镜像矩阵（Reflection）

最新推荐文章于 2024-02-22 17:51:24 发布

置顶 _晴少_

最新推荐文章于 2024-02-22 17:51:24 发布

阅读量2.2w

点赞数 14

分类专栏：数学线性代数图像处理文章标签：镜像矩阵 Reflection matrix

本文链接：https://blog.csdn.net/wanhongluli/article/details/82886680

版权

数学同时被 3 个专栏收录

19 篇文章 3 订阅

订阅专栏

线性代数

19 篇文章 1 订阅

订阅专栏

图像处理

3 篇文章 0 订阅

订阅专栏

镜像（反射）矩阵是n维空间中的沿n-1维平面的一种矩阵变换，常见的应用场景是在2维空间图像处理、3维空间物体场景变换。先直观看看镜像变换的效果：

直观的感受了镜像变换的效果之后，接下来我们看看这个变换的数学表达式是什么样的。首先n维度空间的镜像变换是基于某个n-1维度平面（对于2维度就是某条直线）来说的，线性代数的知识知道n维空间的n-1维平面存在法向量，假设 $u=(u_{1},u_{2},...,u_{n})$ 是要做镜像平面的单位法向量，单位法向量||u||=1，定义镜像矩阵 $Q=I-2uu^{T}$ 。

1. Q是对称和标准正交的， $\because$ $Q^{T}=(I-2uu^{T})^{T}=I-2uu^{T}$ $\therefore$ Q是对称的。 $\because$ $Q^{T}Q=I-4uu^{T}+4uu^{T}uu^{T}=I$ $\therefore$ Q是标准正交的。如果对矩阵运算背后的原理不太熟悉，我们也可以将Q展开:

$Q=I-2uu^{T}=\begin{bmatrix} 1-2u_{1}^{2} &-2u_{1}u_{2} &... &-2u_{1}u_{n} \\ -2u_{2}u_{1}&1-2u_{2}^{2} &... &-2u_{2}u_{n} \\ ...& ... & ... &... \\ -2u_{n}u_{2} & -2u_{n}u_{2} &... & 1-2u_{n}^{2} \end{bmatrix}$

由Q的矩阵展开形式，很明显看到 $Q_{ij}=Q_{ji}=-2u_{i}u_{j},i\neq j$ ，所以Q是对称的。标准正交： $q_{i},q_{j}$ 是Q的两列，由标准正交的定义，需要满足如下条件：

$q_{i}q_{j}=\begin{cases} 0& \text{ if } x\neq j \\ 1& \text{ if } x=j \end{cases}$

$q_{i}q_{j}=(1-2u_{i}^2)^{2}+4u_{i}^2u_{1}^2+...+4u_{i}^{2}u_{n}^2$

$=1+4u_{i}^4-4u_{i}^2+4u_{i}^2u_{1}^2+...+4u_{i}^{2}u_{n}^2$

$=1+4u_{i}^2(u_{1}^{2}+...+u_{n}^{2})-4\overset{||u||^{2}=1}{\rightarrow}$

$=1 (i=j)$

$q_{i}q_{j}=(1-2u_{i}^2)(-2u_{i}u{j})+(1-2u_{j}^{2})(-2u_{j}u_{i})+4u_{i}u_{j}u_{1}^2+...4u_{i}u_{j}u_{k}^2...+4u_{i}u_{j}u_{n}^2,k\neq i,j$

$=-4u_{i}u_{j}+4u_{i}u{j}(u_{1}^2+...+u_{n}^2)$

$=0$

2. $Q^{2}=Q^{T}Q=I$ ,这条性质反应了镜像的特点，镜像两次等于原空间。

上面是镜像矩阵的定义和它的一些性质和推导，那么我们再做一点深层次的思考：为什么镜像的表达会是一个矩阵变换，如果我做旋转是不是也是一个矩阵变换？首先，问题2的答案：YES,2维空间的旋转的变换矩阵是： $\begin{bmatrix} cos\Theta & -sin\Theta \\ sin\Theta& cos\Theta \end{bmatrix}$ 。

