2D坐标系下的点的转换矩阵（平移、缩放、旋转、错切）

最新推荐文章于 2024-03-11 11:42:03 发布

leecheni

最新推荐文章于 2024-03-11 11:42:03 发布

阅读量1.5k

点赞数

文章标签：矩阵线性代数

本文转载自知乎卓不凡的同名文章，对其中描述的代码运行了一遍，增加了一些注释，更加方便理解。

1. 平移（Translation）

在2D空间中，我们经常需要将一个点平移到另一个位置。假设空间中的一点P，其用坐标表示为（x,y）；将其向 x方向平移 tx，向y方向平移ty, 假设平移后点的坐标为（x’,y’）,则上述点的平移操作可以归纳为如下公式：

使用齐次矩阵表示如下：

将上述过程用代码实现如下：

#文件名称可以命名为"平移.py",支持汉字文件运行
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
#用法：返回多维结构，常见的如2D图形，3D图形。
#第1返回值为第1维数据在最终结构中的分布，
#第2返回值为第2维数据在最终结构中的分布，以此类推。（分布以矩阵形式呈现）  
#mgrid[[1:3:3j, 4:5:2j]]  
#3j：3个点
#步长为复数表示点数，左闭右闭
#步长为实数表示间隔，左闭右开
X, Y = np.mgrid[0:1:5j, 0:1:5j]
#numpy中的ravel函数的作用是让多维数组变成一维数组
x, y = X.ravel(), Y.ravel()

def trans_translate(x, y, tx, ty):
    T = [[1, 0, tx],
         [0, 1, ty],
         [0, 0, 1]]
    T = np.array(T)
    P = np.array([x, y, [1] * x.size])
    #np.dot()函数主要有两个功能，向量点积和矩阵乘法
    #np.dot(a, b), 其中a为一维的向量，b为一维的向量，当然这里a和b都是np.ndarray类型的, 此时因为是一维的所以是向量点积。
    return np.dot(T, P)
#绘制一行四列的图表
fig, ax = plt.subplots(1, 4)
T_ = [[0, 0], [2.3, 0], [0, 1.7], [2, 2]]
for i in range(4):
    #平移的量从T_中获取（每张表不同）
    tx, ty = T_[i]
    #使用平移变换函数获得变换后的坐标
    x_, y_, _ = trans_translate(x, y, tx, ty)
    ax[i].scatter(x_, y_)
    ax[i].set_title(r'$t_x={0:.2f}$ , $t_y={1:.2f}$'.format(tx, ty))

    ax[i].set_xlim([-0.5, 4])
    ax[i].set_ylim([-0.5, 4])
    ax[i].grid(alpha=0.5)
    ax[i].axhline(y=0, color='k')
    ax[i].axvline(x=0, color='k')
plt.show()

运行效果如下：

2. 缩放（Scaling）

在2D空间中，对点（x,y）常用的另一种操作为相对于另一点(px,py)进行缩放操作，我们不妨x方向的缩放因子为sx，y方向的缩放因子为sy, 则上述点（x,y）相对于点（px,py）的缩放操作可以归纳为如下公式：

使用齐次矩阵表示如下：

将上述过程用代码实现如下：

#文件名称可以命名为"缩放.py",支持汉字文件运行
import matplotlib
import matplotlib.pyplot as plt
import numpy as np

X, Y = np.mgrid[0:1:5j, 0:1:5j]
x, y = X.ravel(), Y.ravel()

def trans_scale(x, y, px, py, sx, sy):
    T = [[sx, 0 , px*(1 - sx)],
         [0 , sy, py*(1 - sy)],
         [0 , 0 , 1          ]]
    T = np.array(T)
    P = np.array([x, y, [1]*x.size])
    #np.dot()函数主要有两个功能，向量点积和矩阵乘法
    return np.dot(T, P)
#绘制一行四列的图表
fig, ax = plt.subplots(1, 4)
S_ = [[1, 1], [1.8, 1], [1, 1.7], [2, 2]]
P_ = [[0, 0], [0, 0], [0.45, 0.45], [1.1, 1.1]]
for i in range(4):
    #缩放的量从S_中获取，相对的点从P_获取（每张表不同）
    sx, sy = S_[i]; px, py = P_[i]
    #变换后的点坐标
    x_, y_, _ = trans_scale(x, y, px, py, sx, sy)
    ax[i].scatter(x_, y_)
    ax[i].scatter(px, py)
    ax[i].set_title(r'$p_x={0:.2f}$ , $p_y={1:.2f}$'.format(px, py) + '\n'
                    r'$s_x={0:.2f}$ , $s_y={1:.2f}$'.format(sx, sy))
    
    ax[i].set_xlim([-2, 2])
    ax[i].set_ylim([-2, 2])
    ax[i].grid(alpha=0.5)
    ax[i].axhline(y=0, color='k')
    ax[i].axvline(x=0, color='k')

plt.show()

