(ง •_•)ง
[用抽象代數討論仿射變換和仿射空間中的座標變換] 是重新整理的,以下是之前的內容。
這裏談論的是計算機圖形學中的內容,當然源自數學,但有的地方沒有使用純粹數學上的那種嚴格定義。
線性變換
抽象定義
域F上的向量空間V,任意的x、y∈V a∈F, 若 映射f: V->V滿足
f(x+y)=f(x)+f(y)
f(ax)=af(x)
則映射f是一個線性變換。
矩陣表示
When V are finite dimensional, a general linear transformation can be written as a matrix multiplication only after specifying a vector space basis for V. http://mathworld.wolfram.com/LinearTransformation.html
ai∈F, xi∈V, i=1,2,…,n
則 f( a1x1+a2x2+…+anxn ) = a1f(x1)+a2f(x2)+…+anf(xn)
假設(e1,e2,…,en)是向量空間V的一組基底,
則xi可以唯一地表示成:xi1e1+xi2e2+…+xinen
行向量(xi1,xi2,…,xin)的轉置記作(xi1,xi2,…,xin)’
記xi=(xi1,xi2,…,xin)’ ——(列向量形式的)座標,以下不區分向量和它的座標:
則
e1=(1,0,…,0)’
e2=(0,1,…,0)’
…
en=(0,0,…,1)’
(xi1,xi2,…,xin∈域F,1是域F的乘法幺元。)
則 f( a1x1+a2x2+…+anxn ) = a1f(x1)+a2f(x2)+...+anf(xn)
= ( f(x1),f(x2),...,f(xn) )(a1,a2,…,an)’
則 f(xi)=f( xi1e1+xi2e2+…+xinen )= (f(e1),f(e2),…,f(en))(xi1,xi2,…,xin)’
記(f(e1),f(e2),…,f(en))=M,則
f(xi) = Mxi
其中M=(f(e1),f(e2),…,f(en))
即線性變換由基底的變換唯一確定
仿射變換
域F上的向量空間V 和 非空集合A,對於任意的 p∈A v∈V,p+v ∈A,且:
①任意的 a b ∈V: (p+a)+b=p+(a+b)
②任意的q∈A,有且只有一個u∈V,使得 p+u = q
A中的元素就稱爲點,V中的元素稱爲向量(自由向量)
由②可以定義“點的減法”:
既然任意的p,q∈A, 存在唯一的u: p+u=q
那麼定義q-p=u
仿射變換的抽象定義
映射 f : V∪A → V∪A 滿足
①若p∈A, 則f( p)∈A
②若v∈V, 則f(v)∈V
且 任意的x、y∈V a∈域F: f(x+y)=f(x)+f(y), f(ax)=af(x)
③p∈A, v∈V, f(p+v) = f( p) + f(v) 即 q,p∈A, f(q)-f( p)=f(q-p)
f 就是仿射變換。
即 f 把向量變換成向量,把點變換成點,對向量的變換是線性變換,
對點和向量的加法也有合適的體現。
可見 仿射變換 包含 線性變換。
仿射變換的矩陣表示
隨便從A中找一個點,記做Q,則A中任意的點p,存在唯一的向量v∈V,使得
p = Q + v
若V是有限維度的,給V指定一組基底,從而向量v具有座標,
這時,Q叫做原點,v的座標稱爲點p的座標;易知原點Q的座標是零。
任意的p∈A, f( p) = f(Q+v) = f(Q) + f(v)
因爲 f 是V上的線性變換,所以 f(v) = Mv (M是矩陣)
記 f(Q) 的座標爲t
所以 f( p) = t + Mv
因爲 p的座標就是v的座標,且用記號p,v既代表點和向量,也代表它們的座標
所以 寫成 f( p) = t + Mp
所以仿射變換的形式就是(p,v既代表點和向量,也代表它們的座標)
若 v∈V, 則 f(v) = Mv
若 p∈A, 則 f( p) = Mp + t
其中M = (f(e1),f(e2),…,f(en)), t = f(Q)
即仿射變換由基底和原點的變換唯一確定
總結一下就是隻要能寫成座標,就能用矩陣表示出來。
補充
仿射座標
引入
仿射變換對點和向量有不同的形式,想把這兩種形式統一起來
f(p)=Mp+t=Mp+t⋅1=(Mt)(p1)
f(v)=Mv=Mv+t⋅0=(Mt)(v0)
定義
p,v既代表點和向量,也代表它們的座標;
定義 點的仿射座標爲 (p1)
向量的仿射座標爲 (v0)
使用仿射座標的矩陣表示
希望有個矩陣A,
A(p1)=(f(p)1)A(v0)=(f(v)0)
用x代表v或p
用b代表0或1
A(xb)=(f(x)b)
現在已經知道
(Mt)(xb)=Mx+t⋅b=f(x)
只需求n+1維行向量 (k_n, k)
(kn,k)(xb)=b
所以 (k_n, k) = (0, 1); 0代表n維零向量,
則A=[M0t1]
這樣仿射變換就能統一地表示成 Aa,更高維空間中的線性變換。
其中a=(xb) b=0或1
仿射變換矩陣的逆
假設
[M0t1][Nwds]=[I001]
∵[01][Nwds]=[ws]
∴w=0s=1
∴MN=IMd+st=Md+t=0
∴[M0t1]−1=[M−10−M−1t1]
平移變換
平移變換矩陣
v*=Mv
p*=Mp+t
平移變換的平移向量 爲 c,則
M=I(單位矩陣),t = c
所以平移變換矩陣爲
[I0c1]
平移變換矩陣的逆
[I0−c1]
平移與複合變換矩陣
①任意的仿射變換 都能看成 一系列變換之後 跟一個以 t 爲平移向量的平移變換的複合( t 是該仿射變換的矩陣的前n行的最後一列):
[I0t1][M001]=[M0t1]
②平移變換的複合(平移變換矩陣的相乘)構成交換羣。
[I0v1][I0t1]=[I0t+v1]
[I0v1][M0t1]=[M0t+v1]