【知识总结系列】 - 计算机图形学基础知识

图像变换概念

这里的变换具体指什么？

“变换” 指的是对图形或物体的几何变化或坐标变换。这种变化可以改变对象的位置、形状、方向、大小或其他几何属性。在计算机图形学、计算机视觉和几何学中，“变换” 通常指的是将一个对象从一个坐标系统或空间变换到另一个坐标系统或空间的操作。

这些变换可以包括平移（移动对象的位置）、旋转（改变对象的方向）、缩放（改变对象的大小）、错切（扭曲对象的形状）、投影（将三维对象映射到二维平面）、颜色变换（改变对象的颜色属性）等等。这些变换通常用数学矩阵表示，以便进行计算和应用。

变换在图形学和计算机视觉中具有广泛的应用，用于创建动画、图像处理、对象识别、模拟相机视图、几何建模等任务。通过应用不同类型的变换，可以改变和控制对象的外观和行为，从而实现各种视觉效果和分析操作。

有那些变换？

许多其他常见的图形变换和几何变换，它们在计算机图形学、计算机视觉和图像处理中都有广泛的应用。以下是一些常见的变换类型：

仿射变换（Affine Transformation）：包括平移、旋转、缩放和错切等线性变换，可以用矩阵表示。

透视变换（Perspective Transformation）：用于处理三维场景的投影到二维平面，通常涉及到远近物体的大小变化。

多项式变换（Polynomial Transformation）：使用多项式函数进行变换，可用于曲线拟合和图像畸变校正。

射影变换（Projective Transformation）：类似于透视变换，但包括更一般的几何变换，通常涉及到四边形到四边形的映射。

非线性变换（Nonlinear Transformation）：包括各种非线性函数，用于处理复杂的几何变换，如极坐标转换、极化坐标变换等。

仿射变换（Deformation Transformation）：用于变形对象，可以用于创建特效、动画和图像编辑。

颜色变换（Color Transformation）：用于改变图像的颜色和亮度，包括颜色空间变换、调色板变换等。

傅里叶变换（Fourier Transformation）：用于将图像从空间域转换到频域，用于频域分析和滤波。深度学习常说的捕捉图像的高频特征大概就是这个意思。

小波变换（Wavelet Transformation）：用于将图像分解成不同频率的小波成分，用于图像压缩和分析。

形态学变换（Morphological Transformation）：用于形态学图像处理，包括腐蚀、膨胀、开运算、闭运算等。

这些变换可以根据任务的需求和具体应用来选择和组合，用于实现不同类型的图像处理、图像增强、图像识别、图像配准等任务。不同类型的变换可以在处理不同的图像特征和结构时发挥作用。

什么是仿射变换？

仿射变换（Affine Transformation）是图形学和计算机视觉领域中的一种线性变换，用于将一个二维或三维对象从一个位置、大小、方向映射到另一个位置、大小、方向，同时保持了原始对象的平行线性质和直线性质。

仿射变换是一种非常基础且重要的几何变换，它可以表示为一个矩阵乘法，通常用于以下操作：

平移（Translation）：将对象沿着给定的方向和距离移动。

旋转（Rotation）：围绕一个中心点旋转对象。

缩放（Scaling）：增加或减小对象的大小。

错切（Shearing）：在一个方向上拉伸或收缩对象。

镜像（Reflection）：将对象翻转，通常是关于某个轴对称翻转。

仿射变换的重要性在于它保持了原始对象的直线性质和平行线性质。这意味着在仿射变换后，原始对象上的直线仍然是直线，平行线仍然是平行线。这种性质对于许多图像处理、计算机视觉和计算机图形学任务非常有用，如图像校正、物体识别、图像配准等。

在二维情况下，仿射变换可以表示为一个3x3的矩阵，其中包括平移、旋转、缩放和错切的参数。在三维情况下，仿射变换可以表示为一个4x4的矩阵，包括平移、旋转、缩放、错切以及透视投影的参数。这些变换是计算机图形学和计算机视觉中的基础操作，用于实现图像处理和计算机生成的图像。

只进行平移和旋转和缩放的变换叫什么？

只进行平移、旋转和缩放的变换通常被称为刚体变换（Rigid Transformation）或欧几里德变换（Euclidean Transformation）。这种类型的变换保持了对象的形状和大小，同时允许对象在平面内或三维空间中进行平移、旋转和缩放。

刚体变换包括以下操作：

平移（Translation）：将对象沿着给定的方向和距离移动，不改变对象的形状和大小。

旋转（Rotation）：围绕一个中心点旋转对象，使得对象的方向发生改变，但不改变形状和大小。

缩放（Scaling）：增加或减小对象的大小，但保持形状和相对位置不变。

这种类型的变换常常用于计算机图形学、计算机视觉和几何学中，用于处理和分析对象在平面或三维空间中的运动、位置和方向变化。刚体变换具有重要的性质，如保持点之间的距离和角度，因此在许多应用中非常有用，如物体定位、图像配准、动画和机器人运动控制等。

透视变换的步骤?