对于问题1，矩阵变换的本质可以理解成坐标系的变换，对于镜像和旋转我们都是对原坐标系中的向量（坐标系中的点可以表示成原点指向该点的向量）用新的坐标系中的基进行了表示。比如二维直角坐标系x0y的坐标基向量是（1，0）和（0，1），如果用矩阵表示： $\begin{bmatrix} 1 &0 \\ 0 &1 \end{bmatrix}$ ,基向量就是矩阵的列向量，(1,1)点这个坐标系下的坐标（x,y）由方程组 $\begin{bmatrix} 1 &0 \\ 0 &1 \end{bmatrix}\begin{bmatrix} x\\ y \end{bmatrix}=\begin{bmatrix} 1\\ 1 \end{bmatrix}$ 求得(x，y)=（1，1）因为在原坐标系下，假设我们对（1，1）点做沿x轴做镜像，这里的镜像很简单，x轴和原坐标系相同，y轴与原坐标系反号，所以镜像之后新的坐标系基向量是(1,0)和(0,-1)（如果你通过上面的镜像公式可以求得同样的答案，u=(0,1)）,新的坐标系的矩阵表示 $\begin{bmatrix} 1 &0 \\ 0 &-1 \end{bmatrix}$ ，原坐标系下（1，1）点在新坐标系下的坐标有方程组 $\begin{bmatrix} 1 &0 \\ 0 &-1 \end{bmatrix}\begin{bmatrix} x\\ y \end{bmatrix}=\begin{bmatrix} 1\\ 1 \end{bmatrix}$ 求得（x,y）=(1,-1),和我们直观认知一样：

最后我们说说2维度空间和3维空间的镜像矩阵的表达式，首先是2维空间，对于2-D空间的某个条直线做镜像，假设该直线的单位法向量u（x，y），由 $Q=I-2uu^{T}$ 计算得到2-D空间的镜像矩阵：

$Q_{2d}=\begin{bmatrix} 1-2x^{2} &-2xy \\ -2xy& 1-2y^{2} \end{bmatrix}$

对于3-D空间的某平面做镜像：

$Q_{3d}=\begin{bmatrix} 1-2x^{2} &-2xy &-2xz \\ -2xy& 1-2y^{2} &-2yz \\ -2xz& -2yz &1-2z^{2} \end{bmatrix}$

镜像矩阵的另一种表示形式：Q'=2P-I, 其中P是投影矩阵，这个表达式和 $Q=I-2uu^{T}$ 等价。我们证明一下2纬空间沿着某条线做镜像的情况下这两个矩阵的等价性。

证明：

假设a是P投影方向上的单位向量，u是垂直与投影方向上的单位向量,那么 $p=aa^{T}$ , $Q'=2P-I=2aa^{T}-I$ 。

$Q'-Q=2aa^{T}+2uu^{T}-2I=\begin{bmatrix} 2a_{1}^{2}+2u_{1}^{2} -2 &2a_{1}a_{2}+2u_{1}u_{2} \\ 2a_{2}a_{1}+2u_{2}u_{1}&2a_{2}^{2}+2u_{2}^2-2 \end{bmatrix}$

假设a与x轴的夹角为 $\theta$ ，那么u与x轴的夹角为 $\theta +\pi /2$ ，那么：

$a_{1}=cos\theta ,a_{2}=sin\theta$

$u_{1}=cos(\theta+\pi/2)=-sin(\theta),u_{2}=sin(\theta+\pi/2)=cos\theta$

带入Q’-Q中得到：

$2a_{1}^{2}+2u_{1}^{2}-2=0$

$2a_{2}^{2}+2u_{2}^{2}-2=0$

$2a_{1}a_{2}+2u_{1}u_{2}=0$

所以Q'-Q=0,所以Q'-Q得证。

_晴少_

关注

14
点赞
踩
38

收藏

觉得还不错? 一键收藏
1
评论
镜像矩阵（Reflection）

镜像（反射）矩阵是n维空间中的沿n-1维平面的一种矩阵变换，常见的应用场景是在2维空间图像处理、3维空间物体场景变换。先直观看看镜像变换的效果：直观的感受了镜像变换的效果之后，接下来我们看看这个变换的数学表达式是什么样的。首先n维度空间的镜像变换是基于某个n-1...
复制链接

扫一扫