Tenseur trifocal: Explorer la profondeur, le mouvement et la structure en vision par ordinateur
Par Fouad Sabry
()
À propos de ce livre électronique
Qu'est-ce que le tenseur trifocal
Dans le domaine de la vision par ordinateur, le tenseur trifocal est un tableau numérique qui présente des dimensions de 3 × 3 × 3 et englobe toutes les relations géométriques. qui sont projectives entre les trois perspectives. Les coordonnées des points ou des lignes correspondants dans trois vues différentes sont liées entre elles par cette méthode, indépendante de la structure de la scène et reposant uniquement sur le mouvement relatif entre les trois vues ainsi que sur les paramètres d'étalonnage intrinsèques de chaque vue. . En conséquence, le tenseur trifocal peut être considéré comme la généralisation de la matrice fondamentale dans trois perspectives différentes. Malgré le fait que le tenseur soit composé de 27 éléments, il est important de souligner que seuls 18 de ces éléments sont véritablement indépendants.
Comment vous en bénéficierez
(I) Informations et validations sur les sujets suivants :
Chapitre 1 : Trifocal_tensor
Chapitre 2 : Rank_(linear_algebra)
Chapitre 3 : Trace_(linear_algebra)
Chapitre 4 : Principal_component_analysis
Chapitre 5 : Translation_(géométrie)
Chapitre 6 : Kronecker_product
Chapitre 7 : Valeurs propres et vecteurs propres
Chapitre 8 : Espace_tridimensionnel
Chapitre 9 : Matrice_fondamentale_(vision_ordinateur)
Chapitre 10 : Détection_de coin
(II) Répondre aux principales questions du public sur le tenseur trifocal.
(III) Exemples concrets d'utilisation du tenseur trifocal dans de nombreux domaines.
À qui s'adresse ce livre
Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de tenseur trifocal.
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 Tenseur trifocal
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
Transformation linéaire directe: Applications et techniques pratiques en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationExercices de Systèmes Linéaires Différentiels 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 de matrices et d'algèbre linéaire Évaluation : 0 sur 5 étoiles0 évaluationExercices d'analyse numérique Évaluation : 5 sur 5 étoiles5/5Corrélation croisée: Déverrouiller des modèles dans la vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à l'analyse numérique Évaluation : 0 sur 5 étoiles0 évaluationInfographie bidimensionnelle: Explorer le domaine visuel : l'infographie bidimensionnelle 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 évaluationExercices de nombres complexes Évaluation : 0 sur 5 étoiles0 évaluationIntroduction aux vecteurs, matrices et tenseurs Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à la géométrie analytique Évaluation : 0 sur 5 étoiles0 évaluationExercices d'étude de fonction Évaluation : 0 sur 5 étoiles0 évaluationTransformation affine: Libérer des perspectives visuelles : explorer la transformation affine en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationExercices de Géométrie Analytique de Base Évaluation : 0 sur 5 étoiles0 évaluationTransformation du radon: Dévoiler des modèles cachés dans les données visuelles Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à la topologie Évaluation : 0 sur 5 étoiles0 évaluationHomographie: Homographie : transformations en vision par ordinateur Évaluation : 0 sur 5 étoiles0 évaluationIntroduction à la goniométrie et à la trigonométrie Évaluation : 0 sur 5 étoiles0 évaluationAjustement du forfait: Optimisation des données visuelles pour une reconstruction précise Évaluation : 0 sur 5 étoiles0 évaluationModèle de caméra sténopé: Comprendre la perspective grâce à l'optique informatique Évaluation : 0 sur 5 étoiles0 évaluationIntroduction au calcul vectoriel et matriciel Évaluation : 0 sur 5 étoiles0 évaluationIntroduction aux logarithmes et aux exponentielles Évaluation : 0 sur 5 étoiles0 évaluationLe Livre de Mathématique: Volume 2 Évaluation : 0 sur 5 étoiles0 évaluationProjection orthographique: Explorer la projection orthographique 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 évaluationIntroduction aux nombres complexes Évaluation : 0 sur 5 étoiles0 évaluationAlgorithme de dessin de ligne: Maîtriser les techniques de rendu d’images de précision Évaluation : 0 sur 5 étoiles0 évaluationExercices de limites 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 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 Tenseur trifocal
0 notation0 avis
Aperçu du livre
Tenseur trifocal - Fouad Sabry
Tenseur trifocal
Exploration de la profondeur, du mouvement et de la structure dans 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
Tenseur trifocal
Exploration de la profondeur, du mouvement et de la structure dans la vision par ordinateur
Fouad Sabry
Copyright
Tenseur © trifocal 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 : Tenseur trifocal
Chapitre 2 : Rang (algèbre linéaire)
Chapitre 3 : Trace (algèbre linéaire)
Chapitre 4 : Analyse en composantes principales
Chapitre 5 : Translation (géométrie)
Chapitre 6 : Produit Kronecker
Chapitre 7 : Valeurs propres et vecteurs propres
Chapitre 8 : L'espace tridimensionnel
Chapitre 9 : Matrice fondamentale (vision par ordinateur)
Chapitre 10 : Détection des coins
Appendice
À propos de l'auteur
Chapitre 1 : Tenseur trifocal
En ce qui concerne la vision par ordinateur, le tenseur trifocal (également tritenseur) est un tableau 3×3×3 de nombres (c'est-à-dire un tenseur) qui représente l'ensemble des relations entre trois points de vue en géométrie projective.