运行效果如下：

3. 旋转（Rotation）

在2D空间中，对点（x,y）常用的另一种操作为相对于另一点(px,py)进行旋转操作，一般来说逆时针为正，顺时针为负，假设旋转角度为beta, 则上述点（x,y）相对于点（px,py）的旋转角度beta的操作可以归纳为如下公式：

使用齐次矩阵表示如下：

运行代码如下：

#文件名称可以命名为"旋转.py",支持汉字文件运行
import matplotlib
import matplotlib.pyplot as plt
import numpy as np

X, Y = np.mgrid[0:1:5j, 0:1:5j]
x, y = X.ravel(), Y.ravel()

def trans_rotate(x, y, px, py, beta):
    beta = np.deg2rad(beta)
    T = [[np.cos(beta), -np.sin(beta), px*(1 - np.cos(beta)) + py*np.sin(beta)],
         [np.sin(beta),  np.cos(beta), py*(1 - np.cos(beta)) - px*np.sin(beta)],
         [0           ,  0           , 1                                      ]]
    T = np.array(T)
    P = np.array([x, y, [1]*x.size])
    #np.dot()函数主要有两个功能，向量点积和矩阵乘法
    return np.dot(T, P)
#绘制一行四列的图表
fig, ax = plt.subplots(1, 4)

R_ = [0, 225, 40, -10]
P_ = [[0, 0], [0, 0], [0.5, -0.5], [1.1, 1.1]]

for i in range(4):
    #旋转角度从R_中获取，相对的点从P_获取（每张表不同）
    beta = R_[i]; px, py = P_[i]
    #变换后的点坐标
    x_, y_, _ = trans_rotate(x, y, px, py, beta)
    ax[i].scatter(x_, y_)
    ax[i].scatter(px, py)
    ax[i].set_title(r'$\beta={0}°$ , $p_x={1:.2f}$ , $p_y={2:.2f}$'.format(beta, px, py))
    
    ax[i].set_xlim([-2, 2])
    ax[i].set_ylim([-2, 2])
    ax[i].grid(alpha=0.5)
    ax[i].axhline(y=0, color='k')
    ax[i].axvline(x=0, color='k')

plt.show()

运行效果如下：

4. 错切（Shearing）

在2D空间中，对点（x,y）常用的另一种操作为相对于另一点(px,py)进行错切操作，错切一般用于弹性物体的变形处理。不妨假设沿x方向错切参数为lambdax，沿y方向的错切参数为lambday, 则上述点（x,y）相对于点（px,py）的错切操作可以归纳为如下公式：

使用齐次矩阵表示如下：

运行代码如下：

#文件名称可以命名为"错切.py",支持汉字文件运行
import matplotlib
import matplotlib.pyplot as plt
import numpy as np

X, Y = np.mgrid[0:1:5j, 0:1:5j]
x, y = X.ravel(), Y.ravel()

def trans_shear(x, y, px, py, lambdax, lambday):
    T = [[1      , lambdax, -lambdax*px],
         [lambday, 1      , -lambday*py],
         [0      , 0      ,  1         ]]
    T = np.array(T)
    P = np.array([x, y, [1]*x.size])
    #np.dot()函数主要有两个功能，向量点积和矩阵乘法
    return np.dot(T, P)
#绘制一行四列的图表
fig, ax = plt.subplots(1, 4)

L_ = [[0, 0], [2, 0], [0, -2], [-2, -2]]
P_ = [[0, 0], [0, 0], [0, 1.5], [1.1, 1.1]]

for i in range(4):
     #错切参数从L_中获取，相对的点从P_获取（每张表不同）
    lambdax, lambday = L_[i]; px, py = P_[i]
    x_, y_, _ = trans_shear(x, y, px, py, lambdax, lambday)
    ax[i].scatter(x_, y_)
    ax[i].scatter(px, py)
    ax[i].set_title(r'$p_x={0:.2f}$ , $p_y={1:.2f}$'.format(px, py) + '\n'
                    r'$\lambda_x={0:.2f}$ , $\lambda_y={1:.2f}$'.format(lambdax, lambday))

    ax[i].set_xlim([-3, 3])
    ax[i].set_ylim([-3, 3])
    ax[i].grid(alpha=0.5)
    ax[i].axhline(y=0, color='k')
    ax[i].axvline(x=0, color='k')

plt.show()

运行效果如下：