二维四参数空间直角坐标系转换模型变换关系理解
[ X 2 Y 2 ] = [ T x T y ] + ( 1 + m ) [ cos α − sin α sin α cos α ] [ X 1 Y 1 ] (1) \tag{1} \begin{bmatrix} X_2 \\ Y_2 \end{bmatrix} = \begin{bmatrix} T_x \\ T_y \end{bmatrix} + (1+m) \begin{bmatrix} \cos{\alpha} & -\sin{\alpha} \\ \sin{\alpha} & \cos{\alpha} \end{bmatrix} \begin{bmatrix} X_1 \\ Y_1 \end{bmatrix} [X2Y2]=[TxTy]+(1+m)[cosαsinα−sinαcosα][X1Y1](1)
式中：
式中：
式中：
X
1
,
Y
1
：原坐标系下平面直角坐标系，单位为米
(
m
)
；
X_1,Y_1：原坐标系下平面直角坐标系，单位为米(m)；
X1,Y1：原坐标系下平面直角坐标系，单位为米(m)；
X
2
,
Y
2
：
2000
国家大地坐标系下的平面直角坐标系，单位为米
(
m
)
；
X_2,Y_2：2000国家大地坐标系下的平面直角坐标系，单位为米(m)；
X2,Y2：2000国家大地坐标系下的平面直角坐标系，单位为米(m)；
T
x
,
T
y
：平移参数，单位为米
(
m
)
；
T_x,T_y：平移参数，单位为米(m)；
Tx,Ty：平移参数，单位为米(m)；
α
：旋转参数，单位为弧度
(
r
a
d
)
；
\alpha：旋转参数，单位为弧度(rad)；
α：旋转参数，单位为弧度(rad)；
m
：尺度参数，无量纲。
m：尺度参数，无量纲。
m：尺度参数，无量纲。
(
1
)
式变换为：
(1)式变换为：
(1)式变换为：
[
X
2
Y
2
]
=
[
T
x
+
(
1
+
m
)
cos
α
X
1
−
(
1
+
m
)
sin
α
Y
1
T
y
+
(
1
+
m
)
sin
α
X
1
+
(
1
+
m
)
cos
α
Y
1
]
(2)
\tag{2} \begin{bmatrix} X_2 \\ Y_2 \end{bmatrix} = \begin{bmatrix} T_x + (1+m)\cos{\alpha}X_1 - (1+m)\sin{\alpha}Y_1 \\ T_y + (1+m)\sin{\alpha}X_1 + (1+m)\cos{\alpha}Y_1 \end{bmatrix}
[X2Y2]=[Tx+(1+m)cosαX1−(1+m)sinαY1Ty+(1+m)sinαX1+(1+m)cosαY1](2)
令
令
令
a
0
=
(
1
+
m
)
cos
α
，
a_0=(1+m)\cos{\alpha}，
a0=(1+m)cosα，
a
1
=
(
1
+
m
)
sin
α
，
a_1=(1+m)\sin{\alpha}，
a1=(1+m)sinα，
则
(
2
)
式变为：
则(2)式变为：
则(2)式变为：
[
X
2
Y
2
]
=
[
T
x
+
a
0
X
1
−
a
1
Y
1
T
y
+
a
1
X
1
+
a
0
Y
1
]
=
[
1
0
X
1
−
Y
1
0
1
Y
1
X
1
]
[
T
x
T
y
a
0
a
1
]
(3)
\tag{3} \begin{bmatrix} X_2 \\ Y_2 \end{bmatrix} = \begin{bmatrix} T_x + a_0X_1 - a_1Y_1 \\ T_y + a_1X_1 + a_0Y_1 \end{bmatrix} = \begin{bmatrix} 1 & 0 & X_1 & -Y_1 \\ 0 & 1 & Y_1 & X_1 \end{bmatrix} \begin{bmatrix} T_x \\ T_y \\ a_0 \\ a_1 \end{bmatrix}
[X2Y2]=[Tx+a0X1−a1Y1Ty+a1X1+a0Y1]=[1001X1Y1−Y1X1]⎣
⎡TxTya0a1⎦
⎤(3)
∵
a
0
2
+
a
1
2
=
(
1
+
m
)
2
\because a_0^2 + a_1^2 = (1+m)^2
∵a02+a12=(1+m)2
∴
m
=
a
0
2
+
a
1
2
−
1
\therefore m = \sqrt{a_0^2 + a_1^2} - 1
∴m=a02+a12−1
∵
a
1
a
0
=
tan
α
\because \frac{a_1}{a_0} = \tan{\alpha}
∵a0a1=tanα
∴
α
=
arctan
a
1
a
0
\therefore \alpha=\arctan{\frac{a_1}{a_0}}
∴α=arctana0a1
基于最小二乘与多对同名点对计算参数
设存在
n
对同名点对：
(
X
a
,
Y
a
)
1
→
(
X
b
,
X
b
)
1
，
⋯
，
(
X
a
,
Y
a
)
n
→
(
X
b
,
X
b
)
n
.