Les coordonnées tridimensionnelles des lignes et des points parallèles sont liées, n'ayant rien à voir avec la topologie de la scène et tout à voir avec la mobilité relative (c'est-à-dire la position) entre les trois perspectives et leurs facteurs de calibrage innés.
Par conséquent, le tenseur trifocal peut être considéré comme une version tridimensionnelle de la matrice de base.
Il est souligné que bien que le tenseur se compose de 27 éléments, seuls 18 d'entre eux peuvent vraiment être considérés comme autosuffisants.
Il y a 11 degrés de liberté, ou éléments indépendants, dans ce que l'on appelle le tenseur trifocal calibré, qui encode la posture relative des caméras jusqu'à l'échelle globale en reliant les coordonnées des points et des lignes dans trois vues compte tenu de leurs propriétés intrinsèques. Moins de correspondances doivent être ajustées dans le modèle en raison de la diminution des degrés de liberté, mais cela se fait au détriment d'une non-linéarité plus élevée.
Le tenseur peut également être vu comme une collection de trois matrices de rang deux 3 x 3 {\mathbf T}_1, \; {\mathbf T}_2, \; {\mathbf T}_3 connues sous le nom de tranches de corrélation.
En supposant que les matrices de projection de trois vues sont {\mathbf P}=[ {\mathbf I} \; | \; {\mathbf 0} ] , {\displaystyle {\mathbf {P} }'=[{\mathbf {A} }\;|\;{\mathbf {a} }_{4}]} et {\displaystyle {\mathbf {P} ''}=[{\mathbf {B} }\;|\;{\mathbf {b} }_{4}]} , les tranches de corrélation du tenseur correspondant peuvent être exprimées sous forme fermée sous la forme ,
{\mathbf T}_i={\mathbf a}_i {\mathbf b}_4^t - {\mathbf a}_4 {\mathbf b}_i^t, \; i=1 \ldots 3où {\mathbf a}_i, \; {\mathbf b}_i sont respectivement les ièmes colonnes des matrices de caméra.
Dans la pratique, cependant, le tenseur est calculé en comparant chacune des trois perspectives pour l'appariement des points et des lignes.
Les relations linéaires entre les lignes et les points de trois images sont l'un des résultats les plus utiles du tenseur trifocal.
Plus précisément, pour les triplets de points correspondants {\displaystyle {\mathbf {x} }\;\leftrightarrow \;{\mathbf {x} }'\;\leftrightarrow \;{\mathbf {x} }''} et toutes les lignes correspondantes {\displaystyle {\mathbf {l} }\;\leftrightarrow \;{\mathbf {l} }'\;\leftrightarrow \;{\mathbf {l} }''} qui les traversent, les restrictions trilinéaires énumérées ci-dessous sont valides :
{\displaystyle ({\mathbf {l} }^{\prime t}\left[{\mathbf {T} }_{1},\;{\mathbf {T} }_{2},\;{\mathbf {T} }_{3}\right]{\mathbf {l} }'')[{\mathbf {l} }]_{\times }={\mathbf {0} }^{t}}{\displaystyle {\mathbf {l} }^{\prime t}\left(\sum _{i}x_{i}{\mathbf {T} }_{i}\right){\mathbf {l} }''=0}{\displaystyle {\mathbf {l} }^{\prime t}\left(\sum _{i}x_{i}{\mathbf {T} }_{i}\right)[{\mathbf {x} }'']_{\times }={\mathbf {0} }^{t}}{\displaystyle [{\mathbf {x} }']_{\times }\left(\sum _{i}x_{i}{\mathbf {T} }_{i}\right){\mathbf {l} }''={\mathbf {0} }}{\displaystyle [{\mathbf {x} }']_{\times }\left(\sum _{i}x_{i}{\mathbf {T} }_{i}\right)[{\mathbf {x} }'']_{\times }={\mathbf {0} }_{3\times 3}}où [\cdot]_{\times} désigne la matrice de produits vectoriels symétriques par symétrie.
