Transformation linéaire directe: Applications et techniques pratiques en vision par ordinateur
Par Fouad Sabry
()
À propos de ce livre électronique
Qu'est-ce que la transformation linéaire directe
La transformation linéaire directe, également connue sous le nom de DLT, est un algorithme qui résout un ensemble de variables en utilisant un ensemble de relations de similarité comme méthode de travail. ensemble. Dans le domaine de la géométrie projective, ce type de relation est rencontré assez fréquemment. Les exemples applicables aux situations du monde réel incluent les homographies et la relation entre les points tridimensionnels d'une scène et leur projection sur le plan image d'une caméra sténopé.
Comment vous en bénéficierez
(I) Informations et validations sur les sujets suivants :
Chapitre 1 : Transformation linéaire directe
Chapitre 2 : Carte linéaire
Chapitre 3 : Sous-espace linéaire
Chapitre 4 : Décomposition de Cholesky
Chapitre 5 : Matrice inversible
Chapitre 6 : Forme quadratique
Chapitre 7 : Fonction homogène
Chapitre 8 : Noyau (algèbre linéaire)
Chapitre 9 : Coordonnées de Plücker
Chapitre 10 : Transformation du modèle TP dans la théorie du contrôle
(II) Répondre aux principales questions du public sur la transformation linéaire directe.
(III) Exemples concrets d'utilisation de la transformation linéaire directe dans de nombreux domaines.
À qui s'adresse ce livre
Les professionnels, les étudiants de premier cycle et des cycles supérieurs, les passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de transformation linéaire directe.
En savoir plus sur Fouad Sabry
Gravité Artificielle: Pour maintenir votre pied dans l'espace, la gravité artificielle est indispensable Évaluation : 0 sur 5 étoiles0 évaluationHabitat Spatial Gonflable: La future station spatiale sera-t-elle construite en tissu ? Évaluation : 0 sur 5 étoiles0 évaluation
Lié à Transformation linéaire directe
Titres dans cette série (100)
Égalisation d'histogramme: Amélioration du contraste de l'image pour une perception visuelle améliorée Évaluation : 0 sur 5 étoiles0 évaluationVision par ordinateur: Explorer les profondeurs de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationRéduction de bruit: Amélioration de la clarté et techniques avancées de réduction du bruit en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTransformation du radon: Dévoiler des modèles cachés dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationCartographie des tons: Cartographie des tons : perspectives éclairantes en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationDiffusion anisotrope: Améliorer l'analyse d'images grâce à la diffusion anisotrope Évaluation : 0 sur 5 étoiles0 évaluationRétinex: Dévoiler les secrets de la vision informatique avec Retinex Évaluation : 0 sur 5 étoiles0 évaluationTransformation de Hough: Dévoiler la magie de la transformation de Hough en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationModèle d'apparence de couleur: Comprendre la perception et la représentation en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision par ordinateur sous-marine: Explorer les profondeurs de la vision par ordinateur sous les vagues Évaluation : 0 sur 5 étoiles0 évaluationCorrection gamma: Améliorer la clarté visuelle en vision par ordinateur : la technique de correction gamma Évaluation : 0 sur 5 étoiles0 évaluationEspace colorimétrique: Explorer le spectre de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationHomographie: Homographie : transformations en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationVision stéréo par ordinateur: Explorer la perception de la profondeur dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationFiltre à particule: Explorer les filtres à particules en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationGroupe mixte d'experts en photographie: Libérer la puissance des données visuelles avec la norme JPEG Évaluation : 0 sur 5 étoiles0 évaluationModèle du système visuel humain: Comprendre la perception et le traitement Évaluation : 0 sur 5 étoiles0 évaluationPeinture: Combler les lacunes de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationHistogramme d'image: Dévoilement d'informations visuelles, exploration des profondeurs des histogrammes d'images en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationHistogramme des dégradés orientés: Dévoilement du domaine visuel : exploration de l'histogramme des dégradés orientés en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationDétection de gouttes: Dévoiler des modèles dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationCartographie des couleurs: Explorer la perception et l'analyse visuelles en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationFonction de correspondance des couleurs: Comprendre la sensibilité spectrale en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationAjustement du forfait: Optimisation des données visuelles pour une reconstruction précise Évaluation : 0 sur 5 étoiles0 évaluationSystème de gestion des couleurs: Optimiser la perception visuelle dans les environnements numériques Évaluation : 0 sur 5 étoiles0 évaluationDétection des bords: Explorer les limites de la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationContour actif: Faire progresser la vision par ordinateur grâce aux techniques de contour actif Évaluation : 0 sur 5 étoiles0 évaluationCompression d'images: Techniques efficaces pour l'optimisation des données visuelles Évaluation : 0 sur 5 étoiles0 évaluationModèle de couleur: Comprendre le spectre de la vision par ordinateur : explorer les modèles de couleurs Évaluation : 0 sur 5 étoiles0 évaluationTransformation affine: Libérer des perspectives visuelles : explorer la transformation affine en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluation
Livres électroniques liés
Corrélation croisée: Déverrouiller des modèles dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationTenseur trifocal: Explorer la profondeur, le mouvement et la structure en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationMéthode d'ensemble de niveaux: Faire progresser la vision par ordinateur, explorer la méthode de jeu de niveaux Évaluation : 0 sur 5 étoiles0 évaluationTransformation affine: Libérer des perspectives visuelles : explorer la transformation affine en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationChamp aléatoire de Markov: Explorer la puissance des champs aléatoires de Markov en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationHomographie: Homographie : transformations en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationExercices de nombres complexes Évaluation : 0 sur 5 étoiles0 évaluationInterpolation bilinéaire: Amélioration de la résolution et de la clarté de l'image grâce à l'interpolation bilinéaire Évaluation : 0 sur 5 étoiles0 évaluationExercices d'analyse numérique Évaluation : 5 sur 5 étoiles5/5Transformation du radon: Dévoiler des modèles cachés dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationTraité de la résolution des équations numériques de tous les degrés Évaluation : 0 sur 5 étoiles0 évaluationInfographie bidimensionnelle: Explorer le domaine visuel : l'infographie bidimensionnelle en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à l'analyse numérique Évaluation : 0 sur 5 étoiles0 évaluationChamp de mouvement: Explorer la dynamique de la vision par ordinateur : le champ de mouvement dévoilé Évaluation : 0 sur 5 étoiles0 évaluationIntroduction aux nombres complexes Évaluation : 0 sur 5 étoiles0 évaluationLe Livre de Mathématique: Volume 2 Évaluation : 0 sur 5 étoiles0 évaluationExercices de limites Évaluation : 0 sur 5 étoiles0 évaluationAjustement du forfait: Optimisation des données visuelles pour une reconstruction précise Évaluation : 0 sur 5 étoiles0 évaluationIntroduction aux logarithmes et aux exponentielles Évaluation : 0 sur 5 étoiles0 évaluationExercices de logarithmes et d'exponentielles Évaluation : 0 sur 5 étoiles0 évaluationExercices de fonctions multi-variables Évaluation : 0 sur 5 étoiles0 évaluationTransformation de Hough: Dévoiler la magie de la transformation de Hough en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationIntroduction aux vecteurs, matrices et tenseurs Évaluation : 0 sur 5 étoiles0 évaluationIntroduction aux équations et aux inéquations Évaluation : 0 sur 5 étoiles0 évaluationExercices d'équations différentielles ordinaires Évaluation : 0 sur 5 étoiles0 évaluationExercices de statistiques avancées Évaluation : 0 sur 5 étoiles0 évaluationLe Livre de Mathématique: Volume 3 Évaluation : 0 sur 5 étoiles0 évaluationModèle de caméra sténopé: Comprendre la perspective grâce à l'optique informatique Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à la géométrie analytique Évaluation : 0 sur 5 étoiles0 évaluationInfographie de radiosité: Faire progresser la visualisation grâce à la radiosité dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluation
