
上QQ阅读APP看本书,新人免费读10天
设备和账号都新为新人
2.1 向量、矩阵和卷积
2.1.1 向量
由多个数X1,X2,…,Xn组成的有序数组,称为向量。向量在计算机视觉中可以表示坐标系上的点,如平面上的点(x,y)、三维中的点(x,y,z)。向量的常用操作有向量的点积(Dot Product)和向量的叉积(Cross Product)。从代数意义上看,向量的点积是对两个向量中的每组对应元素求乘积,再对所有积求和;从几何意义上看,向量的点积可计算两个向量之间的角度,是一个向量在另一个向量方向上的投影。向量的点积得到的结果是一个标量,如式(2-1)和式(2-2)所示。

向量的叉积主要用在三维中,通过两个向量的叉积,生成第三个垂直于向量a和向量b构成的平面,其中i、j、k表示3个坐标轴的单位向量,从而可以在三维空间中建立x、y、z坐标系。向量的叉积仍为一个向量,也可称为法向量,如式(2-3)所示。

向量的范数(Norm)可以简单形象地理解为向量的长度,或者向量到零点的距离,或者相应的两个点之间的距离,表示为
