矩阵乘法在2D图形中应用

一般矩阵乘积

    矩阵相乘最重要的方法是一般矩阵乘积。它只有在第一个矩阵的列数（column）和第二个矩阵的行数（row）相同时才有定义。一般单指矩阵乘积时，指的便是一般矩阵乘积。若A为m X n矩阵，B为n X p矩阵，则他们的乘积AB(有时记做A · B）会是一个m X p矩阵。其乘积矩阵的元素如下面式子得出：

    以上是用矩阵单元的代数系统来说明这类乘法的抽象性质。本节以下各种运算法都是这个公式的不同角度理解，运算结果相等：

2、由定义直接计算

    上边的图表示出要如何计算AB的（1,2）和（3,3）元素，当A是个4×2矩阵和B是个2×3矩阵时。分别来自两个矩阵的元素都依箭头方向而两两配对，把每一对中的两个元素相乘，再把这些乘积加总起来，最后得到的值即为箭头相交位置的值。

3、系数－向量方法

    这种矩阵乘积亦可由稍微不同的观点来思考：把向量和各系数相乘后相加起来。设A和B是两个给定如下的矩阵：

   

    则

    举个例子来说：

    左面矩阵的列为为系数表，右边矩阵为向量表。例如，第一行是[1 0 2]，因此将1乘上第一个向量，0乘上第二个向量，2则乘上第三个向量。

4、向量表方法

    一般矩阵乘积也可以想为是行向量和列向量的内积。若A和B为给定如下的矩阵：

且

    其中

    A1是由所有a1,x元素所组成的向量，A2是由所有a2,x元素所组成的向量，以此类推。

    B1是由所有bx,1元素所组成的向量，B2是由所有bx,2元素所组成的向量，以此类推。

    则

5、性质

    矩阵乘法是不可交换的（即AB ≠ BA），除了一些较特别的情况。很清楚可以知道，不可能预期说在改变向量的部份后还能得到相同的结果，而且第一个矩阵的列数必须要和第二个矩阵的行数相同，也可以看出为什么矩阵相乘的顺序会影响其结果。

    虽然矩阵乘法是不可交换的，但AB和BA的行列式总会是一样的（当A、B是同样大小的方阵时）。其解释在行列式条目内。

    当A、B可以被解释为线性算子，其矩阵乘积AB会对应为两个线性算子的复合函数，其中B先做用。

 

   

6、二维几何图形变换

    二维图形几何变换有平移，缩放，旋转，错切，反射等几种。二维图形由点或直线段组成的，而直线段又由两个端点连接而成的，从而对二维图形的变换都全部转换成点的变换。

1)平移变换:

    平移变换的变换矩阵为Tm,其中Mx是水平方向移动的距离，My是垂直方向的距离，向左负向右正，向下负向上正。

[x y 1] * Tm = [a_1,1[b_1,1 b_1,2b_1,3] + a_1,2[b_2,1 b_2,2 b_2,3]+ [a_1,3[b_3,1 b_3,2 b_3,3]]

             = [x[10 0] + y[0 1 0] + 1[Mx My 1]]

             = [x+Mx y+My 1]

2)缩放变换

 

    平移变换的变换矩阵为Ts，其中Sx是水平方向上缩放的比例，Sy是竖直方向上缩放的比例，大于1是放大，小于1是缩小，不能小于0。

[x y 1] * Ts = [a_1,1[b_1,1 b_1,2b_1,3] + a_1,2[b_2,1 b_2,2 b_2,3]+ [a_1,3[b_3,1 b_3,2 b_3,3]]

             =[x[Sx 0 0] + y[0 Sy 0] + 1[0 0 1]]

             = [x*Sx y*Sy 1]

3)旋转变换

 

    旋转变换的变换矩阵为Tr,其中sinβ,cosβ均为三角函数，β为以原点旋转的角度数。

[x y 1] * Tr = [a_1,1[b_1,1 b_1,2b_1,3] + a_1,2[b_2,1 b_2,2 b_2,3]+ [a_1,3[b_3,1 b_3,2 b_3,3]]

             =[x[cosβ sinβ 0] + y[-sinβ cosβ 0] + 1[0 0 1]]

             = [x*cosβ-y*sinβ x*sinβ+y*cosβ 1]

证明公式：x’=  x*cosβ-y*sinβ, y’= x*sinβ+y*cosβ

 

假设：

    P0(x,y)为原始点，P1(x’,y’)为目标点，r为旋转半径。

则

x’= r * cos(α+β)

   = r * (cosαcosβ-sinαsinβ)

   = r * cosαcosβ– r * sinαsinβ

   = xcosβ – ysinβ

 

y’= r * sin(α+β)

   = r * (sinαcosβ+cosαsinβ)

   = r * sinαcosβ + r * cosasinβ

   = ycosβ + xsinβ

    总之，在GDI+中，我们可以在Matrix对象中存储仿射变换。由于表示仿射变换的矩阵的第三列总是（0，0，1），因此在构造 Matrix对象时，只需指定前两列中的6个数。语句CFOMatrix matrix = new CFOMatrix(0, 1, -1, 0, 3, 4) 构造下面图形中显示的矩阵。

    可以不将复合变换的三部分存储于三个独立的矩阵，而是一起乘以 A、B 和 C 来得到存储整个复合变换的单个的 3×3 矩阵。假定ABC = D，则一个点乘以 D 得出的结果与一个点先后乘以A、B、C 的结果相同。

    [2 1 1]D = [-2 5 1]

    下图显示了矩阵 A、B、C 和 D。

    复合变换的矩阵可通过将几个单独的变换矩阵相乘而得到，这就意味着任何仿射变换的序列均可存储于单个的 Matrix 对象中。    

警告

    复合变换的顺序非常重要。一般说来，先旋转、再缩放、然后平移，与先缩放、再旋转、然后平移是不同的。同样，矩阵相乘的顺序也是重要的。一般说来，ABC与BAC不同。