透视变换是一种将三维场景投影到二维平面上的几何变换，通常用于创建具有深度感的图像，例如在计算机图形学、计算机视觉和摄影中。以下是执行透视变换的一般步骤：

1. 定义投影矩阵（Projection Matrix）：

• 首先，需要定义一个投影矩阵，通常表示为 P。这个矩阵包含了摄像机的内部参数（如焦距、相机位置等）和外部参数（如相机的旋转和平移）。
• 投影矩阵的具体构建方式取决于相机模型和需求，常见的包括透视投影和正交投影。

2. 确定场景的三维坐标：

• 对于需要进行透视变换的三维场景，需要确定每个对象或点在三维世界坐标系中的位置。

3. 应用投影变换：

• 对于每个场景中的点或对象，将其坐标（通常是齐次坐标）与投影矩阵相乘，以获得投影后的二维坐标。
  投影后的坐标通常表示为 [x, y, w]，其中 x 和 y 是二维坐标，w 是齐次坐标的缩放因子。

4. 执行透视除法：

• 透视除法是将投影坐标中的齐次坐标进行缩放以获得标准的二维坐标的过程。
• 透视除法通常是通过将投影坐标中的 x 和 y 除以 w 来执行的，即 $x^{\prime }=x/w$ 和 $y^{\prime }=y/w$。

5. 得到最终投影结果：

• 经过透视除法后，得到的坐标 (x’, y’) 即为投影到二维平面上的最终结果。
• 这些坐标可以用于在屏幕上绘制或渲染场景。

需要注意的是，透视变换通常用于模拟相机拍摄场景的效果，包括远近物体的大小差异和透视效果。投影矩阵的构建和透视变换的具体实现方式可能因应用和需求而异。在计算机图形学和计算机视觉中，常常使用现成的数学库和工具来执行透视变换。

矩阵奇异值的含义？

矩阵的奇异值是线性代数和矩阵分析中的重要概念，与矩阵的特征值、秩、范数等性质密切相关，在信号处理、机器学习、数值计算等领域有广泛应用。以下从定义、几何意义、性质及应用等方面详细解析其含义：

一、奇异值的定义

对于任意一个 ( m \times n ) 的实矩阵 ( A )（复矩阵可通过共轭转置推广），其奇异值（Singular Value）定义为矩阵 ( A^T A )（或 ( A A^T )）的特征值的非负平方根。具体步骤如下：

1. 计算 协方差矩阵 ( A^T A )（这是一个半正定对称矩阵，其特征值均为非负实数）。
2. 将 ( A^T A ) 的特征值按从大到小排序，记为 ( \lambda_1 \geq \lambda_2 \geq \dots \geq \lambda_r > 0 )（其中 ( r ) 为矩阵 ( A ) 的秩）。
3. 奇异值 ( \sigma_i ) 定义为 ( \sigma_i = \sqrt{\lambda_i} )，通常用 ( \sigma_1 \geq \sigma_2 \geq \dots \geq \sigma_r > 0 ) 表示非零奇异值，其余为 ( 0 )。

二、几何意义：矩阵对向量的缩放能力

奇异值的本质是描述矩阵在线性变换中的“缩放因子”，其几何意义可通过**奇异值分解（SVD）**直观理解：
若矩阵 ( A ) 的奇异值分解为 ( A = U \Sigma V^T )，其中：

• ( U ) 和 ( V ) 是正交矩阵（列向量为标准正交基）；
• ( \Sigma ) 是对角矩阵，对角线元素为 ( A ) 的奇异值 ( \sigma_1, \sigma_2, \dots, \sigma_n )。

