[ros][cv][math] 矩阵的变换+齐次坐标

[ros][cv][math] 矩阵的变换+齐次坐标

---

---

---

0. 写在最前

这篇博客主要参考了（章节：参考链接1）中的内容，可以看作是以其为主体，并添加了其他的参考链接内容为补充的知识点整理，总结。文章内容可能包含对参考内容的文字引用，图片截取，侵删！

注：矩阵的点乘符号在公式中省略了，这是不对的，不过改不了了，谨此提示。

---

1. 矩阵线性变换：缩放、对称、错切、旋转

1. 缩放变换（scale）

---

2. 对称变换（mirror）

---

3. 错切变换（shear）

---

4. 旋转变换（rotate）

---

5. 总结：线性变换（linear transformation）

线性变换都可以写成矩阵的形式，其变换矩阵的维度与坐标维度相同

---

2. 矩阵非线性变换：平移，齐次坐标

1. 平移变换（translate）

关于齐次坐标概念，维基百科的齐次坐标简介中解释的很详细。

2. 补充

1. 齐次坐标可以区分点与向量

   以二维空间为例，$(a,b)$这样的表示既可以表示是一个坐标，也可以表示一个向量。假设这个坐标系 $xOy$ 中两个基向量为$\vec{x},\vec{y}$，坐标原点为o，则其中

   • 表示向量 $\vec{v}$ 时，代表 $\vec{v}=a\vec{x}+b\vec{y}$
   • 表示一个点 $p$ 时，代表 $p_o=a\vec{x}+b\vec{y}$

   如果没有附加说明，我们不能区别$(a,b)$表示的是向量还是点。用三个量来表示的化，我们可以明确的区分向量和点:

   • 齐次点 $(a,b,1)$，不一定是1，可以是任何非零数
   • 齐次向量 $(a,b,0)$

   齐次坐标可以更好体现向量和点的位置。

   ---

2. 向量：

   1. 有大小，方向
   2. 具有平移不变性

   ---

3. 向量与点

   • 在齐次坐标系中
     $2D\text{点的表示：}\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]\text{，}w\text{可以是任一非零数}$

     $2D\text{向量表示：}\left[\begin{array}{c}x\\ y\\ 0\end{array}\right]$

   • 两个向量相加，结果为一个向量
     $$\begin{gathered} {\vec{v}}_a+{\vec{v}}_b={\vec{v}}_c \\ 0+0=0 \end{gathered}$$

   • 两个点相减，结果为一个向量
     $$\begin{gathered} {p}_a-p_b=p_c \\ 1-1=0 \end{gathered}$$

   • 两个向量相加（点沿着向量方向移动）结果为一个点
     $$\begin{gathered} {p}_a+\vec{v}=p_b \\ 1+0=1 \end{gathered}$$

   • 两个点相加，结果仍为一个点，且表示这两个点的中心点
     $$\begin{gathered} {p}_a+p_b=p_{mid} \\ 1+1=2 \\ \left[\begin{array}{c}{x}_{mid}\\ y_{mid}\\ 2\end{array}\right]\iff \left[\begin{array}{c}\frac{x_a+x_b}{2}\\ \frac{y_a+y_b}{2}\\ 1\end{array}\right] \end{gathered}$$

---

3. 使用齐次坐标的变换矩阵

仿射变换：
仿射变换（Affine transformation），又称仿射映射，是指在几何中，对一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。

---

4. 矩阵逆变换、复合变换

1. 逆变换
   

2. 复合变换
   
   

---

&&_参考

链接：CG06-2D变换和齐次坐标（哔哩哔哩）
链接：二维图形的坐标变换矩阵推导及齐次坐标的深入理解（哔哩哔哩）
链接：线性代数之矩阵的属性和运算
链接：直线的参数方程
链接：Homogeneous Coordinates
链接：理解齐次坐标

---

&&_问题解决