数学领域中的一些著名悖论及其产生背景
1.(a-xe)v1=av1+xev1=av1+xv1=(a+x)v1所以v1是矩阵a-xe特征值为a+x的特征向量。2.存在可逆矩阵p，使得p逆ap=对角阵△=（a1,a2,....an），那么，（p逆ap）（p逆ap）=（a1,a2,....an）（a1,a2,....an）p逆a^2p=（a1,a2,....an）（a1,a2,....an）=（a1^2,....,an^2）所以a^2=p（a1^2,....,an^2）p逆，特征值为a1^2,....,an^2。
LZ是文科生吧
在国内外有很多关于特征值与特征向量的研究成果，并且有很多专家学者涉足此领域研问题，吴江、孟世才、许耿在《浅谈线性代数>中“特征值与特征向量”的引入》中从线性空间V中线性变换在不同基下的矩阵具有相似关系出发，引入矩阵的特征值与特征向量的定义；郭华、刘小明在《特征值与特征向量在矩阵运算中的作用》中从方阵的特征值与特征向量的性质出发，结合具体的例子阐述了特征值与特征向量在简化矩阵运算中所起的作用；矩阵的特征与特征向量在结构动力分析中有重要作用，矩阵迭代法是求矩阵的第一阶特征值与特征向量的一种数值方法但是选取不同的初始向量使结果可能收敛于不同阶的特征值与特征向量，而不一定收敛与第一阶。陈建兵在《矩阵迭代法求矩阵特征值与特征向量初始向量选取的讨论》中讨论了初始向量的选取问题特征值理论是线性代数中的一个重要的内容；当方阵阶数很高时实际计算比较繁琐。赵娜、吕剑峰在《特征值问题的MATLAB实践》中从实际案例入手，利用MATLAB软件讨论了求解特征值问题的全过程。汪庆丽在《用矩阵的初等变换求矩阵的特征值与特征向量》中研究了一种只对矩阵作适当的初等行变换就能求到矩阵的特征值与特征向量的方法，论证其方法的合理性，并阐述此方法的具体求解步骤；岳嵘在《由特征值特征向量去顶矩阵的方法证明及应用》中探究了已知n阶对称矩阵A的k个互不相等的特征值及k-1个特征向量计算出矩阵A的计算方法；张红玉在《矩阵特征值的理论及应用》中讨论了通过n阶方阵A的特征值得出一系列相关矩阵的特征值再由特征值与正定矩阵的关系得出正定矩阵的结论；刘学鹏、杨军在《矩阵的特征值、特征向量和应用》一文中讨论了矩阵的特征值和特征向量的一些特殊情况，以及在矩阵对角化方面的应用；冯俊艳、马丽在《讨论矩阵的特征值与行列式的关系》中讨论了利用矩阵的特征值解决行列式的问题等等。 在前人研究的基础上，本文给出了特征值与特征向量的概念及其性质，特征值与特征向量性质是最基本的内容，特征值与特征向量的归纳使得这一工具的使用更加便利，解决问题的作用更强有力，其应用也就更广泛在此基础上，对矩阵的特征值与特征向量的计算进行详尽的阐述和说明由于特征值与特征向量的应用是多方面的，本文重点介绍了对特征值与特征向量的应用归纳阐述了特征值和特征向量在矩阵运算中的作用，以及部分在实际生活中的应用。在例题解析中运用一些特征值与特征向量的性质和方法，可以使问题更简单，运算上更方便，是简化有关复杂问题的一种有效途径本文就是通过大量的例子加以说明运用特征值与特征向量的性质可以使问题更加清楚，从而使高等代数中的大量习题迎刃而解，把特征值与特征向量在解决实际问题中的优越性表现出来。矩阵的特征值可以确定所发现的特征多项式的根。多项式的根的显式代数公式仅当存在比率为4以下。根据阿贝尔鲁菲尼定理5个或5个以上的多项式的根源是没有一般情况下，明确和准确的代数公式。事实证明，任何程度的多项式是一些同伴阶矩阵的特征多项式。因此，5个或更多的顺序的矩阵的特征值和特征向量不能获得通过明确的代数公式，因此，必须计算的近似数值方法在理论上，可以精确计算的特征多项式的系数，因为它们是矩阵元素的总和，有算法，可以找到任何所需的精度。然而，任意程度的多项式的所有根这种方法在实践中是不可行的，因为系数将被污染的不可避免的舍入误差，多项式的根可以是一个极为敏感的功能例如由威尔金森的多项式系数。
数学领域中的一些著名悖论及其产生背景
很多应用啊。。。比如工程上的，控制上的。你可以多看看书，上面都有应用的例子。比如应用数值线性代数，控制论中的矩阵计算等等。。
1、特征值是线性代数中的重要概念，设A是n阶方阵，如果存在数m和非零n维列向量x，使得Ax=mx成立，则称m是A的一个特征值或本征值。2、非零n维列向量x称为矩阵A的属于特征值m的特征向量或本征向量，简称A的特征向量。
,实现原创内容！
矩阵乘法对应了一个变换，是把任意一个向量变成另一个方向或长度都大多不同的新向量。在这个变换的过程中，原向量主要发生旋转、伸缩的变化。如果矩阵对某一个向量或某些向量只发生伸缩变换，不对这些向量产生旋转的效果，那么这些向量就称为这个矩阵的特征向量，伸缩的比例就是特征值。实际上，上述的一段话既讲了矩阵变换特征值及特征向量的几何意义（图形变换）也讲了其物理含义。物理的含义就是运动的图景：特征向量在一个矩阵的作用下作伸缩运动，伸缩的幅度由特征值确定。特征值大于1，所有属于此特征值的特征向量身形暴长；特征值大于0小于1，特征向量身形猛缩；特征值小于0，特征向量缩过了界，反方向到0点那边去了。注意：常有教科书说特征向量是在矩阵变换下不改变方向的向量，实际上当特征值小于零时，矩阵就会把特征向量完全反方向改变，当然特征向量还是特征向量。我赞同特征向量不改变方向的说法：特征向量永远不改变方向，改变的只是特征值（方向反转特征值为负值了）。特征向量是线性不变量所谓特征向量概念的亮点之一是不变量，这里叫线性不变量。因为我们常讲，线性变换啊线性变换，不就是把一根线（向量）变成另一根线（向量），线的变化的地方大多是方向和长度一块变。而一种名叫“特征向量”的向量特殊，在矩阵作用下不变方向只变长度。不变方向的特性就被称为线性不变量。如果有读者坚持认为负方向的特征向量就是改变了向量的方向的想法的话，你不妨这样看线性不变量：特征向量的不变性是他们变成了与其自身共线的向量，他们所在的直线在线性变换下保持不变；特征向量和他的变换后的向量们在同一根直线上，变换后的向量们或伸长或缩短，或反向伸长或反向缩短，甚至变成零向量（特征值为零时）
