仿射变换及其变换矩阵的理解

博客：blog.shinelee.me | 博客园 | CSDN

写在前面

2D图像常见的坐标变换如下图所示：

这篇文章不包含透视变换（projective/perspective transformation），而将重点放在仿射变换（affine transformation），将介绍仿射变换所包含的各种变换，以及变换矩阵该如何理解记忆。

仿射变换：平移、旋转、放缩、剪切、反射

仿射变换包括如下所有变换，以及这些变换任意次序次数的组合：

平移（translation）和旋转（rotation）顾名思义，两者的组合称之为欧式变换（Euclidean transformation）或刚体变换（rigid transformation）；

放缩（scaling）可进一步分为uniform scaling和non-uniform scaling，前者每个坐标轴放缩系数相同（各向同性），后者不同；如果放缩系数为负，则会叠加上反射（reflection）——reflection可以看成是特殊的scaling；

刚体变换+uniform scaling 称之为，相似变换（similarity transformation），即平移+旋转+各向同性的放缩；

剪切变换（shear mapping）将所有点沿某一指定方向成比例地平移，语言描述不如上面图示直观。

各种变换间的关系如下面的venn图所示：

通过变换矩阵可以更清晰地看出这些变换间的关系和区别。

变换矩阵形式

没有平移或者平移量为0的所有仿射变换可以用如下变换矩阵描述：

$$\left[\begin{array}{l}{x}^{\prime }\\ y^{\prime }\end{array}\right]=\left[\begin{array}{ll}a& b\\ c& d\end{array}\right]\left[\begin{array}{l}x\\ y\end{array}\right]$$

不同变换对应的$a,b,c,d$约束不同，排除了平移变换的所有仿射变换为线性变换（linear transformation），其涵盖的变换如上面的venn图所示，其特点是原点位置不变，多次线性变换的结果仍是线性变换。

为了涵盖平移，引入齐次坐标，在原有2维坐标的基础上，增广1个维度，如下所示：

$$\left[\begin{array}{l}{x}^{\prime }\\ y^{\prime }\\ 1\end{array}\right]=\left[\begin{array}{lll}a& b& c\\ d& e& f\end{array}\right]\left[\begin{array}{l}x\\ y\\ 1\end{array}\right]$$<