Cesium 学习笔记（一）-齐次坐标

目录

齐次坐标

标识点和向量

3D图形学中的特殊方程组求解

辅助运算

---

齐次坐标

 齐次坐标：用n+1维坐标表示n维坐标的方式称为齐次坐标。

意义：1.通过最后一维的数值来标识是点还是向量，w不为0时来表示点

           2.3D图形学中的特殊方程组求解

           3.辅助运算

标识点和向量

在3D世界中表示一个点的方式是：（x, y, z）;然而在3D世界中表示一个向量的方式也是：（x, y, z）;如果我们只给一个三元组（x, y, z）鬼知道这是向量还是点，毕竟点与向量还是有很大区别的，点只表示位置，向量没有位置只有大小和方向。为了区分点和向量我们给它加上一维，用（x, y, z, w）这种四元组的方式来表达坐标，我们规定（x, y, z, 0）表示一个向量，（x, y, z, 1）或（x', y', z', 2）等w不为0时来表示点。这种用n+1维坐标表示n维坐标的方式称为齐次坐标。

3D图形学中的特殊方程组求解

在欧氏几何空间，同一平面的两条平行线不能相交，这是我们都熟悉的一种场景。然而，在透视空间里面，两条平行线可以相交，例如：火车轨道随着我们的视线越来越窄，最后两条平行线在无穷远处交于一点。

简而言之，齐次坐标就是用N+1维来代表N维坐标

我们可以在一个2D笛卡尔坐标末尾加上一个额外的变量w来形成2D齐次坐标，因此，一个点(X,Y)在齐次坐标里面变成了（x,y,w），并且有

        X = x/w

        Y = y/w

例如，笛卡尔坐标系下（1，2）的齐次坐标可以表示为（1，2，1），如果点（1，2）移动到无限远处，在笛卡尔坐标下它变为(∞,∞)，然后它的齐次坐标表示为（1，2，0），因为(1/0, 2/0) = (∞,∞)，我们可以不用”∞"来表示一个无穷远处的点了。
————————————————
版权声明：本文为CSDN博主「追求卓越583」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zhuiqiuzhuoyue583/article/details/95228010

辅助运算

主要是在空间变换的时候体现， 空间变换中的的旋转和缩放可以用矩阵乘法来表示，但是平移却需要用矩阵加法来表示。引入齐次坐标后 可以将平移的矩阵运算转化成乘法运算

 

显然：

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：

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：

旋转变换：

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：

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：

将其升维，变成3维，上式就可以表示成：

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。
 

参考：

https://blog.csdn.net/zhuiqiuzhuoyue583/article/details/95228010