L'emplacement d'un point dans une troisième vue peut être déterminé à partir d'une paire de points appariés dans deux vues en utilisant uniquement le tenseur trifocal de ces vues. Le transfert de points décrit ce phénomène, qui s'applique également aux lignes et aux coniques. Il est possible de transférer des courbes génériques sous forme de coniques en les modélisant d'abord sous forme de cercles osculateurs dans une courbe différentielle locale. Cependant, la question des tenseurs trifocaux non calibrés est toujours en suspens.
Le cas type implique des correspondances en six points avec trois solutions.
Ces dernières années ont vu la solution au problème du calcul du tenseur trifocal à l'aide de seulement neuf correspondances linéaires.
L'estimation calibrée du tenseur trifocal est considérée comme extrêmement difficile et nécessite des correspondances en quatre points. La même méthode s'est également avérée minimale avec le degré 216 pour la situation combinée des correspondances à trois points et des correspondances à une ligne.
{Fin du chapitre 1}
Chapitre 2 : Rang (algèbre linéaire)
Le rang d'une matrice A est le nombre de dimensions de l'espace vectoriel formé (ou étendu) par ses colonnes en algèbre linéaire. Par conséquent, la « non-dégénérescence » des équations linéaires et des transformations linéaires stockées par A peut être quantifiée en fonction de son rang. Le rang peut être compris de différentes manières. Le rang d'une matrice est une propriété très élémentaire.
Le rang est généralement représenté par les symboles rank (A) ou rk (A) ; Le rang d'une matrice est défini dans cette section. Il existe un large éventail de significations potentielles, dont certaines sont explorées dans la section Significations alternatives.
Si A est un ensemble, son rang de colonne est le nombre d'éléments dans son espace de colonne, et son rang de ligne est le nombre d'éléments dans son espace de ligne.
En algèbre linéaire, c'est un résultat du premier ordre que le rang d'une colonne est toujours égal au rang d'une ligne.
(Trois preuves de ce résultat sont données au § Preuves que rang de colonne = rang de ligne, ci-dessous.) Considérez cette somme (c'est-à-dire que le comptage du nombre de lignes et de colonnes uniques dans A donne son rang.
Si une matrice a le même nombre de lignes et de colonnes que la plus grande matrice concevable de ces dimensions, alors on dit qu'elle a un rang complet. Si une matrice n'a pas de rang complet, on dit qu'elle est déficiente en rang. Si une matrice a moins de lignes que de colonnes, on dit qu'elle a un déficit de rang.
Le rang d'une carte linéaire ou d'un opérateur \Phi est défini comme la dimension de son image :
{\displaystyle \operatorname {rank} (\Phi ):=\dim(\operatorname {img} (\Phi ))}où {\displaystyle \dim } est la dimension d'un espace vectoriel, et {\displaystyle \operatorname {img} } est l'image d'une carte.
La matrice
{\displaystyle {\begin{bmatrix}1&0&1\\-2&-3&1\\3&3&0\end{bmatrix}}}a le rang 2 ; Il y a au moins deux colonnes linéairement indépendantes (la première et la deuxième), donc le rang est au moins 2, mais le rang n'est pas supérieur à 3 puisque la troisième colonne est une combinaison linéaire des deux premières (la première moins la seconde).
La matrice
{\displaystyle A={\begin{bmatrix}1&1&0&2\\-1&-1&0&-2\end{bmatrix}}}a le rang 1 ; il y a des colonnes, donc le rang est non nul ; Pourtant, deux colonnes quelconques sont linéairement dépendantes l'une de l'autre. Dans le même ordre d'idées, l'inversion
{\displaystyle A^{\mathrm {T} }={\begin{bmatrix}1&-1\\1&-1\\0&0\\2&-2\end{bmatrix}}}au premier endroit, A.