Intelligence (IA) et sémantique pour vous
Maîtriser ChatGPT : Libérez la puissance de l'IA pour améliorer la communication et les relations: French Évaluation : 0 sur 5 étoiles0 évaluationLe guide du hacker : le guide simplifié du débutant pour apprendre les bases du hacking avec Kali Linux Évaluation : 5 sur 5 étoiles5/5Résumé Chatgpt ia Revolution in 2023: Guide de la Technologie Chatgpt et de son Impact Social Évaluation : 0 sur 5 étoiles0 évaluationMonétisation ChatGPT : Exploitez la Puissance de l'IA: ChatGPT Évaluation : 0 sur 5 étoiles0 évaluationMaîtrisez ChatGPT : Du débutant à l'expert - Guide pratique pour exploiter la puissance de l'IA conversationnelle Évaluation : 0 sur 5 étoiles0 évaluationLimites, dangers et menaces de l'Intelligence Artificielle: Un outil sans maîtrises Évaluation : 0 sur 5 étoiles0 évaluationChat GPT : Comment ça fonctionne et comment gagner avec l'utilisation de la technologie d'Intelligence Artificielle Évaluation : 0 sur 5 étoiles0 évaluationIntelligence artificielle: la quatrième révolution industrielle Évaluation : 0 sur 5 étoiles0 évaluationIA dans les Affaires: Guide Pratique de l'Utilisation de l'Intelligence Artificielle dans Divers Secteurs Évaluation : 0 sur 5 étoiles0 évaluationLa prophétie des anciens: Roman dystopique Évaluation : 0 sur 5 étoiles0 évaluationL'art de la création d'images avec l'IA : Techniques, applications et défis éthiques Évaluation : 0 sur 5 étoiles0 évaluationL'intelligence mixte, vers une nouvelle forme d'intelligence Évaluation : 0 sur 5 étoiles0 évaluationTravailler dans le Big Data - les 6 métiers vers lesquels s'orienter Évaluation : 5 sur 5 étoiles5/5Histoire et évolution de l'Intelligence Artificielle Évaluation : 5 sur 5 étoiles5/5L’Empathie au Cœur de l’Intelligence Artificielle, Comment insérer de l’empathie dans les affaires et l’intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluationOsons l'IA à l'école: Préparons nos jeunes à la révolution de l'intelligence artificielle Évaluation : 0 sur 5 étoiles0 évaluation
Avis sur Transformation linéaire directe
0 notation0 avis
Aperçu du livre
Transformation linéaire directe - Fouad Sabry
Transformation linéaire directe
Applications pratiques et techniques de la vision par ordinateur
Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.
Un milliard de connaissances
Transformation linéaire directe
Applications pratiques et techniques de la vision par ordinateur
Fouad Sabry
Copyright
Transformation © linéaire directe 2024 par Fouad Sabry. Tous droits réservés.
Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.
Couverture dessinée par Fouad Sabry.
Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.
Table des matières
Chapitre 1 : Transformation linéaire directe
Chapitre 2 : Carte linéaire
Chapitre 5 : Sous-espace linéaire
Chapitre 6 : Décomposition de Cholesky
Chapitre 10 : Matrice inversible
Chapitre 11 : Forme quadratique
Chapitre 13 : Fonction homogène
Chapitre 15 : Noyau (algèbre linéaire)
Chapitre 16 : Coordonnées du pl cker
Chapitre 20 : Transformation du modèle TP en théorie du contrôle
Appendice
À propos de l'auteur
Chapitre 1 : Transformation linéaire directe
Un ensemble de variables peut être résolu par un ensemble de relations de similarité à l'aide d'une technique appelée transformation linéaire directe (DLT) :
{\mathbf {x}}_{{k}}\propto {\mathbf {A}}\,{\mathbf {y}}_{{k}} pour \,k=1,\ldots ,N
où {\mathbf {x}}_{{k}} et {\mathbf {y}}_{{k}} sont des vecteurs connus, \,\propto désigne l'égalité jusqu'à une multiplication scalaire inconnue, et \mathbf {A} est une matrice (ou transformation linéaire) qui contient les inconnues à résoudre.
En géométrie projective, il s'agit d'un type de relation courant. Les homographes et la relation entre les points de scène 3D et leur projection de caméra à sténopé en sont deux exemples.
En termes simples, un système d'équations linéaires
{\mathbf {x}}_{{k}}={\mathbf {A}}\,{\mathbf {y}}_{{k}} pour \,k=1,\ldots ,N
peut être résolue, par exemple, en la réécrivant sous la forme d'une équation matricielle {\mathbf {X}}={\mathbf {A}}\,{\mathbf {Y}} où les matrices {\mathbf {X}} et {\mathbf {Y}} contiennent les vecteurs {\mathbf {x}}_{{k}} et {\mathbf {y}}_{{k}} dans leurs colonnes respectives.
