齐次坐标系下仿射变换矩阵分解为线性变换矩阵和平移变换矩阵

_霏

已于 2024-08-15 21:11:07 修改

阅读量153

点赞数 2

文章标签：矩阵人工智能算法

于 2024-08-15 18:51:40 首次发布

本文链接：https://blog.csdn.net/qq_55697246/article/details/141226035

版权

仿射变换=线性映射+平移，三维坐标系中表达为

$\begin{bmatrix} {x}'\\ {y}'\\ {z}' \end{bmatrix} = \begin{bmatrix} a& b &c \\ d&e &f \\ g& h & i \end{bmatrix} \begin{bmatrix} x\\ y\\ z \end{bmatrix}+\begin{bmatrix} t_{x}\\ t_{y}\\ t_{z} \end{bmatrix}$

在齐次坐标系下4×4矩阵表示仿射变换如下：

$\begin{bmatrix}{x}' \\ {y}' \\ {z}' \\ 1 \end{bmatrix}=\begin{bmatrix} a & b & c&t_{x} \\ d& e& f& t_{y}\\ g& h& i& t_{z}\\ 0& 0 & 0 &1 \end{bmatrix}\begin{bmatrix} x\\ y\\ z\\ 1 \end{bmatrix}$

令A表示线性变换矩阵，T表示平移变换矩阵

$\textbf{A}=\begin{bmatrix} a& b &c&0 \\ d&e &f &0\\ g& h & i &0\\0&0&0&1\end{bmatrix}, \textbf{T}=\begin{bmatrix} 1&0&0&t_{x}\\0&1&0& t_{y}\\0&0&1& t_{z}\\0&0&0&1 \end{bmatrix}$

仿射变换矩阵即令

$\textbf{M}=\begin{bmatrix} a & b & c&t_{x} \\ d& e& f& t_{y}\\ g& h& i& t_{z}\\ 0& 0 & 0 &1 \end{bmatrix}$

由于矩阵乘法不满足交换律，因而如何确定仿射变换矩阵M与A和T的关系？是线性变换还是先平移操作？

$\textbf{M}=\textbf{A}\textbf{T}?\\ \textbf{M}=\textbf{T}\textbf{A}?$

平移变换矩阵T和仿射变换矩阵M只差一个左侧3×3的单位矩阵，因而只需要想办法从M中凑出T即可

思路一：初等列变换

在保证第四列不变的情况下，用初等列变换就是一个好选择，建立增广矩阵经过初等列变换可得

$\begin{bmatrix} \textbf{M}\\ \hline \textbf{I} \end{bmatrix}=\begin{bmatrix} a& b &c&t_x \\ d & e & f&t_y\\ g&h &i&t_z \\ 0&0&0&1\\ \hline 1&0 &0&0 \\ 0&1 &0 &0\\ 0& 0& 1&0\\0&0&0&1 \end{bmatrix}=\begin{bmatrix} 1&0&0&t_{x}\\0&1&0& t_{y}\\0&0&1& t_{z}\\0&0&0&1\\ \hline \begin{bmatrix} a & b &c \\ d& e &f \\ j& h&i \end{bmatrix}^{-1} &&&0\\ 0&&&1 \end{bmatrix}Q_1...Q_n\\ Q_1...Q_n=\begin{bmatrix} a & b &c &0\\ d& e &f &0\\ j& h&i&0\\0&0&0&1 \end{bmatrix}=\textbf{A}$

因而则有M=TA

思路二：分块矩阵

将M转化为分块矩阵

$\textbf{M}=\left[\begin{array}{ccc|c} a & b & c&t_{x} \\ d& e& f& t_{y}\\ g& h& i& t_{z}\\\hline 0& 0 & 0 &1 \end{array} \right ]=\left[\begin{array}{cc} \textbf{B}&\textbf{\textit{t}}\\ 0&1 \end{array} \right ]$

其中B是可逆矩阵，则等式两边同时乘以一个分块对角矩阵

$\textbf{M}\begin{bmatrix} \textbf{B}^{-1} &0 \\ 0& 1 \end{bmatrix}=\begin{bmatrix} \textbf{B} &\textbf{\textit{t}} \\ 0& 1 \end{bmatrix}\begin{bmatrix} \textbf{B}^{-1} &0 \\ 0& 1 \end{bmatrix}=\begin{bmatrix} \textbf{I} &\textbf{\textit{t}} \\ 0& 1 \end{bmatrix},\textbf{I}=\begin{bmatrix} 1 &0 &0 \\ 0 & 1 &0 \\ 0 & 0 & 1 \end{bmatrix}$

由

$\begin{bmatrix} \textbf{B}^{-1} &0 \\ 0& 1 \end{bmatrix}^{-1}=\begin{bmatrix} \textbf{B} &0 \\ 0& 1 \end{bmatrix}$

故有

$\textbf{M}\begin{bmatrix} \textbf{B}^{-1} &0 \\ 0& 1 \end{bmatrix}\begin{bmatrix} \textbf{B} &0 \\ 0& 1 \end{bmatrix}=\begin{bmatrix} \textbf{I} &\textbf{\textit{t}} \\ 0& 1 \end{bmatrix}\begin{bmatrix} \textbf{B} &0 \\ 0& 1 \end{bmatrix}\\\\ \textbf{M}=\begin{bmatrix} \textbf{I} &\textbf{\textit{t}} \\ 0& 1 \end{bmatrix}\begin{bmatrix} \textbf{B} &0 \\ 0& 1 \end{bmatrix}$