第8章 关于继黄黑色p站张宇考研数学之后，蓝色p站也可以学习了这码事儿——工程数学：最小二乘法在机器视觉中的应用（实习初步学习笔记）

……竟然凑够了三十人hhhh

那大家就来看H文写手讲数学吧。

哎呦沃日你大坝，word文档复制粘贴到p站上不会直接把图导进来，离谱……

先修课程：高等数学（基础）、线性代数（重要！）、计算方法（重要！）、机器视觉与人工智能一类的视觉算法课（不是很必要）。

这节课我们讲《最小二乘法在计算机视觉的一些应用》，全文分为三个部分，第一部分讲：什么是最小二乘法？第二第三部分讲最小二乘法的两个应用。

最小二乘法：背景？性质？用途？

很多时候，我们在工程中会遇到解多元一次方程组的问题，比如我们要解一个三元一次方程组，那很明显，我们需要三组互相线性不相关的方程，这样才能恰好解出方程的解X1、X2、X3。也就是说，当我们要解一个n元一次方程组的时候，一般来说是需要n组互相线性不相关的方程的。

这个性质，我们用矩阵来表示：

A(n*n) * X(n*1) = B(n*1)

其中X就是我们要求的解向量。

但是在工程中，我们遇到的问题往往是：我们所列出的方程，每一组都存在误差，比如模拟到数字的转化误差（比如电表量电压的时候，只能显示小数点后一位，但是实际上的电压可能小数点后面还有好几位）、数据类型转化产生的误差（如double到int，6.5->6，这0.5的误差就出来了）……等等等等。

那这样一来，我拿着这些带着误差的值去求解，那当然是铁求错啊！于是乎，工程师们就想了个办法：既然反正错了，不如我多用几组数据去求解，这样去求一个方差最小的解出来，尽量满足计算要求。

好家伙，这样一来，多组数据共同进入运算，互相去消除误差，听起来很美妙对吧？Wouldn’t that be lovely?

我说婷婷。

比如我们用十组（n=10）数据去求解一个六元一次方程吧。

我们再把刚才的矩阵表达式带一遍，会是怎么样呢？

A(10*10) * X(6*1) = B(10*1)

发现问题了没有！矩阵维度根本不一致！这个矩阵乘法等式根本不成立！

那有些同学就问了啊，A它不是一个10*6的矩阵吗？怎么到你这就成了10*10了呢？

哎我说这讲课不是胡说，编课不是瞎编。我们再写一下矩阵表达式：

A(10*6) * X(6*1) = B(10*1)

好！矩阵等式至少在维度上成立了！很有精神！大功告成？

我说婷婷。

10组数据根本解不出来6个未知数，这是一个超定问题（已知的量的个数超过求解需要的量的个数）。

那怎么办？我总不能一下子扔掉后四个已知量吧？且不说这前边的六位兄弟卖了后面的四个兄弟，他们的心里冷~冰~冰~，还有就是我们一开始的目的：多组数据共同进入运算，互相去消除误差没有达到，可以说没有充分地利用已知条件。

那这个时候就要到最小二乘法大显神威了：我们在上一条等式的两边乘以A的转置：

AT(6*6)*A(10*6) * X(6*1) = AT(6*6)*B(10*1)