C++ Svd犰狳给出了一些NaN值

我发现

Armadillo

包可以在图像上执行

SVD

。我首先尝试使用

OpenCV

，速度非常慢。因此，现在我正在编写一个示例，使用这个新库执行

SVD

，但我没有得到与

OpenCV

相同的结果。经过一些研究，它似乎与拉帕克有关，

OpenCV

不再使用拉帕克，而是

Armadillo

使用拉帕克。因此，我在进行

SVD

计算后重建图像，以验证是否恢复了原始图像。使用

OpenCV

是可以的，差值接近0，但我不知道为什么犰狳的

NaN

数字是单数，所以我无法恢复图像

提前感谢您提供的任何帮助/建议

<>我的C++代码：

int main()
{
    // Load the image
    cv::Mat img = cv::imread("path/to/the/image.png", 0);
    img.convertTo(img, CV_32FC1);

    // Convert cv::Mat to arma::fmat
    arma::fmat arma_img(reinterpret_cast<float*>(img.data), img.cols, img.rows);

    // Check if the image back from armadillo is okay
    cv::Mat opencv_img(arma_img.n_cols, arma_img.n_rows, CV_32FC1, arma_img.memptr());

    // ------ Perform SVD with OpenCV (2.5s)
    cv::SVD svvd;
    cv::Mat w1, U1, V1t;
    svvd.compute(opencv_img, w1, U1, V1t);

    cv::Mat W1 = cv::Mat::zeros(w1.rows, w1.rows, CV_32FC1);
    for (int i = 0; i<w1.rows; i++)
    {
        W1.at<float>(i, i) = w1.at<float>(i);
    }
    cv::Mat opencv_img_result = U1 * W1 * V1t;

    // ------ Perform SVD with Armadillo (0.05s)
    arma::fmat U2, V2;
    arma::fvec w2;
    arma::svd(U2, w2, V2, arma_img);

    arma::fmat W2 = arma::zeros<arma::fmat>(arma_img.n_rows, arma_img.n_cols);
    for (int i = 0; i < arma_img.n_cols; i++)
    {
        *(W2.memptr() + i * (1 + arma_img.n_rows)) = *(w2.memptr() + i);
    }
    arma::fmat arma_img_result = U2 * W2* V2.t();

    return 0;
}

intmain（）
{
//加载图像
cv:：Mat img=cv:：imread（“path/to/the/image.png”，0）；
img.convertTo（img，CV_32FC1）；
//将cv:：Mat转换为arma:：fmat
arma：：fmat arma_img（重新解释投射（img.data）、img.cols、img.rows）；
//检查犰狳返回的图像是否正常
cv:：Mat opencv_img（arma_img.n_cols，arma_img.n_rows，cv_32FC1，arma_img.memptr（））；
//----使用OpenCV执行SVD（2.5s）
cv:SVD-svvd；
cv：：材料w1、U1、V1t；
svvd.compute（opencv_img，w1，U1，V1t）；
cv:：Mat W1=cv:：Mat:：Zero（W1.行，W1.行，cv_32FC1）；
对于（int i=0；i而言，问题在于计算模式：

method参数是可选的；method是“dc”或“std”

矩阵

dc
模式工作不正常，但是
std
模式工作不正常。可能是
dc
模式下的Lapack库出错

"dc" indicates divide-and-conquer method (default setting)
"std" indicates standard method
the divide-and-conquer method provides slightly different results than the standard method, but is considerably faster for large