
//in order to map OpenCV matrices to Eigen, they need to be continous
assert(CK.isContinuous());
Eigen::Map<Eigen::Matrix<float, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor>> CKEigenMapped (CK.ptr<float>(), CK.rows, CK.cols);
Eigen::Matrix<float, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor> CKEigen = CKEigenMapped;
Eigen::EigenSolver<Eigen::Matrix<float, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor>> es (CKEigen,true);
std::cout<<"Eigenvalues:"<<std::endl<< es.eigenvalues() << std::endl;
std::cout<<"Eigenvectors:"<<std::endl<< es.eigenvectors() << std::endl;
然后我嘗試通過CK.convertTo(CK, CV_64F)
從float
轉換為double
:
//Double precision
CK.convertTo(CK, CV_64F);
Eigen::Map<Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor>> CKEigenMappedD (CK.ptr<double>(), CK.rows, CK.cols);
Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor> CKEigenD = CKEigenMappedD;
Eigen::EigenSolver<Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic, Eigen::RowMajor>> esD (CKEigenD,true);
std::cout<<"Eigenvalues:"<<std::endl<< esD.eigenvalues() << std::endl;
std::cout<<"Eigenvectors:"<<std::endl<< esD.eigenvectors() << std::endl;
最后,我試圖用cv2eigen
功能(我認為Eigen::Map
可能是錯誤的)描述在這里 :
//Double precision, cv2eigen
Eigen::MatrixXd X=Eigen::MatrixXd(CK.rows,CK.cols);
cv2eigen(CK,X);
Eigen::EigenSolver<Eigen::MatrixXd> esDD (X,true);
std::cout<<"Eigenvalues:"<<std::endl<< esDD.eigenvalues() << std::endl;
std::cout<<"Eigenvectors:"<<std::endl<< esDD.eigenvectors() << std::endl;
這些是與之前的3個解決方案相對應的結果:
Eigenvalues:
(-4.17233e-07,0)
(16,0)
(-3.37175e-07,0)
Eigenvectors:
(-0.885296,0) (0.57735,0) (-0.88566,0)
(0.328824,0) (0.57735,0) (0.277518,0)
(0.328824,0) (0.57735,0) (0.372278,0)
Eigenvalues:
(16,0)
(8.9407e-08,0)
(-1.88417e-16,0)
Eigenvectors:
(0.57735,0) (0.480589,0) (0.408248,0)
(0.57735,0) (0.480589,0) (-0.816497,0)
(0.57735,0) (-0.733531,0) (0.408248,0)
Eigenvalues:
(16,0)
(8.9407e-08,0)
(-1.88417e-16,0)
Eigenvectors:
(0.57735,0) (0.480589,0) (0.408248,0)
(0.57735,0) (0.480589,0) (-0.816497,0)
(0.57735,0) (-0.733531,0) (0.408248,0)
如您所見:
double
和float
有區別 Eigen::Map
和cv2eigen
沒有區別 請注意 ,我不是Eigen
專家,我可能以錯誤的方式使用了Eigen::EigenSolver
。
更新2:
這開始變得一團糟! 這是使用Amradillo的代碼。 請注意 , A
具有相同的K2
值(在C ++中為CK
):
arma::mat A(3,3);
A << 4.333333333333333 << 5.333333333333333 << 6.333333333333333 <<arma::endr
<< 4.333333333333333 << 5.333333333333333 << 6.333333333333333 <<arma::endr
<< 4.333333333333333 << 5.333333333333333 << 6.333333333333333 <<arma::endr;
arma::cx_vec eigval;
arma::cx_mat eigvec;
eig_gen(eigval,eigvec,A);
std::cout<<"eigval="<<std::endl<<eigval<<std::endl<<"eigvec="<<std::endl<<eigvec<<std::endl;
這些是打印的值:
eigval=
(+1.600e+01,+0.000e+00)
(-4.010e-17,+3.435e-16)
(-4.010e-17,-3.435e-16)
eigvec=
(+5.774e-01,+0.000e+00) (-5.836e-02,+3.338e-01) (-5.836e-02,-3.338e-01)
(+5.774e-01,+0.000e+00) (+7.174e-01,+0.000e+00) (+7.174e-01,-0.000e+00)
(+5.774e-01,+0.000e+00) (-5.642e-01,-2.284e-01) (-5.642e-01,+2.284e-01)
說真的,所有這些庫怎么了? 他們甚至彼此都不同意!
cv::eigen
假定輸入矩陣是symetric ,而您的不是。 這就是為什么存在差異的原因。
我相信openCV不支持非對稱矩陣的特征向量,您可能需要使用其他庫。
更新: PCA(主要成分分析) 是特征向量分解,因此您可以采用這種方法,但是最好的方法是使用某些特定的數學庫,例如EIGEN或ARMADILLO。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.