从几何视角看，线性变换 ( y = A x ) 可分解为三步：

1. 旋转：用正交矩阵 ( V^T ) 对输入向量 ( x ) 进行旋转（不改变向量长度）；
2. 缩放：通过 ( \Sigma ) 对各维度进行缩放，缩放因子为奇异值 ( \sigma_i )；
3. 旋转：用正交矩阵 ( U ) 对结果向量进行旋转。

因此，最大奇异值 ( \sigma_1 ) 表示矩阵 ( A ) 对向量的最大缩放倍数，最小非零奇异值 ( \sigma_r ) 表示矩阵 ( A ) 对向量的最小缩放倍数，而零奇异值对应矩阵的“零空间”（即被映射为零向量的方向）。

三、关键性质

1. 与矩阵秩的关系
   矩阵 ( A ) 的秩等于其非零奇异值的个数。若所有奇异值均为零，则 ( A ) 是零矩阵。

2. 范数表示

   • 谱范数（2-范数）：矩阵 ( A ) 的谱范数等于其最大奇异值 ( \sigma_1 )，即 ( |A|_2 = \sigma_1 )，表示矩阵对向量的最大放大能力。
   • Frobenius 范数：矩阵 ( A ) 的 Frobenius 范数等于奇异值的平方和的平方根，即 ( |A|_F = \sqrt{\sigma_1^2 + \sigma_2^2 + \dots + \sigma_n^2} )，衡量矩阵的整体“能量”。

3. 与特征值的联系

   • 对于实对称矩阵（或 Hermitian 矩阵），奇异值等于特征值的绝对值（因特征值可正可负，而奇异值非负）。
   • 对于正定矩阵，奇异值等于其特征值（因特征值均为正）。

4. 极值性质
   奇异值满足极小极大定理（Courant-Fischer 定理），例如最大奇异值 ( \sigma_1 ) 可表示为：
   [
   \sigma_1 = \max_{|x|=1} |A x|_2
   ]
   即单位向量经 ( A ) 变换后的最大长度。

四、应用场景

1. 数据降维（PCA）
   在主成分分析中，数据矩阵的奇异值对应各主成分的“方差”（即信息含量），通过保留大奇异值对应的成分，可实现数据压缩与降维。

2. 矩阵近似与低秩恢复
   根据** Eckart-Young 定理**，用前 ( k ) 个最大奇异值对应的奇异向量可构造矩阵的最佳秩 ( k ) 近似（最小化 Frobenius 范数或谱范数误差），例如图像压缩中保留主要特征。

3. 病态矩阵检测
   矩阵的条件数（Condition Number）定义为最大奇异值与最小非零奇异值的比值（( \kappa(A) = \sigma_1 / \sigma_r )），反映矩阵的“病态程度”。条件数越大，矩阵求逆或线性方程组求解时的数值稳定性越差。

4. 信号处理与机器学习

   • 在信号降噪中，奇异值分解可分离信号的主成分与噪声（噪声通常对应小奇异值）。
   • 在推荐系统（如协同过滤）中，奇异值分解用于提取用户-物品矩阵的隐含特征。

5. 几何变换分析
   在计算机图形学中，奇异值可描述线性变换的“各向异性”，例如三维变换中的缩放、旋转和剪切效应。

五、总结

奇异值是矩阵的核心特征之一，它从全局视角刻画了矩阵的线性变换能力，将矩阵分解为正交变换与缩放变换的组合。通过奇异值，可高效分析矩阵的秩、范数、条件数等关键属性，并在工程与科学领域中实现降维、近似、降噪等实际应用。理解奇异值的含义有助于深入掌握矩阵理论及其在现代数据科学中的核心作用。

矩阵奇异值和特征值的含义

矩阵的奇异值和特征值是线性代数中描述矩阵特性的核心概念，二者既有联系又有本质区别。以下从定义、几何意义、性质及应用等方面对比解析其含义：

一、定义与数学背景

1. 特征值（Eigenvalue）

• 定义：对于 ( n \times n ) 的方阵 ( A )，若存在非零向量 ( x ) 和标量 ( \lambda )，使得 ( A x = \lambda x )，则 ( \lambda ) 称为 ( A ) 的特征值，( x ) 为对应的特征向量。
• 求解：通过特征方程 ( \det(A - \lambda I) = 0 ) 计算，特征值可能为实数或复数。
• 适用范围：仅适用于方阵（非方阵无特征值）。