设存在n对同名点对：(X_a,Y_a)_1 \rarr (X_b,X_b)_1，\cdots，(X_a,Y_a)_n \rarr (X_b,X_b)_n.
设存在n对同名点对：(Xa,Ya)1→(Xb,Xb)1，⋯，(Xa,Ya)n→(Xb,Xb)n.
令
令
令
θ
=
[
T
x
T
y
a
0
a
1
]
\theta =\begin{bmatrix} T_x \\ T_y \\ a_0 \\ a_1 \end{bmatrix}
θ=⎣
⎡TxTya0a1⎦
⎤
v
i
=
(
X
b
,
Y
b
)
i
T
，
v_i=(X_b,Y_b)^T_i，
vi=(Xb,Yb)iT，
P
i
=
[
1
0
X
a
−
Y
a
0
1
Y
a
X
a
]
i
，
P_i= \begin{bmatrix} 1 & 0 & X_a & -Y_a \\ 0 & 1 & Y_a & X_a \end{bmatrix}_i，
Pi=[1001XaYa−YaXa]i，
i
=
1
,
⋯
,
n
i=1,\cdots,n
i=1,⋯,n
根据式
(
3
)
，代入样本值得到方程组如下：
根据式(3)，代入样本值得到方程组如下：
根据式(3)，代入样本值得到方程组如下：
{
P
1
θ
=
v
1
P
2
θ
=
v
2
⋮
P
n
θ
=
v
n
\begin{dcases} P_1\theta = v_1 \\ P_2\theta = v_2 \\ \vdots \\ P_n\theta = v_n \end{dcases}
⎩
⎨
⎧P1θ=v1P2θ=v2⋮Pnθ=vn
则变换为矩阵方程为：
则变换为矩阵方程为：
则变换为矩阵方程为：
v
=
P
θ
v = P\theta
v=Pθ
P
=
[
P
1
P
2
⋮
P
n
]
，
v
=
[
v
1
v
2
⋮
v
n
]
P= \begin{bmatrix} P_1 \\ P_2 \\ \vdots \\ P_n \end{bmatrix}， v= \begin{bmatrix} v_1 \\ v_2 \\ \vdots \\ v_n \end{bmatrix}
P=⎣
⎡P1P2⋮Pn⎦
⎤，v=⎣
⎡v1v2⋮vn⎦
⎤
考虑
v
=
P
θ
无解，需要从
P
的列空间中找出最接近
v
的向量
u
（
u
可以理解为
v
在
P
的列空间中的投影，理解如下图所示：）
考虑v = P\theta无解，需要从P的列空间中找出最接近v的向量u（u可以理解为v在P的列空间中的投影，理解如下图所示：）
考虑v=Pθ无解，需要从P的列空间中找出最接近v的向量u（u可以理解为v在P的列空间中的投影，理解如下图所示：）
如上图所示，
p
是
b
在
[
a
1
a
2
]
列空间中的投影。
如上图所示，p是b在\begin{bmatrix} a_1 & a_2 \end{bmatrix} 列空间中的投影。
如上图所示，p是b在[a1a2]列空间中的投影。
令
e
=
v
−
u
，最小二乘就是找到
∥
e
∥
2
最小的点，最小二乘就是指向量长度的最小平方。
令e=v-u，最小二乘就是找到\parallel e \parallel^2最小的点，最小二乘就是指向量长度的最小平方。
令e=v−u，最小二乘就是找到∥e∥2最小的点，最小二乘就是指向量长度的最小平方。
由上可知，
u
位于
P
的列空间中，即
u
是
P
的各列的线性组合：
由上可知，u位于P的列空间中，即u是P的各列的线性组合：
由上可知，u位于P的列空间中，即u是P的各列的线性组合：
令
P
的列空间为
P
=
[
C
1
C
2
⋯
C
m
]
令P的列空间为 P= \begin{bmatrix} C_1 & C_2 & \cdots & C_m \end{bmatrix}