Puisqu'il n'y a qu'une seule réponse à ce problème,
{\mathbf {A}}={\mathbf {X}}\,{\mathbf {Y}}^{{T}}\,({\mathbf {Y}}\,{\mathbf {Y}}^{{T}})^{{-1}}.Dans le cas où les équations sont surdéterminées ou sous-déterminées, des solutions peuvent également être décrites.
La différence entre le problème de transformation linéaire directe et l'exemple typique susmentionné est que le facteur multiplicatif qui sépare les côtés gauche et droit de l'équation de définition dépend du paramètre k.
Ainsi, \mathbf {A} ne peut pas être calculé comme dans le cas standard.
Au lieu de cela, dans cette approche, les relations de similitude sont transformées en équations homogènes linéaires ordinaires.
Les algorithmes de transformation linéaire directe (DLT) combinent la réécriture d'équations de similarité en tant qu'équations linéaires homogènes et leur résolution à l'aide de méthodes établies.
Ivan Sutherland est crédité pour le développement de la DLT.
Supposons que {\displaystyle k\in \{1,...,N\}} .
Soient {\displaystyle \mathbf {x} _{k}=(x_{1k},x_{2k})\in \mathbb {R} ^{2}} {\displaystyle \mathbf {y} _{k}=(y_{1k},y_{2k},y_{3k})\in \mathbb {R} ^{3}} et soient deux vecteurs connus, et nous voulons trouver la 2\times 3 matrice \mathbf {A} telle que
\alpha _{{k}}\,{\mathbf {x}}_{{k}}={\mathbf {A}}\,{\mathbf {y}}_{{k}}où \alpha _{{k}}\neq 0 est le facteur scalaire inconnu lié à l'équation k.
Définir la matrice antisymétrique pour éliminer les scalaires libres et produire des équations homogènes.
{\mathbf {H}}={\begin{pmatrix}0&-1\\1&0\end{pmatrix}}et multipliez les deux côtés de l'équation par {\mathbf {x}}_{{k}}^{{T}}\,{\mathbf {H}} de gauche à droite
{\displaystyle {\begin{aligned}(\mathbf {x} _{k}^{T}\,\mathbf {H} )\,\alpha _{k}\,\mathbf {x} _{k}&=(\mathbf {x} _{k}^{T}\,\mathbf {H} )\,\mathbf {A} \,\mathbf {y} _{k}\\\alpha _{k}\,\mathbf {x} _{k}^{T}\,\mathbf {H} \,\mathbf {x} _{k}&=\mathbf {x} _{k}^{T}\,\mathbf {H} \,\mathbf {A} \,\mathbf {y} _{k}\end{aligned}}}Puisque {\mathbf {x}}_{{k}}^{{T}}\,{\mathbf {H}}\,{\mathbf {x}}_{{k}}=0, les équations homogènes suivantes, qui sont maintenant dépourvues des mystérieux scalaires, sont à portée de main
{\displaystyle \mathbf {x} _{k}^{T}\,\mathbf {H} \,\mathbf {A} \,\mathbf {y} _{k}=0}Afin de résoudre \mathbf {A} à partir de cet ensemble d'équations, considérons les éléments des vecteurs {\mathbf {x}}_{{k}} et {\mathbf {y}}_{{k}} de la matrice \mathbf {A} :
{\mathbf {x}}_{{k}}={\begin{pmatrix}x_{{1k}}\\x_{{2k}}\end{pmatrix}} , {\mathbf {y}}_{{k}}={\begin{pmatrix}y_{{1k}}\\y_{{2k}}\\y_{{3k}}\end{pmatrix}} , et {\mathbf {A}}={\begin{pmatrix}a_{{11}}&a_{{12}}&a_{{13}}\\a_{{21}}&a_{{22}}&a_{{23}}\end{pmatrix}}
Dans ce cas, l'équation homogène ci-dessus se simplifie en
0=a_{{11}}\,x_{{2k}}\,y_{{1k}}-a_{{21}}\,x_{{1k}}\,y_{{1k}}+a_{{12}}\,x_{{2k}}\,y_{{2k}}-a_{{22}}\,x_{{1k}}\,y_{{2k}}+a_{{13}}\,x_{{2k}}\,y_{{3k}}-a_{{23}}\,x_{{1k}}\,y_{{3k}}pour \,k=1,\ldots ,N.
