原文地址:https://www.cnblogs.com/shine-lee/p/10950963.html
写在前面
2D图像常见的坐标变换如下图所示:
这篇文章不包含透视变换(projective/perspective transformation),而将重点放在仿射变换(affine transformation),将介绍仿射变换所包含的各种变换,以及变换矩阵该如何理解记忆。
仿射变换:平移、旋转、放缩、剪切、反射
平移(translation)和旋转(rotation)顾名思义,两者的组合称之为欧式变换(Euclidean transformation)或刚体变换(rigid transformation);
放缩(scaling)可进一步分为uniform scaling和non-uniform scaling,前者每个坐标轴放缩系数相同(各向同性),后者不同;如果放缩系数为负,则会叠加上反射(reflection)——reflection可以看成是特殊的scaling;
刚体变换+uniform scaling 称之为,相似变换(similarity transformation),即平移+旋转+各向同性的放缩;
剪切变换(shear mapping)将所有点沿某一指定方向成比例地平移,语言描述不如上面图示直观。
各种变换间的关系如下面的venn图所示:
通过变换矩阵可以更清晰地看出这些变换间的关系和区别。
变换矩阵形式
没有平移或者平移量为0的所有仿射变换可以用如下变换矩阵描述:
不同变换对应的a,b,c,da,b,c,d 约束不同,排除了平移变换的所有仿射变换为线性变换(linear transformation),其涵盖的变换如上面的venn图所示,其特点是原点位置不变,多次线性变换的结果仍是线性变换。
为了涵盖平移,引入齐次坐标,在原有2维坐标的基础上,增广1个维度,如下所示:
所以,仿射变换的变换矩阵统一用 [adbecf][abcdef] 来描述,不同基础变换的a,b,c,d,e,fa,b,c,d,e,f 约束不同,如下所示:
此外,旋转和平移相乘得到刚体变换的变换矩阵,如下,有3个自由度(θ,tx,tyθ,tx,ty
),这里旋转方向为逆时针方向,因此与上图中的正负号不同,
再乘上uniform scaling得到相似变换,有4个自由度(s,θ,tx,tys,θ,tx,ty ),如下:
自然,仿射变换的变换矩阵有6个自由度(a,b,c,d,e,fa,b,c,d,e,f )。
变换矩阵的理解与记忆
坐标系由坐标原点和基向量决定,坐标原点和基向量确定了,坐标系也就确定了。
对于坐标系中的位置(x,y)(x,y) ,其相对坐标原点在[1,0][1,0] 方向上的投影为xx ,在[0,1][0,1] 方向上的投影为yy ——这里投影的意思是过(x,y)(x,y) 做坐标轴的平行线与坐标轴的交点到原点的距离,即(x,y)(x,y) 实际为:
当坐标系变化,坐标系中的点也跟着变化,但点相对新坐标系(x′−y′x′−y′ 坐标系)的位置不变仍为(x,y)(x,y) ,以旋转变换为例,新坐标轴的基向量则变为[cos(θ),sin(θ)][cos(θ),sin(θ)] 和[−sin(θ),cos(θ)][−sin(θ),cos(θ)] ,所以点变化到新位置为:
新位置和新基向量是相对绝对坐标系(x−yx−y 坐标系)而言的。其他变换矩阵同理。
总结一下:
- 所有变换矩阵只需关注一点:坐标系的变化,即基向量和原点的变化;
- 坐标系变化到哪里,坐标系中的所有点也跟着做同样的变化;
- 坐标系的变换分为 基向量的变化 以及 坐标原点的变化,在仿射变换矩阵 ⎡⎣⎢ad0be0cf1⎤⎦⎥[abcdef001] 中, [ad][ad] 和[be][be] 为新的基向量,[cf][cf] 为新的坐标原点,先变化基向量,再变化坐标原点;
这时再对照上面的各种变换矩阵,就很好理解了。
变换矩阵的参数估计
如果给定两个对应点集,如何估计指定变换矩阵的参数?
一对对应点可以列两个线性方程,多个对应点可以列出线性方程组,为了求解参数,需要的对应点数至少为自由度的一半,多个点时构成超定方程组,可以基于最小二乘或者SVD分解等方法进行求解,这里不再展开。