2. 奇异值（Singular Value）

• 定义：对于任意 ( m \times n ) 的矩阵 ( A )（包括非方阵），其奇异值是矩阵 ( A^T A )（或 ( A A^T )）的特征值的非负平方根。记为 ( \sigma_1 \geq \sigma_2 \geq \dots \geq \sigma_r > 0 )（( r ) 为矩阵秩）。
• 求解：先计算 ( A^T A ) 的特征值，再取平方根，结果恒为非负数。
• 适用范围：任意矩阵（方阵、非方阵均可）。

二、几何意义对比

1. 特征值的几何意义：方阵的“伸缩因子”与“旋转”

• 对于实对称方阵（如协方差矩阵），特征值表示矩阵在特征向量方向上的缩放因子。例如：
  • 正特征值 ( \lambda > 0 )：表示沿特征向量方向直接缩放 ( \lambda ) 倍；
  • 负特征值 ( \lambda < 0 )：表示先缩放 ( |\lambda| ) 倍，再沿特征向量方向反转；
  • 复特征值（如旋转矩阵）：表示在特征向量张成的子空间内进行旋转和缩放。
• 局限性：非对称方阵的特征值可能难以直观几何化，且非方阵无特征值。

2. 奇异值的几何意义：任意矩阵的“各向异性缩放”

• 通过奇异值分解（SVD），矩阵 ( A = U \Sigma V^T ) 可分解为：
  1. 旋转（( V^T )）：将输入向量旋转到标准正交基空间；
  2. 缩放（( \Sigma )）：在各维度上用奇异值 ( \sigma_i ) 缩放；
  3. 旋转（( U )）：将结果向量旋转到输出空间。
• 关键含义：
  • 最大奇异值 ( \sigma_1 )：矩阵对向量的最大缩放倍数（对应谱范数）；
  • 最小非零奇异值 ( \sigma_r )：矩阵对向量的最小缩放倍数；
  • 零奇异值：对应矩阵的零空间（即被映射为零向量的方向）。

三、核心性质对比

性质	特征值	奇异值
非负性	可正、负、零或复数（实矩阵可能有复特征值）	恒为非负数（零或正数）
存在性	仅适用于方阵	适用于任意矩阵
与矩阵秩的关系	非零特征值个数 ≤ 秩（可能存在零特征值）	非零奇异值个数 = 秩
范数对应	- 谱半径：最大特征值绝对值（仅对称矩阵适用）	- 谱范数：最大奇异值 ( \sigma_1 ) - Frobenius 范数：奇异值平方和开方
分解唯一性	特征分解不唯一（依赖特征向量基的选择）	奇异值分解唯一（奇异值顺序固定，正交矩阵 ( U, V ) 可能不唯一）
物理意义	描述方阵的“内在变换”（如振动频率、主成分）	描述任意矩阵的“变换强度分布”（如数据方差、信号能量）

四、联系与转换

1. 对称矩阵的特殊情况
   若 ( A ) 是实对称矩阵（( A^T = A )），则其奇异值等于特征值的绝对值，即 ( \sigma_i = |\lambda_i| )。

   • 证明：( A^T A = A^2 )，特征值为 ( \lambda_i^2 )，故奇异值 ( \sigma_i = \sqrt{\lambda_i^2} = |\lambda_i| )。

2. 通过特征值定义奇异值
   对任意矩阵 ( A )，其奇异值 ( \sigma_i ) 是 ( A^T A ) 或 ( A A^T ) 的特征值的平方根，而 ( A^T A ) 和 ( A A^T ) 均为半正定对称矩阵，特征值非负。

3. 极值性质的统一性

   • 特征值的极大值：对称矩阵的最大特征值等于其谱范数（( \lambda_{\max} = |A|_2 )）；
   • 奇异值的极大值：任意矩阵的最大奇异值等于其谱范数（( \sigma_1 = |A|_2 )）。

五、典型应用场景

1. 特征值的应用

• 物理系统分析：如振动模式（特征值对应频率平方）、量子力学中的能量本征值。
• 主成分分析（PCA）：协方差矩阵的特征值表示各主成分的方差，用于提取数据的主要变化方向。
• 矩阵对角化与幂运算：通过特征分解简化矩阵的高次幂计算（如马尔可夫链的稳态分布）。

2. 奇异值的应用

• 数据降维与压缩：利用奇异值分解（SVD）保留大奇异值对应的成分（如图片压缩、推荐系统）。
• 病态矩阵检测：条件数 ( \kappa(A) = \sigma_1 / \sigma_r ) 衡量矩阵求逆的稳定性（数值计算中的关键指标）。
• 信号处理与降噪：小奇异值通常对应噪声，通过截断小奇异值实现信号去噪（如奇异值阈值法）。
• 非方阵的特征分析：如矩形线性方程组的解存在性（通过奇异值判断秩）。