很多应用啊。。。比如工程上的，控制上的。你可以多看看书，上面都有应用的例子。比如应用数值线性代数，控制论中的矩阵计算等等。。
告诉你拟就会写吗。不如我给你写得了
矩阵的研究历史悠久，拉丁方阵和幻方在史前年代已有人研究。
矩阵是高等代数学中的常见工具，也常见于统计分析等应用数学学科中。 在物理学中，矩阵于电路学、力学、光学和量子物理中都有应用；计算机科学中，三维动画制作也需要用到矩阵。 矩阵的运算是数值分析领域的重要问题。将矩阵分解为简单矩阵的组合可以在理论和实际应用上简化矩阵的运算。对一些应用广泛而形式特殊的矩阵，例如稀疏矩阵和准对角矩阵，有特定的快速运算算法。关于矩阵相关理论的发展和应用，请参考矩阵理论。在天体物理、量子力学等领域，也会出现无穷维的矩阵，是矩阵的一种推广。
一类特殊对称矩阵的特征值与特征向量陆全 徐仲 【摘要】：【作者单位】：西北工业大学西北工业大学【关键词】：矩阵的特征值正交特征向量特征值与特征向量对称矩阵实对称阵特征问题矩阵A正交变换《线性代数》正交阵【分类号】：O151【DOI】：CNKI:SUN:XUSJ.0.1997-04-013【正文快照】：同济大学《线性代数》第130页例10要求一个正交变换．把二次型化为标准形，其中需要求矩阵的特征值与单位正交特征向量。事实上，这个矩阵R是一种具有特殊对称性的矩阵。这类矩阵的特征问题有如下的一般结论。考虑如下的特殊对称矩阵其中A、B均为m阶实对称阵，u是m维列向量，
1.图像分块（纹理不可能存在于一个点里），用graycomatrix得到每块的共生矩阵2.用graycoprops得到该共生矩阵的相应特征，为Contrast Correlation Energy Homogeneity如：g=graycoprops(graycomatrix(C{i,j},'offset',[0 D; -D D; -D 0; -D -D]));pg=[g.Contrast g.Correlation g.Energy g.Homogeneity];
一）特点：纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质.但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的.与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算.在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功.作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力.但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差.另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理.例如,水中的倒影,光滑的金属面互相反射造成的影响等都会导致纹理的变化.由于这些不是物体本身的特性,因而将纹理信息应用于检索时,有时这些虚假的纹理会对检索造成“误导”.在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法.但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别.（二）常用的特征提取与匹配方法纹理特征描述方法分类（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上,通过实验,得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性.统计方法中另一种典型方法,则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征,即通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数（2）几何法所谓几何法,是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法.纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成.在几何法中,比较有影响的算法有两种：Voronio 棋盘格特征法和结构法.（3）模型法模型法以图像的构造模型为基础,采用模型的参数作为纹理特征.典型的方法是随机场模型法,如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法（4）信号处理法纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等.