La forme matricielle fonctionne tout aussi bien pour cela :
0={\mathbf {b}}_{{k}}^{{T}}\,{\mathbf {a}} pour \,k=1,\ldots ,N
où {\mathbf {b}}_{{k}} et les \mathbf{a} deux sont des vecteurs à 6 dimensions définis comme
{\mathbf {b}}_{{k}}={\begin{pmatrix}x_{{2k}}\,y_{{1k}}\\-x_{{1k}}\,y_{{1k}}\\x_{{2k}}\,y_{{2k}}\\-x_{{1k}}\,y_{{2k}}\\x_{{2k}}\,y_{{3k}}\\-x_{{1k}}\,y_{{3k}}\end{pmatrix}} et {\mathbf {a}}={\begin{pmatrix}a_{{11}}\\a_{{21}}\\a_{{12}}\\a_{{22}}\\a_{{13}}\\a_{{23}}\end{pmatrix}}.
Nous avons une équation et six variables à ce stade. La forme matricielle peut être utilisée pour exprimer un système d'équations homogènes.
{\mathbf {0}}={\mathbf {B}}\,{\mathbf {a}}où \mathbf {B} est une N\times 6 matrice qui contient les vecteurs connus {\mathbf {b}}_{{k}} dans ses lignes.
L'inconnue \mathbf{a} peut être déterminée, par exemple, par une décomposition en valeurs singulières de \mathbf {B} ; \mathbf{a} est un vecteur singulier droit de \mathbf {B} correspondant à une valeur singulière égale à zéro.
Une fois \mathbf{a} que cela a été déterminé, les éléments de la matrice \mathbf {A} peuvent être réarrangés à partir du vecteur \mathbf {a} .
Notez que la mise à l'échelle de \mathbf{a} or \mathbf {A} n'est pas importante (sauf qu'elle doit être non nulle) puisque les équations de définition permettent déjà une mise à l'échelle inconnue.
En pratique, les vecteurs {\mathbf {x}}_{{k}} et {\mathbf {y}}_{{k}} peuvent contenir du bruit, ce qui signifie que les équations de similarité ne sont qu'approximativement valides.
Ainsi, il se peut qu'il n'y ait pas de vecteur \mathbf{a} qui résolve exactement l'équation homogène {\mathbf {0}}={\mathbf {B}}\,{\mathbf {a}} .
Dans de telles situations, une solution des moindres carrés totaux peut être utilisée en choisissant \mathbf{a} comme vecteur singulier droit correspondant à la plus petite valeur singulière de {\mathbf {B}}.
L'exemple ci-dessus a {\mathbf {x}}_{{k}}\in {\mathbb {R}}^{{2}} et {\mathbf {y}}_{{k}}\in {\mathbb {R}}^{{3}} , mais la stratégie générale de réécriture des relations de similarité en équations linéaires homogènes peut être généralisée à des dimensions arbitraires pour et {\mathbf {x}}_{{k}} {\mathbf {y}}_{{k}}.
Si {\mathbf {x}}_{{k}}\in {\mathbb {R}}^{{2}} et {\mathbf {y}}_{{k}}\in {\mathbb {R}}^{{q}} les expressions précédentes peuvent toujours conduire à une équation
0={\mathbf {x}}_{{k}}^{{T}}\,{\mathbf {H}}\,{\mathbf {A}}\,{\mathbf {y}}_{{k}} pour \,k=1,\ldots ,N
où \mathbf {A} maintenant est 2\times q. Chaque k fournit une équation dans les 2q éléments inconnus de \mathbf {A} et ensemble, ces équations peuvent être écrites {\mathbf {B}}\,{\mathbf {a}}={\mathbf {0}} pour la N\times 2\,q matrice \mathbf {B} connue et le vecteur inconnu de dimension 2q {\mathbf {a}}. Ce vecteur peut être trouvé de la même manière que précédemment.