六、总结：核心区别与互补性

维度	特征值	奇异值
本质	方阵的“内在特征”（依赖基的选择）	任意矩阵的“变换强度谱”（不依赖基，全局属性）
几何直观	沿特征向量方向的缩放/旋转	正交变换下的各向异性缩放
非方阵处理	不可用	核心工具（唯一能描述非方阵的“特征”）
应用侧重	方阵的物理意义、对角化、模态分析	任意矩阵的近似、降维、稳定性分析

互补性：

• 特征值是方阵的“微观特征”，揭示其在特定方向上的行为；
• 奇异值是任意矩阵的“宏观特征”，刻画其整体变换能力的分布。
  二者共同构成矩阵分析的核心工具，分别在不同场景中发挥关键作用。

奇异值分解（SVD）的各个矩阵是那种形式

奇异值分解（Singular Value Decomposition，SVD）是将任意一个矩阵分解为三个矩阵的乘积，其形式与矩阵的维度密切相关。以下是SVD的标准形式、各矩阵的类型及几何意义的详细说明：

一、SVD的标准形式

对于任意 ( m \times n ) 的实矩阵 ( A )，其奇异值分解可表示为：
[
A = U \Sigma V^T
]
其中：

• ( U ) 是 ( m \times m ) 的正交矩阵（Orthogonal Matrix），即 ( U^T U = U U^T = I_m )；
• ( \Sigma ) 是 ( m \times n ) 的对角矩阵（Diagonal Matrix），主对角线元素为非负奇异值 ( \sigma_1 \geq \sigma_2 \geq \dots \geq \sigma_r > 0 )，其余元素为0（( r ) 是矩阵 ( A ) 的秩）；
• ( V ) 是 ( n \times n ) 的正交矩阵，即 ( V^T V = V V^T = I_n )。

二、各矩阵的具体形式与性质

1. 矩阵 ( U )：左奇异矩阵（Left Singular Vectors）

• 维度：( m \times m )（行数等于 ( A ) 的行数）。
• 构成：
  ( U ) 的列向量称为左奇异向量，它们是矩阵 ( A A^T ) 的单位正交特征向量。
  • 若 ( A ) 的秩为 ( r )，则前 ( r ) 列对应非零奇异值的特征向量，后 ( m-r ) 列对应零奇异值的特征向量（若 ( m > r )）。
• 性质：
  • 列向量构成 ( \mathbb{R}^m ) 空间的一组标准正交基；
  • 前 ( r ) 列张成 ( A ) 的列空间（Column Space），后 ( m-r ) 列张成 ( A^T ) 的零空间（Null Space）。

2. 矩阵 ( \Sigma )：奇异值对角矩阵

• 维度：( m \times n )（与 ( A ) 同维度）。
• 形式：
  [
  \Sigma = \begin{bmatrix}
  \Sigma_r & \mathbf{0} \
  \mathbf{0} & \mathbf{0}
  \end{bmatrix}, \quad \text{其中 } \Sigma_r = \text{diag}(\sigma_1, \sigma_2, \dots, \sigma_r)
  ]
  • ( \sigma_i ) 是 ( A ) 的奇异值，满足 ( \sigma_1 \geq \sigma_2 \geq \dots \geq \sigma_r > 0 )，且 ( \sigma_i = \sqrt{\lambda_i} )（( \lambda_i ) 是 ( A^T A ) 的非零特征值）；
  • 当 ( m \geq n ) 时，( \Sigma ) 的右下角为 ( (m-r) \times (n-r) ) 的零矩阵；
  • 当 ( m < n ) 时，( \Sigma ) 的右下角为 ( (m-r) \times (n-r) ) 的零矩阵（此时行数 ( m ) 小于列数 ( n )，零行可能更少）。

3. 矩阵 ( V )：右奇异矩阵（Right Singular Vectors）

• 维度：( n \times n )（列数等于 ( A ) 的列数）。
• 构成：
  ( V ) 的列向量称为右奇异向量，它们是矩阵 ( A^T A ) 的单位正交特征向量。
  • 前 ( r ) 列对应非零奇异值的特征向量，后 ( n-r ) 列对应零奇异值的特征向量（若 ( n > r )）。
• 性质：
  • 列向量构成 ( \mathbb{R}^n ) 空间的一组标准正交基；
  • 前 ( r ) 列张成 ( A ) 的行空间（Row Space），后 ( n-r ) 列张成 ( A ) 的零空间（Null Space）。