搬运自本人 CSDN 博客： 《纹理特征提取方法：LBP, 灰度共生矩阵》 注：本文中大量行内 Latex 公式在中不支持，如果想要仔细参阅，请移步上面的 CSDN 博客链接。
在前面的博文 《图像纹理特征总体简述》 中，笔者总结了图像纹理特征及其分类。在这里笔者对其中两种算法介绍并总结。
参考网址： 《纹理特征提取》 《【纹理特征】LBP 》 《灰度共生矩阵（GLCM）理解》 《灰度共生矩阵的理解》 《图像的纹理特征之灰度共生矩阵 》
参考论文： 《基于灰度共生矩阵提取纹理特征图像的研究》——冯建辉 《灰度共生矩阵纹理特征提取的Matlab实现》——焦蓬蓬
LBP方法（Local binary patterns, 局部二值模式）是一种用来描述图像局部纹理特征的算子；它的作用是进行特征提取，提取图像的局部纹理特征。 LBP是一个计算机视觉中用于图像特征分类的一个方法，用于纹理特征提取。后来LBP方法与HOG特征分类器与其他机器学习算法联合使用。
LBP算法的核心思想，是以某个像素点为中心，与其邻域像素点共同计算。关于邻域像素点的选择方法，其实并不唯一：
这里选择环形邻域的方法进行说明： 窗口中心的像素点作为中心，该像素点的像素值作为阈值。然后将周围8个像素点的灰度值与该阈值进行比较，若周围某像素值大于中心像素值，则该像素点位置被标记为1；反之，该像素点标记为0。 如此这样，该窗口的8个点可以产生8位的无符号数，这样就得到了该窗口的LBP值，该值反应了该窗口的纹理信息。如下图所示：
图中，中心像素点的像素值作为阈值，其值v = 3；周围邻域8个像素值中，有3个比阈值小的像素点置0，5个比阈值大的像素点置1。
LBP算法的计算公式如下：
$$ LBP_{P, R}(x_{c},y_{c}) = \sum_{p=0}^{P-1}s(g_{p} - g_{c})2^p, s(x)=\left{\begin{matrix}1 : x \geq 0 \ 0 : x \leq 0 \end{matrix}\right. $$
LBP纹理特征向量，一般以图像分块LBP直方图表示。具体步骤如下：
得到了整幅图像的LBP纹理特征后，便可以利用SVM或者其他机器学习算法进行分类了。
这两天笔者将会对源码进行测试封装，以后会上传到我的GitHub网站上。
灰度共生矩阵法(GLCM, Gray-level co-occurrence matrix)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征（纹理的定义仍是难点）。灰度共生矩阵能反映图像灰度关于 方向、相邻间隔、变化幅度等 综合信息，它是分析图像的局部模式和它们排列规则的基础。 对于灰度共生矩阵的理解，需要明确几个概念：方向，偏移量和灰度共生矩阵的阶数。
计算纹理特征第一步，就是将多通道的图像（一般指RGB图像）转换为灰度图像，分别提取出多个通道的灰度图像。 纹理特征是一种结构特征，使用不同通道图像得到的纹理特征都是一样的，所以可以任意选择其一。
一般在一幅图像中的灰度级有256级，从0--255。但在计算灰度共生矩阵时我们并不需要256个灰度级，且计算量实在太大，所以一般分为8个灰度级或16个灰度级。 而且当分成8个灰度级时，如果直接将像素点的灰度值除以32取整，会引起影像清晰度降低，所以进行灰度级压缩时，首先我们会将图片进行直方图均衡化处理，增加灰度值的动态范围，这样就增加了影像的整体对比效果。 注：笔者后文中的例子中，为了简要说明，所以灰度等级简单设置为4。
计算特征值前，先选择计算过程中的一些参数：
下面分部且适当的使用一些例子说明计算过程：
为了达到简单说明计算纹理特征值的目的，笔者此处做简要的假设：灰度被分为4阶，灰度阶从0--3；窗口大小为6 × 6； 窗口A的灰度矩阵A如下：
窗口B的灰度矩阵B如下：
此处以左上角元素为坐标原点，原点记为(1, 1)；以此为基础举例，第四行第二列的点记为(4, 2)；
情景1：d = 1，求0°方向矩阵A的共生矩阵： 则按照0°方向（即水平方向 从左向右，从右向左两个方向 ），统计矩阵值(1, 2)，则如下图所示：
$$ P_{A}(d=1, \theta =0^o)=\begin{vmatrix} 0 & 8 & 0 & 7 \ 8 & 0 & 8 & 0 \ 0 & 8 & 0 & 7 \ 7 & 0 & 7 & 0 \end{vmatrix} $$