Dans le cas le plus général {\mathbf {x}}_{{k}}\in {\mathbb {R}}^{{p}} et {\mathbf {y}}_{{k}}\in {\mathbb {R}}^{{q}} .
La principale différence par rapport à précédemment est que la matrice \mathbf {H} est maintenant p \times p antisymétrique.
Lorsque {\displaystyle p>2} l'espace de ces matrices n'est plus unidimensionnel, il a une taille mesurable.
M={\frac {p\,(p-1)}{2}}.Cela suggère qu'il existe M équations homogènes de type pour toutes les valeurs de k.
0={\mathbf {x}}_{{k}}^{{T}}\,{\mathbf {H}}_{{m}}\,{\mathbf {A}}\,{\mathbf {y}}_{{k}} pour \,m=1,\ldots ,M et pour \,k=1,\ldots ,N
où {\mathbf {H}}_{{m}} est une base de dimension M de l'espace des p \times p matrices antisymétriques.
Dans le cas où p = 3, les trois matrices suivantes {\mathbf {H}}_{{m}} peuvent être choisies
{\mathbf {H}}_{{1}}={\begin{pmatrix}0&0&0\\0&0&-1\\0&1&0\end{pmatrix}} , {\mathbf {H}}_{{2}}={\begin{pmatrix}0&0&1\\0&0&0\\-1&0&0\end{pmatrix}} , {\mathbf {H}}_{{3}}={\begin{pmatrix}0&-1&0\\1&0&0\\0&0&0\end{pmatrix}}.
Les équations linéaires homogènes dans cette situation peuvent être exprimées comme suit :
{\mathbf {0}}=[{\mathbf {x}}_{{k}}]_{{\times }}\,{\mathbf {A}}\,{\mathbf {y}}_{{k}} pour \,k=1,\ldots ,N
où [{\mathbf {x}}_{{k}}]_{{\times }} est la représentation matricielle du produit vectoriel vectoriel.
Cette équation finale est de la variété vectorielle ; le membre de gauche est l'élément zéro de {\mathbb {R}}^{{3}} .
Chaque valeur de k fournit trois équations linéaires homogènes dans les éléments inconnus de \mathbf {A} .
Cependant, puisque [{\mathbf {x}}_{{k}}]_{{\times }} a rang = 2, le nombre maximum d'équations linéairement indépendantes est de deux.
Dans la pratique, il est donc courant de n'utiliser que deux des trois matrices {\mathbf {H}}_{{m}} , par exemple, pour m=1, 2.
Cependant, la dépendance linéaire entre les équations dépend de {\mathbf {x}}_{{k}} , donc, dans des situations défavorables, la sélection aurait été une option supérieure, par exemple, m = 2,3.
Donc, si le nombre d'équations n'a pas d'importance, il peut être préférable d'utiliser les trois équations lors de la construction de la matrice \mathbf {B} .
La dépendance linéaire entre les équations linéaires homogènes résultantes est une préoccupation générale pour le cas p > 2 et doit être traitée soit en réduisant l'ensemble des matrices antisymétriques, {\mathbf {H}}_{{m}} soit en permettant \mathbf {B} de devenir plus grand que nécessaire pour déterminer {\mathbf {a}}.
{Fin du chapitre 1}
Chapitre 2 : Carte linéaire
En mathématiques, et en algèbre linéaire en particulier, une application linéaire (ou application linéaire) est un type d'application qui, transformation linéaire, homomorphisme d'espaces vectoriels, ou dans certains contextes fonction linéaire) est une application V\to W entre deux espaces vectoriels qui préserve les opérations d'addition vectorielle et de multiplication scalaire.
Le cas plus général des modules sur un anneau utilise les mêmes noms et la même définition ; Recherchez Homomorphisme des modules.
Un isomorphisme linéaire est une bijection entre deux espaces vectoriels.
Dans le cas où {\displaystyle V=W} , l'endomorphisme linéaire est un autre nom pour une application.
Cette situation est parfois appelée opérateur linéaire, Cependant, il existe quelques traditions distinctes qui définissent ce que l'on entend par l'expression « opérateur linéaire ». Par exemple, il peut être utilisé pour mettre l'accent sur le fait que V et W sont de vrais espaces vectoriels (pas nécessairement avec {\displaystyle V=W} ), ou il peut être utilisé pour mettre