原帖地址：
http://blog.sina.com.cn/s/blog_6109b5d00101ag7a.html
在摄影测量和计算机视觉中，考虑最优解问题时，经常要用到SVD分解。奇异值分解 (singular value decomposition,SVD) 是一种可靠地正交矩阵分解法，但它比QR分解法要花上近十倍的计算时间。在matlab中，[U,S,V]=svd(A)，其中U和V代表二个相互正交矩阵，而S代表一对角矩阵。 和QR分解法相同者， 原矩阵A不必为正方矩阵。使用SVD分解法的用途是解最小平方误差法和数据压缩。
下面是最近在使用opencv2.4.2中的SVD分解法解方程时总结的几点：
// svd分解的四种调用方法：
//cout<<"A=\n"<<A<<endl; Mat U;
//=Mat(2*num,2*num,CV_64F);
Mat S=Mat(12,1,CV_64F);
Mat VT=Mat(12,12,CV_64F); // 注意：opencv中解得的是V的转置，matlab得到的直接是V
// 方式1
// SVD thissvd;
// thissvd.compute(A,S,U,VT,SVD::FULL_UV); // FULL_UV表示把U和VT补充称单位正交方阵，实际不是;
// 方式2
// SVD thissvd(A,SVD::FULL_UV);
// U=thissvd.u;
// S=thissvd.w;
// VT=thissvd.vt;
// 方式3
//SVD::compute(A,S,U,VT,SVD::FULL_UV);
// 方式4
cv::SVDecomp(A,S,U,VT,SVD::FULL_UV); //后面的FULL_UV表示把U和VT补充称单位正交方阵;
理解SVD分解，可以参考以下几篇资料：
http://blog.chinaunix.net/uid-24517893-id-3261160.html
http://www.bfcat.com/index.php/2012/03/svd-tutorial/
http://blog.sina.com.cn/s/blog_46da01db0100etdz.html
http://zh.wikipedia.org/wiki/QR分解
http://zh.wikipedia.org/wiki/LU分解
http://zh.wikipedia.org/wiki/奇异值分解