三、几何意义与分解过程

SVD可理解为对向量的正交变换→缩放→正交变换的组合：

1. 第一步（( V^T )）：将输入向量从原始坐标系旋转/反射到由右奇异向量 ( V ) 张成的正交坐标系（行空间与零空间）。
2. 第二步（( \Sigma )）：在新坐标系的各个轴上，用奇异值 ( \sigma_i ) 对向量进行缩放（非零轴对应列空间，零轴对应零空间）。
3. 第三步（( U )）：将缩放后的向量旋转/反射到由左奇异向量 ( U ) 张成的输出坐标系（列空间与 ( A^T ) 的零空间）。

直观示例：

• 若 ( A ) 是 ( 2 \times 2 ) 矩阵，可将其视为对平面向量的变换：
  • ( V ) 的列向量是输入平面的一组正交基（如 ( x ) 轴和 ( y ) 轴）；
  • ( \Sigma ) 将这组基分别缩放 ( \sigma_1 ) 和 ( \sigma_2 ) 倍；
  • ( U ) 的列向量是输出平面的一组正交基，最终变换结果是缩放后的基向量在输出空间的映射。

四、特殊情况：方阵与满秩矩阵

1. 方阵（( m = n )）

• 若 ( A ) 是满秩方阵（可逆矩阵），则 ( \Sigma ) 为满秩对角矩阵（所有奇异值 ( \sigma_i > 0 )），且 ( U ) 和 ( V ) 均为正交矩阵。
• 若 ( A ) 是对称矩阵，( U = V )，此时SVD退化为特征分解 ( A = U \Lambda U^T )（( \Lambda ) 为特征值对角矩阵）。

2. 非方阵（( m \neq n )）

• 例如 ( m > n )（高瘦矩阵）：
  ( \Sigma ) 有 ( n ) 个非零奇异值（若满秩），下方有 ( m-n ) 行零向量；
  ( U ) 的前 ( n ) 列张成 ( A ) 的列空间，后 ( m-n ) 列张成 ( A^T ) 的零空间。
• 例如 ( m < n )（矮胖矩阵）：
  ( \Sigma ) 有 ( m ) 个非零奇异值（若满秩），右侧有 ( n-m ) 列零向量；
  ( V ) 的前 ( m ) 列张成 ( A ) 的行空间，后 ( n-m ) 列张成 ( A ) 的零空间。

五、SVD的唯一性与计算

1. 唯一性

• 奇异值的唯一性：奇异值 ( \sigma_i ) 按降序排列时唯一确定。
• 正交矩阵的非唯一性：
  • 若存在重复奇异值（即 ( \sigma_i = \sigma_{i+1} )），对应的左/右奇异向量张成的子空间可任意选择正交基，导致 ( U ) 和 ( V ) 不唯一。
  • 若所有奇异值互异且非零，则 ( U ) 和 ( V ) 的列向量（除符号外）唯一确定。

2. 计算方法

• 标准流程：
  1. 计算 ( A^T A ) 的特征值和特征向量，得到右奇异矩阵 ( V ) 和奇异值 ( \sigma_i )；
  2. 通过 ( u_i = \frac{A v_i}{\sigma_i} )（对非零奇异值）计算左奇异向量，补充正交基得到 ( U )。
• 实际应用中通过数值算法（如QR分解、二分法）避免直接计算 ( A^T A )（防止数值不稳定）。

六、总结：SVD矩阵的核心特征

矩阵	维度	类型	物理意义	与特征值的关系
( U )	( m \times m )	正交矩阵	输出空间的正交基（列空间方向）	列向量是 ( A A^T ) 的特征向量
( \Sigma )	( m \times n )	对角矩阵（非负元素）	各方向的缩放因子（奇异值）	主对角线为 ( \sqrt{\lambda_i} )
( V )	( n \times n )	正交矩阵	输入空间的正交基（行空间方向）	列向量是 ( A^T A ) 的特征向量

SVD通过正交矩阵将任意矩阵的变换分解为“旋转→缩放→旋转”的组合，是线性代数中最强大的工具之一，广泛应用于数据科学、信号处理、机器学习等领域。