为什么要引入齐次坐标

版权声明:无需授权,可任意转载。 https://blog.csdn.net/saltriver/article/details/79680364

前面我们提到了图像的缩放变换和旋转变换,可以用矩阵乘法的形式来表达变换后的像素位置映射关系。

那么,对于平移变换呢?平移变换表示的是位置变化的概念。如下图所示,一个图像矩形从中心点[x1,y1]平移到了中心点[x2,y2]处,整体大小和角度都没有变化。在x方向和y方向上分别平移了tx和ty大小。
这里写图片描述
显然:

x2=x1+tx
y2=x2+ty

这对于图像中的每一个点都是成立的。写成矩阵的形式就是:
(78)[x2y2]=[x1y1]+[txty]

我们再把前面的缩放变换和旋转变换的矩阵形式写出来:
缩放变换:

(79)[x2y2]=[kx00ky][x1y1]

旋转变换:

(370)[x2y2]=[cosθsinθsinθcosθ][x1y1]

我们注意到,缩放变换和旋转变换都可以表示成矩阵乘法的形式。实际上,图像的几何变换通常不是单一的,也就是说经常性的缩放、旋转、平移一起变换。例如先放大2倍,然后旋转45度,然后再缩小0.5倍。那么就可以表示成矩阵乘法串接的形式:
(371)[x2y2]=[0.5000.5][cos45sin45sin45cos45][2002][x1y1]

这样,不管有多少次变换,都可以用矩阵乘法来实现。但是平移变换呢?从前面看到,平移变换并不是矩阵乘法的形式,而是矩阵加法的形式!

那能不能把缩放变换、旋转变换、平移变换统一成矩阵乘法的形式呢,这样不管进行多少次变换,都可以表示成矩阵连乘的形式,将极大的方便计算和降低运算量。

这种方法就是“升维”,引入“齐次坐标”,将图像从平面2D坐标变成3D坐标。我们看看平移变换的矩阵形式:

(372)[x2y2]=[x1y1]+[txty]

将其升维,变成3维,上式就可以表示成:
(373)[x2y21]=[10tx01ty001][x1y11]

这是个非常优美的地方,学习过矩阵乘法的同学可以算一下右边的式子,是否最终结果与前面是一样的。

这样,平移变换通过升维后的齐次坐标,也变成了矩阵乘法的形式。当然缩放变换和旋转变换的矩阵形式也得改一改,统一变成3维的形式。
缩放变换:

(374)[x2y21]=[kx000ky0001][x1y11]

旋转变换:
(375)[x2y21]=[cosθsinθ0sinθcosθ0001][x1y11]

终于统一了。以后所有的变换,不管怎样变换,变换多少次,都可以表示成一连串的矩阵相乘了,这是多么的方便。这就是引入齐次坐标的作用,把各种变换都统一了起来。

没有更多推荐了,返回首页