平移/旋转/投影矩阵的推导过程

kinlymg

已于 2025-02-20 17:37:05 修改

阅读量1.3k

点赞数 11

文章标签：矩阵算法

于 2025-02-20 17:23:58 首次发布

本文链接：https://blog.csdn.net/gjl513627/article/details/145757139

版权

整理源自AI生成内容

一、平移矩阵的推导

1、二维平面上的平移：

平移矩阵： 我们需要找到一个 3x3 的矩阵 T，使得：

[x']   [ ?  ?  ? ] [x]   [x + tx]
[y'] = [ ?  ?  ? ] [y] = [y + ty]
[1 ]   [ ?  ?  ? ] [1]   [  1   ]

推导过程：
- 为了得到 x' = x + tx，我们需要矩阵的第一行是 [1 0 tx]。这样，矩阵乘法的第一行就变成了 1x + 0y + tx*1 = x + tx。
- 为了得到 y' = y + ty，我们需要矩阵的第二行是 [0 1 ty]。这样，矩阵乘法的第二行就变成了 0x + 1y + ty*1 = y + ty。
- 为了保持 w' = 1，我们需要矩阵的第三行是 [0 0 1]。这样，矩阵乘法的第三行就变成了 0x + 0y + 1*1 = 1。

最终的平移矩阵：

T = [ 1  0  tx ]
    [ 0  1  ty ]
    [ 0  0  1  ]

2. 三维空间上的平移：

平移矩阵： 我们需要找到一个 4x4 的矩阵 T，使得：

[x']   [ ?  ?  ?  ? ] [x]   [x + tx]
[y'] = [ ?  ?  ?  ? ] [y] = [y + ty]
[z']   [ ?  ?  ?  ? ] [z] = [z + tz]
[1 ]   [ ?  ?  ?  ? ] [1]   [  1   ]

推导过程（类似二维）：
- 为了得到 x' = x + tx，矩阵的第一行是 [1 0 0 tx]。
- 为了得到 y' = y + ty，矩阵的第二行是 [0 1 0 ty]。
- 为了得到 z' = z + tz，矩阵的第三行是 [0 0 1 tz]。
- 为了保持 w' = 1，矩阵的第四行是 [0 0 0 1]。

最终的平移矩阵：

T = [ 1  0  0  tx ]
    [ 0  1  0  ty ]
    [ 0  0  1  tz ]
    [ 0  0  0  1  ]

更直观的理解：

单位矩阵部分： 矩阵的左上角（2x2 或 3x3）是一个单位矩阵。这部分保持了原始坐标 (x, y) 或 (x, y, z) 不变。换句话说，它保留了原始的形状和方向。
平移向量部分： 矩阵的最右边一列（除了最后一个元素）包含了平移向量 (tx, ty) 或 (tx, ty, tz)。这些值直接加到原始坐标上，实现平移。
最后的 "1"： 最右下角的 "1" 确保齐次坐标的最后一个分量保持为 1，允许后续的变换继续进行。

为什么使用齐次坐标？

使用齐次坐标的关键在于，它允许我们将平移这种“加法”操作转换为矩阵乘法。如果没有齐次坐标，平移操作无法用线性变换（矩阵乘法）来表示，这将使得复杂的组合变换难以实现。

总而言之，这种更直观的方法避免了直接从抽象的线性变换入手，而是从我们想要达到的结果（坐标的简单加法）出发，反推出所需的平移矩阵。核心就是让齐次矩阵在乘以坐标后，正确地实现 x+tx, y+ty (或 z+tz)。

二、旋转矩阵的推导:

问题： 如何推导出二维或三维空间中的旋转矩阵？
推演过程 (以二维为例，绕原点旋转 θ 角度):
- 考虑标准基向量 i = (1, 0) 和 j = (0, 1) 的旋转。
- 旋转后的 i 向量 i' = (cos θ, sin θ)。
- 旋转后的 j 向量 j' = (-sin θ, cos θ)。
- 旋转矩阵 R 的列由 i' 和 j' 组成：
```
R = [[cos θ, -sin θ],
     [sin θ,  cos θ]]
```

三、投影矩阵的推导:

误差向量 (Orthogonality)

定义误差向量 e = v - p。误差向量表示 v 与其投影 p 之间的差异。

推导过程:

将 e = v - p 代入 e · u = 0，得到 (v - p) · u = 0。

展开点积：v · u - p · u = 0

问题： 如何推导出将向量投影到给定向量或平面上的投影矩阵？
推演过程 (将向量 v 投影到向量 u 上):
- 投影向量 p = ( (v · u) / (u · u) ) * u (· 表示点积)
- 设投影矩阵为 P，则 p = Pv
- P = (u * u^T) / (u^T * u) (u^T 表示 u 的转置)
想象向量 v 和向量 u。向量 v 在向量 u 上的投影，可以看作是 v 在 u 方向上的分量。
这个投影向量 p 应该平行于向量 u，也就是说，p = k * u，其中 k 是一个标量，表示 p 的长度是 u 长度的多少倍。
因为 p = k * u，将它代入上式：v · u - (k * u) · u = 0
根据点积的性质，可以将标量 k 移出点积：v · u - k * (u · u) = 0
解出 k：k = (v · u) / (u · u)
最后，将 k 代回 p = k * u，得到投影向量的公式：p = ((v · u) / (u · u)) * u
关键在于，误差向量 e 必须与向量 u 正交（垂直）。也就是说，e · u = 0。
转置的性质：
(Aᵀ)ᵀ = A (转置的转置等于原矩阵)
(A + B)ᵀ = Aᵀ + Bᵀ (矩阵和的转置等于转置的和)