令P的列空间为P=[C1C2⋯Cm]
故存在
u
=
C
1
θ
1
~
+
C
2
θ
2
~
+
⋯
+
C
m
θ
m
~
故存在 u=C_1\tilde{\theta_1} + C_2\tilde{\theta_2} + \cdots + C_m\tilde{\theta_m}
故存在u=C1θ1~+C2θ2~+⋯+Cmθm~
即
P
θ
~
=
u
有解。
即P\tilde{\theta}=u有解。
即Pθ~=u有解。
e
=
v
−
u
=
v
−
P
θ
~
e=v-u=v-P\tilde{\theta}
e=v−u=v−Pθ~
e
正交于
P
的列空间，存在：
e正交于P的列空间，存在：
e正交于P的列空间，存在：
e
⊥
C
1
,
e
⊥
C
2
,
⋯
,
e
⊥
C
m
e \perp C_1,e \perp C_2,\cdots,e \perp C_m
e⊥C1,e⊥C2,⋯,e⊥Cm
由向量点积关系式可得： 由向量点积关系式可得： 由向量点积关系式可得：
⇒ { C 1 T ( v − P θ ~ ) = 0 C 2 T ( v − P θ ~ ) = 0 ⋮ C m T ( v − P θ ~ ) = 0 \Rarr \begin{dcases} C_1^T(v-P\tilde{\theta})=0 \\ C_2^T(v-P\tilde{\theta})=0 \\ \vdots \\ C_m^T(v-P\tilde{\theta})=0 \end{dcases} ⇒⎩ ⎨ ⎧C1T(v−Pθ~)=0C2T(v−Pθ~)=0⋮CmT(v−Pθ~)=0
⇒ [ C 1 T C 2 T C 3 T ⋮ C m T ] ( v − P θ ~ ) = [ 0 0 0 ⋮ 0 ] \Rarr \begin{bmatrix} C_1^T \\ C_2^T \\ C_3^T \\ \vdots \\ C_m^T \end{bmatrix} (v-P\tilde{\theta})= \begin{bmatrix} 0 \\ 0 \\ 0 \\ \vdots \\ 0 \end{bmatrix} ⇒⎣ ⎡C1TC2TC3T⋮CmT⎦ ⎤(v−Pθ~)=⎣ ⎡000⋮0⎦ ⎤
∵
P
=
[
C
1
C
2
⋯
C
m
]
\because P= \begin{bmatrix} C_1 & C_2 & \cdots & C_m \end{bmatrix}
∵P=[C1C2⋯Cm]
∴
P
T
=
[
C
1
T
C
2
T
⋮
C
m
T
]
\therefore P^T = \begin{bmatrix} C_1^T \\ C_2^T \\ \vdots \\ C_m^T \end{bmatrix}
∴PT=⎣
⎡C1TC2T⋮CmT⎦
⎤
⇒
P
T
(
v
−
P
θ
~
)
=
0
\Rarr P^T(v-P\tilde{\theta})=0
⇒PT(v−Pθ~)=0
⇒
P
T
P
θ
~
=
P
T
v
\Rarr P^TP\tilde{\theta}=P^Tv
⇒PTPθ~=PTv
⇒
θ
~
=
(
P
T
P
)
−
1
P
T
v
\Rarr \tilde{\theta}=(P^TP)^{-1}P^Tv
⇒θ~=(PTP)−1PTv
即 θ ~ = ( P T P ) − 1 P T v 为基于最小二乘计算出来的最接近实际参数的转换值 即\tilde{\theta}=(P^TP)^{-1}P^Tv为基于最小二乘计算出来的最接近实际参数的转换值 即θ~=(PTP)−1PTv为基于最小二乘计算出来的最接近实际参数的转换值
591
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
