opencv cvsolve函式主要是用來求解線性系統ax=b的方程，x的解。solve函式跟它的演算法是一樣的，也是用來求解線性系統。
設方程ax = b.根據有效的方程個數和未知數的個數，可以分為以下3種情況：
1）rank（a） < n，也就是說方程個數小於未知數的個數，約束不夠，方程存在無陣列解，
2) rank（a） = n 方程個數等於未知數的個數， 方程存在唯一的精確解，解法通常有我們熟悉的消元法，lu分解法
3) rank(a) > n，方程個數多於未知數個數，這個時候約束過於嚴格，沒有精確解，這種方程又稱之為超定方程。通常工程應用都會遇到這種情況，找不到精確解的情況下，我們選取最優解。這個最優解，又稱之為最小二乘解。
前面2種情況是比較好理解的，我們在這裡就不多說了，我們重點研究的是第3種情況，也是我們應用中碰到最多最常見的情況。
這個超定方程的最優解是怎麼求的呢？常規的消元法是無解的，於是有人提出並證明了這樣乙個理論：
以下是定理3的證明：
我們把ax=b的問題直接轉化成a'a x = a'b的求解，那麼求超定線性方程組的方法，應該就轉換成（a'*a)x = (a'*b)咯。而這個新的方程又具有什麼樣的特性呢？
那麼，這個應該是常規線性方程求解啦，為什麼不能直接lu分解或是用消元法呢，這個文件裡說了，也確實是可以的
update(2017.5.8):這是有前提的，必須是r(a) = n時，atax = atb才有唯一解，否則，我們求的還是最小二乘解。
而在solve函式的**中，用特徵值分解（jacobi）呢？
jacobi方法用於求解對稱矩陣的特徵值，對稱矩陣不一定是滿秩矩陣，不一定能夠順利的lu分解，但是可以作svd分解！如果是呼叫cvsolve的話，求最小二乘解，
那麼最後一項要傳入cv_svd.不管是svd還是jacobi都是跟特徵值相關。jacobi求奇異值分解的方法，
詳情參考
**片段加註解：
templatebool
jacobiimpl_( _tp* a, size_t astep, _tp* w, _tp* v, size_t vstep, int n, uchar* buf )
}int iters, maxiters = n*n*30;
int* indr = (int*)alignptr(buf, sizeof(int));
int* indc = indr + n;
_tp mv = (_tp)0;
for( k = 0; k < n; k++ )
indr[k] = m; //第a[k][k]右邊最大的非對角元素的列下標
}if( k > 0 )
indc[k] = m;//第a[k][k]上邊最大的非對角元素的行下標}}
if( n > 1 ) for( iters = 0; iters < maxiters; iters++ )
int l = indr[k];
for( i = 1; i < n; i++ )
_tp p = a[astep*k + l];
if( std::abs(p) <= eps )
break;
_tp y = (_tp)((w[l] - w[k])*0.5);
_tp t = std::abs(y) + hypot(p, y);
_tp s = hypot(p, t);
_tp c = t/s;
s = p/s; t = (p/t)*p;
if( y < 0 )
s = -s, t = -t;
a[astep*k + l] = 0;
w[k] -= t;
w[l] += t;
_tp a0, b0;
#undef rotate
#define rotate(v0, v1) a0 = v0, b0 = v1, v0 = a0*c - b0*s, v1 = a0*s + b0*c
// rotate rows and columns k and l
for( i = 0; i < k; i++ )
rotate(a[astep*i+k], a[astep*i+l]);
for( i = k+1; i < l; i++ )
rotate(a[astep*k+i], a[astep*i+l]);
for( i = l+1; i < n; i++ )
rotate(a[astep*k+i], a[astep*l+i]);
// rotate eigenvectors
if( v )
for( i = 0; i < n; i++ )
rotate(v[vstep*k+i], v[vstep*l+i]);
#undef rotate
for( j = 0; j < 2; j++ )
indr[idx] = m;
}if( idx > 0 )
indc[idx] = m;}}
}//降序排列特徵值和相應的特徵向量
// sort eigenvalues & eigenvectors
for( k = 0; k < n-1; k++ )
if( k != m )
}return true;
}
參考簡單證明：
min ||ax||
s.t ||x||=1
目標函式：||ax|| = x'a'ax = x'lamda x=lamda||x||=lamda,其中lamda是a'a的特徵值。
於是可知，得到了a'a的最小特徵值，就得到了最優值，而其最小特徵值對應的特徵向量就是最優解.
函式基礎 匿名函式，函式，箭頭函式，立即執行函式
doctype html html lang en head meta charset utf 8 meta name viewport content width device width,initial scale 1.0 title document title head body body ...
函式 常見函式
def fib n if n 1 return 1if n 2 return 1return fib n 1 fib n 2 def hannuo n,a,b,c n 表示有n個盤子 a 代表第乙個塔，開始的塔 b 代表第二個塔，過渡塔 c 代表第三個塔，目標塔 d.在 中n 2，這個分支可以不要，...
Lua 函式 函式
在lua中，函式是一種對語句和表示式進行抽象的主要機制。函式既可以完成某項特定的任務，也可以只做一些計算並返回結果。lua具有一項非常於總不同的特徵，允許函式返回多個結果 s,e string.find hello lua users lua print s,e 7 9 以lua編寫的函式同樣可以返...