情景2：d = 1，求45°方向矩阵A的共生矩阵： 按照情景1，同理可得此时的统计矩阵结果如下： $$ P_{A}(d=1, \theta =45^o)=\begin{vmatrix} 12 & 0 & 0 & 0 \ 0 & 14 & 0 & 0 \ 0 & 0 & 12 & 0 \ 0 & 0 & 0 & 12 \end{vmatrix} $$
情景3：d = 1，求0°与45°方向矩阵B的共生矩阵： 与前面同理，可以得到矩阵B的统计及矩阵结果如下： $$ P_{B}(d=1, \theta =0^o)=\begin{vmatrix} 24 & 4 & 0 & 0 \ 4 & 8 & 0 & 0 \ 0 & 0 & 12 & 2 \ 0 & 0 & 2 & 4 \end{vmatrix} $$
$$ P_{B}(d=1, \theta =45^o)=\begin{vmatrix} 18 & 3 & 3 & 0 \ 3 & 6 & 1 & 1 \ 3 & 1 & 6 & 1 \ 0 & 1 & 1 & 2 \end{vmatrix} $$
矩阵A, B的其余90°、135°矩阵与上面同理，所以笔者偷懒略去。
这样，我们就已经计算得到了单个窗口的灰度共生矩阵的各个方向的矩阵，下面就要用刚才算出的矩阵计算灰度共生矩阵特征值。 用P表示灰度共生矩阵的归一化频率矩阵，其中i, j表示按照某方向同时出现于两个像素的某两个级别的灰度值，所以P(i, j)表示满足这种情况的两个像素出现的概率。 以上述情景2中的矩阵为例： 原矩阵为： $$ P(d=1, \theta =45^o)=\begin{vmatrix} 12 & 0 & 0 & 0 \ 0 & 14 & 0 & 0 \ 0 & 0 & 12 & 0 \ 0 & 0 & 0 & 12 \end{vmatrix} $$
归一化后，矩阵形式变为： $$ P(d=1, \theta =45^o)=\begin{vmatrix} 12/50 & 0 & 0 & 0 \ 0 & 14/50 & 0 & 0 \ 0 & 0 & 12/50 & 0 \ 0 & 0 & 0 & 12/50 \end{vmatrix} $$
灰度共生矩阵理论的前辈Haralick等人用灰度共生矩阵提出了14中特征值，但由于灰度共生矩阵的计算量很大，所以为了简便，我们一般采用四个最常用的特征来提取图像的纹理特征： 能量、对比度、相关度、熵 。
$ ASM = \sum_{i} \sum_{j}P(i, j)^2 $ 能量是灰度共生矩阵各元素的平方和，又被称角二阶距。它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度。
$ CON = \sum_{i} \sum_{j} (i-j)^2 P(i,j) $ 对比度是灰度共生矩阵主对角线附近的惯性矩，它体现矩阵的值如何分布，反映了图像的清晰度和纹理沟纹的深浅。
$ CORRLN = [\sum_{i} \sum_{j}((ij)P(i,j)) - \mu_{x} \mu_{y}]/ \sigma_{x} \sigma_{y} $ 相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像局部灰度相关性。
$ ENT = - \sum_{i} \sum_{j} P(i,j) \log P(i,j) $ 熵体现了图像纹理的随机性。若共生矩阵中所有值都相等，取得最大值；若共生矩阵中的值不均匀，则其值会变得很小。
求出该灰度共生矩阵各个方向的特征值后，再对这些特征值进行均值和方差的计算，这样处理就消除了方向分量对纹理特征的影响。
一个滑动窗口计算结束后，该窗口就可以移动一个像素点，形成另一个小窗口图像，重复进行上一步的计算，生成新窗口图像的共生矩阵和纹理特征值； 以此类推，滑动窗口遍历完所有的图像像素点后，整个图像就形成了一个由纹理特征值构成的一个纹理特征值矩阵。
之后，就可以将这个纹理特征值矩阵转换成纹理特征图像。
笔者已经对源码进行测试了封装，并上传到了笔者的GitHub网站上。 GitHub：
Correlation范围 [-1 1]Contrast范围 [0 (size(GLCM,1)-1)^2]