En effet, étant donné que la transposition de A a les mêmes vecteurs colonne que les vecteurs ligne de A, dire qu'une matrice a le même rang que sa transposition est comparable à dire que son rang de colonne est le même que son rang de ligne, c'est-à-dire rank(A) = rank(AT).
La recherche du rang d'une matrice implique généralement de la transformer en une forme plus simple, appelée forme d'échelon de ligne, en utilisant uniquement des opérations de ligne simples. En raison de leur inversibilité, les opérations sur les lignes ne modifient pas l'espace des lignes (et donc le rang des lignes) et traduisent l'espace des colonnes en un espace isomorphe (ne modifient donc pas le rang des colonnes). La forme d'échelon de ligne rend le rang égal à la somme du nombre de pivots (ou colonnes de base) plus le nombre de lignes non nulles.
Considérons la matrice A, qui peut s'écrire sous la forme
{\displaystyle A={\begin{bmatrix}1&2&1\\-2&-3&1\\3&5&0\end{bmatrix}}}peut être écrit sous forme compacte d'échelon de ligne en utilisant les opérations de ligne de base suivantes :
{\displaystyle {\begin{aligned}{\begin{bmatrix}1&2&1\\-2&-3&1\\3&5&0\end{bmatrix}}&\xrightarrow {2R_{1}+R_{2}\to R_{2}} {\begin{bmatrix}1&2&1\\0&1&3\\3&5&0\end{bmatrix}}\xrightarrow {-3R_{1}+R_{3}\to R_{3}} {\begin{bmatrix}1&2&1\\0&1&3\\0&-1&-3\end{bmatrix}}\\&\xrightarrow {R_{2}+R_{3}\to R_{3}} \,\,{\begin{bmatrix}1&2&1\\0&1&3\\0&0&0\end{bmatrix}}\xrightarrow {-2R_{2}+R_{1}\to R_{1}} {\begin{bmatrix}1&0&-5\\0&1&3\\0&0&0\end{bmatrix}}~.\end{aligned}}}Par conséquent, le rang de la matrice A est 2, car la matrice finale (sous forme d'échelon de ligne) comporte deux lignes qui ne sont pas 0.
L'élimination gaussienne de base (décomposition LU) peut être instable lorsqu'elle est utilisée dans des calculs en virgule flottante sur des ordinateurs ; Une décomposition révélatrice du rang est recommandée à la place. La décomposition en valeurs singulières (SVD) est une alternative puissante, bien qu'il existe des alternatives moins chères qui sont encore plus robustes numériquement que l'élimination gaussienne, telles que la décomposition QR avec pivotement (ce que l'on appelle la factorisation QR révélatrice de rang). Un choix pratique qui dépend à la fois de la matrice et de l'application est nécessaire pour la détermination numérique du rang, tel qu'un critère de sélection lorsqu'une valeur, telle qu'une valeur singulière du SVD, doit être considérée comme nulle.
En algèbre linéaire, l'égalité des rangs de colonnes et de lignes d'une matrice est une propriété fondamentale.
De nombreux exemples ont été fournis.
L'une des plus élémentaires a été esquissée dans le § Rang à partir des formes d'échelon de rangée.
Une preuve alternative est présentée ici :
Il est facile de démontrer qu'une opération de ligne de base n'a aucun effet sur le rang des lignes ou sur le rang des colonnes. En raison de la nature de l'élimination gaussienne, qui n'implique que des opérations de ligne simples, le rang de ligne et le rang de colonne d'une matrice sont tous deux conservés dans sa version d'échelon de ligne réduit. La matrice peut être transformée en matrice d'identité en effectuant quelques opérations de colonne plus élémentaires, telles que l'ajout d'une ligne de zéros de chaque côté. Encore une fois, cela n'a aucun effet sur l'ordre des lignes ou des colonnes. Le nombre de matrices avec des entrées non nulles est directement proportionnel au rang de chaque ligne et colonne.
Deux autres preuves de ce résultat sont fournies. La première est indépendante du champ et n'utilise que des caractéristiques élémentaires de combinaisons linéaires de vecteurs. Wardlaw est le fondement de la preuve (2005).
Soit A une matrice m × n.
Considérons r comme le rang de colonne de A, et soit c1, .., cr comme une base quelconque de l'espace de colonne de A.
Placez-les comme les colonnes d'une matrice m × r C.
Chacune des colonnes de A peut être écrite comme une combinaison linéaire des colonnes r de C.
Cela signifie qu'il existe une matrice r × n R telle que A = CR.
R est la matrice dont la ième colonne est formée à partir des coefficients