齐次坐标与二维图形基本几何变换的矩阵推导

齐次坐标#

“齐次坐标表示是计算机图形学的重要手段之一，它既能够用来明确区分向量和点，同时也更易用于进行仿射（线性）几何变换。”—— F.S. Hill, JR。

正如引用中所说，齐次坐标最大的特点在于它的存在可以区分描述坐标与向量

简单的来说，在普通的直角坐标系（或者说笛卡尔坐标系也行）中，(x_A, y_A) 可以表示点 A，也可以用来表示向量 $\vec{oA}$ 。这种含糊不清的表述方式并不利于准确的抽象描述给计算机。

而齐次坐标通过将 n 维提升到 n+1 维从而解决了这个问题。

我们可以在一个 2D 笛卡尔坐标末尾加上一个额外的变量 w 来形成 2D 齐次坐标，因此，一个点 (X,Y) 在齐次坐标里面变成了（x,y,w），并且有

X = x/w

Y = y/w

如在齐次坐标中

描述一个点 A，其表示为 (x_A, y_A, 1)
描述一个向量 $\vec {oA}$，其表示为 (x_A, y_A, 0)

试着将 w=1，0 带入 x/w，便可以理解为何 1 表示点（位置）、0 表示向量（方向）了。

除此之外也方便进行向量加法之类的操作

当然除了描述向量与点外，齐次坐标的引入也方便描述几何变换 (线性变换)。

比如如果不用齐次坐标表示的二维平移是下图这样的

二维图形基本几何变换#

二维图形变换大致分为以下五类 —— 平移（Translate）、缩放（Scale）、旋转（Rotate）、反射（Reflect）和错切（shear）

1. 平移#

描述从点 (x, y) 到 (x + dx, y+ dy)

引入齐次坐标，可表述为 (x, y, 1) 变形推导为 (x + dx, y+ dy, 1)

此时线性变换便可作为工具描述变换过程了，引入变换矩阵后，该问题就变成了求解变换矩阵

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} x + dx \\ y+ dy \\ 1 \end{pmatrix}

得

\begin{cases} ax + by + c = x + dx \\ dx + ey + f = y + dy \\ gx + hy + i = 1 \end{cases}

解得变换矩阵为

\begin{pmatrix} 1 & 0 & dx \\ 0 & 1 & dy \\ 0 & 0 & 1 \end{pmatrix}

于是在数学层面我们就可以用这个变换矩阵来描述平移过程了。

2. 缩放#

描述从点 (x, y) 到 (sx*x, sy*y)，sx 与 sy 为常量。

引入齐次坐标，可表述为 (x, y, 1) 变形推导为 (sx*x, sy*y, 1)

引入变换矩阵

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} sx * x \\ sy * y \\ 1 \end{pmatrix}

得

\begin{cases} ax + by + c = sx * x \\ dx + ey + f = sy * y \\ gx + hy + i = 1 \end{cases}

解得变换矩阵为

\begin{pmatrix} sx & 0 & 0 \\ 0 & sy & 0 \\ 0 & 0 & 1 \end{pmatrix}

3. 旋转#

解释旋转需要引入单位圆。

如图，点 B 旋转至点 C 处，AB 与 X 轴的夹角为 α，AC 与 AB 夹角为 β

则 B 点坐标可表示为 (cosα, sinα), C 点坐标为 (cos (α + β), sin (α + β))

将 C 点坐标展开，则 C 点为 (cosα cosβ - sinα sinβ, sinα cosβ + cosα sinβ)

记 B 点坐标为 (x, y), C 点坐标则为 (x cosβ - y sinβ, y cosβ + x sinβ)

引入齐次坐标，可表述为 (x, y, 1) 变形推导为 (x cosβ - y sinβ, y cosβ + x sinβ, 1)

引入变换矩阵

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} xcosβ - ysinβ \\ ycosβ + xsinβ \\ 1 \end{pmatrix}

得

\begin{cases} ax + by + c = xcosβ - ysinβ \\ dx + ey + f = ycosβ + xsinβ \\ gx + hy + i = 1 \end{cases}

解得变换矩阵为

\begin{pmatrix} cosβ & -sinβ & 0 \\ sinβ & cosβ & 0 \\ 0 & 0 & 1 \end{pmatrix}

4. 反射#

在数学中，反射是把一个物体变换成它的镜像的映射。要反射一个平面图形，需要 “镜子” 是一条直线（反射轴），对于三维空间中的反射就要使用平面作为镜子。

如果根据引用，那么反射可分为根据 X 轴反射与根据 Y 轴反射，但实际上也存在中心反射（点反射）这一概念

根据 X 轴反射#

描述点 (x, y) 到点 (x, -y)

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} x \\ -y \\ 1 \end{pmatrix}

得:

\begin{cases} ax + by + c = x \\ dx + ey + f = -y \\ gx + hy + i = 1 \end{cases}

解得变换矩阵:

\begin{pmatrix} 1 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 1 \end{pmatrix}

根据 Y 轴反射#

描述点 (x, y) 到点 (-x, y)

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} -x \\ y \\ 1 \end{pmatrix}

得:

\begin{cases} ax + by + c = -x \\ dx + ey + f = y \\ gx + hy + i = 1 \end{cases}

解得变换矩阵:

\begin{pmatrix} -1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}

根据点 (p, q) 反射#

描述点 (x, y) 到点 (2p-x, 2q-y)

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} 2p-x \\ 2q-y \\ 1 \end{pmatrix}

得:

\begin{cases} ax + by + c = 2p-x \\ dx + ey + f = 2q-y \\ gx + hy + i = 1 \end{cases}

解得变换矩阵:

\begin{pmatrix} -1 & 0 & 2p \\ 0 & -1 & 2q \\ 0 & 0 & 1 \end{pmatrix}

5. 错切#

定义见图，其实就像是图形在某一方向上的扭曲，底下只贴推导过程。需注意的是 α 与 β 范围为 [0, 90°)

y 轴为依赖轴的错切变换#

描述点 (x, y) 到点 (x + y.tanα, y)

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} x+y.tanα \\ y \\ 1 \end{pmatrix}

得:

\begin{cases} ax + by + c = x+y.tanα \\ dx + ey + f = y \\ gx + hy + i = 1 \end{cases}

解得变换矩阵:

\begin{pmatrix} 1 & tanα & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}

x 轴为依赖轴的错切变换#

描述点 (x, y) 到点 (x, y + x.tanβ)

已知:

\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \begin{pmatrix} x \\ y \\ 1 \end{pmatrix} = \begin{pmatrix} x \\ y + x.tanβ \\ 1 \end{pmatrix}

得:

\begin{cases} ax + by + c = x \\ dx + ey + f = y + x.tanβ \\ gx + hy + i = 1 \end{cases}

解得变换矩阵:

\begin{pmatrix} 1 & 0 & 0 \\ tanβ & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}