可以表示为以下的方程:
其中就是target cloud与source cloud中的一对对应点。
而我们要求的就是其中的R与T旋转平移矩阵。
使用reshape命令对矩阵进行整形。使用方式reshape(X,m,n...)改进方式:
a(:,:,1)=[1
2
34
5
67
8
9]
a(:,:,2)=[0
0
10
1
01
0
0]
a(:,:,3)=3
for
j=1:3
k=a(j,:,:)
k=reshape(k,3,3)%更改位置，3,3按照自己的矩阵变化，但要保证数目相同
[x,y]=eig(k)%x:特征向量y:特征值。后期自己再改正哈程序
end
根据我的使用经验，我认为一般性的科研可以使用numpy工具链做为主力。首先，在写矩阵计算相关的语句时，numpy的语法几乎能逼近MATLAB的简洁程度，而其他语言相对来说稍微“难看、难写”一些。
其次，当程序不仅仅涉及到科学计算时，用Python就可以大发神威了。比如我自己遇到的一个实际问题：需要对点云进行一些非常复杂的优化操作，之后需要画出三维图且支持一些拉近拉远转视角的操作，并且还要做出一个不错的界面方便调整参数、载入数据等等。看到画三维点云的第一反应就是用OpenGL，但是使用C/C++写那些非常繁杂的数值优化...用MATLAB可以很舒服、很便捷地写出优化部分的代码，但是直接画大规模的三维点云的速度，以及它那令人忧伤的GUI...
那Python就行吗？是的。在数值计算方面，Numpy/Scipy，以及强大的机器学习包scikit.learn，让这个过程十分惬意。在画三维点云方面，PyOpengl包完全就是OpenGL的Python封装，速度非常快，而且语法几乎同OpenGL一样。最后，使用PyQt写出基于Qt的GUI，这至少是一个标准的完备的GUI包，外观功能都不错。最后的最后，这个程序不需改动就可以跨平台运行，只要Linux/Windows用户按照标准过程安装了相应的包就可以使用，不用折腾本地编译之类的事情。
还有一个问题是速度。Windows下使用python(x,y)、Linux下源里默认安装方法的Python链接的都是较慢的Blas/Lapack库，而MATLAB默认链接MKL，所以矩阵计算速度会慢非常多。但是至少在Linux下是很容易让Numpy链接上MKL的，这样的Numpy计算速度与MATLAB几乎相同，所以速度不是严重的问题。也许C++能在循环上秒杀Python，但是如果你涉及到矩阵计算，用的普通的BLAS/LAPACK库，那么在核心的某几步上会慢成渣，从而在总的速度上被Python超越，得不偿失。当然你也可以让C++程序链接上MKL库，但要移植到别的平台又是一番折腾。
最后就是开发环境，个人推荐Eclipse的Pydev，用起来几乎同MATLAB一样，尤其是调试和看变量值方面。
在统计问题方面，用R写起来最舒服，因为包全，这一点Python或者C比不上。而且R也能链接MKL大大加快速度。还有就是，如果你要写统计方面的论文，那论文里的代码用R似乎会“显得”你更“
专业”一些。
上学期有流形学习课，我用scikit.learn包，几乎每次只改一句话就能提交作业（把LLE变成ISOMAP什么的）。还有一门统计学习课，让我深刻感觉到R就是用来写老师布置的ESL后面的那些编程题的，因为那些方法的作者，以及这本书的作者，写的就是R的包。至于大规模计算、实际的大型工程问题，我没有经验，所以不能提供更多信息了。
补充：如果觉得自己链接MKL库编译Numpy和R麻烦的话，Python可以使用Canopy(就是之前的EPD)，R可以使用Revolution R，都是一些商业公司帮配置好的完整发行版，链接了MKL库并支持其他一些特性（例如自带IDE等）。前者各平台都有，后者仅限Windows平台。
