Python 如何求解超定线性系统X*A=B?
如何求解超定线性系统Python 如何求解超定线性系统X*A=B?,python,numpy,math,linear-algebra,affinetransform,Python,Numpy,Math,Linear Algebra,Affinetransform,如何求解超定线性系统X*A=B,给出了A,B,我需要找到X 对于平方矩阵()来说,解决方案似乎很简单: 但是如何处理非平方矩阵呢 示例代码: def to_homogeneous(_pts): n = _pts.shape[0] _pts = _pts.transpose() pts = np.ones((3,n), np.float32) pts[:2,:] = _pts return pts def get_random_affine_matrix(
X*A=B
,给出了A,B
,我需要找到X
对于平方矩阵()来说,解决方案似乎很简单:
但是如何处理非平方矩阵呢
示例代码:
def to_homogeneous(_pts):
n = _pts.shape[0]
_pts = _pts.transpose()
pts = np.ones((3,n), np.float32)
pts[:2,:] = _pts
return pts
def get_random_affine_matrix():
src_tri = np.random.rand(3,2) * np.random.randint(1,10)
src_tri = src_tri.astype(np.float32)
src_tri = to_homogeneous(src_tri)
dst_tri = np.random.rand(3,2) * np.random.randint(1,10)
dst_tri = dst_tri.astype(np.float32)
dst_tri = to_homogeneous(dst_tri)
m = dst_tri @ np.linalg.inv(src_tri)
print('-'*60)
print('src_tri.shape', src_tri.shape)
print('src_tri:')
print(src_tri)
print('-'*60)
print('dst_tri.shape', dst_tri.shape)
print('dst_tri:')
print(dst_tri)
print('-'*60)
print('m.shape', m.shape)
print('m:')
print(np.round(m, 5))
return m
m = get_random_affine_matrix()
src_pts = np.random.rand(4,2) * np.random.randint(1,10)
src_pts = src_pts.astype(np.float32)
src_pts = to_homogeneous(src_pts)
dst_pts = m @ src_pts
print('-'*60)
print('src_pts.shape', src_pts.shape)
print('src_pts:')
print(src_pts)
print('-'*60)
print('dst_pts.shape', dst_pts.shape)
print('dst_pts:')
print(dst_pts)
m = dst_pts @ np.linalg.inv(src_pts) # Gives LinAlgError: Last 2 dimensions of the array must be square
输出:
------------------------------------------------------------
src_tri.shape (3, 3)
src_tri:
[[2.7440674 3.0138168 2.118274 ]
[3.5759468 2.724416 3.2294705]
[1. 1. 1. ]]
------------------------------------------------------------
dst_tri.shape (3, 3)
dst_tri:
[[0.5950692 0.5453126 1.6243374 ]
[0.11342596 0.95533025 0.9599543 ]
[1. 1. 1. ]]
------------------------------------------------------------
m.shape (3, 3)
m:
[[-1.42684 -0.39356 5.91778]
[-0.68516 -1.20574 6.30521]
[ 0. 0. 1. ]]
------------------------------------------------------------
src_pts.shape (3, 4)
src_pts:
[[8.33037 0.7841637 7.4935784 7.830109 ]
[0.63932455 0.18196557 7.003411 8.807565 ]
[1. 1. 1. 1. ]]
------------------------------------------------------------
dst_pts.shape (3, 4)
dst_pts:
[[-6.2199397 4.7272906 -7.5306525 -8.7208805 ]
[-0.17327118 5.5485325 -7.2733746 -9.679293 ]
[ 1.0000011 1.0000001 1.0000015 1.0000017 ]]
LinAlgError: Last 2 dimensions of the array must be square
我能用伪逆解出来:
# X * A = B
# X * A * A.tr() = B * A.tr()
# X = B * A.tr() * Inv(A * A.tr())
m2 = dst_pts @ src_pts.transpose() @ np.linalg.inv(src_pts @ src_pts.transpose())
我能用伪逆解出来:
# X * A = B
# X * A * A.tr() = B * A.tr()
# X = B * A.tr() * Inv(A * A.tr())
m2 = dst_pts @ src_pts.transpose() @ np.linalg.inv(src_pts @ src_pts.transpose())
我认为最好的解决方案是使用numpy的
lstsq
功能:
像这样重写你的系统
#X*A = B <=> A.T*X.T = B.T
这是一个更好的解决方案,无论是在速度和准确性方面,使用反演还是伪反演,除非您明确需要这些,否则我强烈建议您不要使用它们我认为最好的解决方案是使用numpy的
lstsq
函数:
像这样重写你的系统
#X*A = B <=> A.T*X.T = B.T
这是一个更好的解决方案,无论是在速度和精度方面,使用逆和伪逆,除非您明确需要这些,否则我强烈建议您不要使用它们您使用非方矩阵的伪逆:使用
np.linalg.pinv
:同样值得使用的是,您可以使用OpenCV应用,invert,等典型转换。例如,请参见cv2.invertAffineTransform
:对非方矩阵使用伪逆:使用np.linalg.pinv
:也可以使用OpenCV应用、反转等典型变换。例如,参见cv2.invertAffineTransform
: