(ง •_•)ง
[用抽象代数讨论仿射变换和仿射空间中的座标变换] 是重新整理的,以下是之前的内容。
这里谈论的是计算机图形学中的内容,当然源自数学,但有的地方没有使用纯粹数学上的那种严格定义。
线性变换
抽象定义
域F上的向量空间V,任意的x、y∈V a∈F, 若 映射f: V->V满足
f(x+y)=f(x)+f(y)
f(ax)=af(x)
则映射f是一个线性变换。
矩阵表示
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
则 f( a1x1+a2x2+…+anxn ) = a1f(x1)+a2f(x2)+…+anf(xn)
假设(e1,e2,…,en)是向量空间V的一组基底,
则xi可以唯一地表示成:xi1e1+xi2e2+…+xinen
行向量(xi1,xi2,…,xin)的转置记作(xi1,xi2,…,xin)’
记xi=(xi1,xi2,…,xin)’ ——(列向量形式的)座标,以下不区分向量和它的座标:
则
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。)
则 f( a1x1+a2x2+…+anxn ) = a1f(x1)+a2f(x2)+...+anf(xn)
= ( f(x1),f(x2),...,f(xn) )(a1,a2,…,an)’
则 f(xi)=f( xi1e1+xi2e2+…+xinen )= (f(e1),f(e2),…,f(en))(xi1,xi2,…,xin)’
记(f(e1),f(e2),…,f(en))=M,则
f(xi) = Mxi
其中M=(f(e1),f(e2),…,f(en))
即线性变换由基底的变换唯一确定
仿射变换
域F上的向量空间V 和 非空集合A,对于任意的 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,有且只有一个u∈V,使得 p+u = q
A中的元素就称为点,V中的元素称为向量(自由向量)
由②可以定义“点的减法”:
既然任意的p,q∈A, 存在唯一的u: p+u=q
那么定义q-p=u
仿射变换的抽象定义
映射 f : V∪A → V∪A 满足
①若p∈A, 则f( p)∈A
②若v∈V, 则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 就是仿射变换。
即 f 把向量变换成向量,把点变换成点,对向量的变换是线性变换,
对点和向量的加法也有合适的体现。
可见 仿射变换 包含 线性变换。
仿射变换的矩阵表示
随便从A中找一个点,记做Q,则A中任意的点p,存在唯一的向量v∈V,使得
p = Q + v
若V是有限维度的,给V指定一组基底,从而向量v具有座标,
这时,Q叫做原点,v的座标称为点p的座标;易知原点Q的座标是零。
任意的p∈A, f( p) = f(Q+v) = f(Q) + f(v)
因为 f 是V上的线性变换,所以 f(v) = Mv (M是矩阵)
记 f(Q) 的座标为t
所以 f( p) = t + Mv
因为 p的座标就是v的座标,且用记号p,v既代表点和向量,也代表它们的座标
所以 写成 f( p) = t + Mp
所以仿射变换的形式就是(p,v既代表点和向量,也代表它们的座标)
若 v∈V, 则 f(v) = Mv
若 p∈A, 则 f( p) = Mp + t
其中M = (f(e1),f(e2),…,f(en)), t = f(Q)
即仿射变换由基底和原点的变换唯一确定
总结一下就是只要能写成座标,就能用矩阵表示出来。
补充
仿射座标
引入
仿射变换对点和向量有不同的形式,想把这两种形式统一起来
f(p)=Mp+t=Mp+t⋅1=(Mt)(p1)
f(v)=Mv=Mv+t⋅0=(Mt)(v0)
定义
p,v既代表点和向量,也代表它们的座标;
定义 点的仿射座标为 (p1)
向量的仿射座标为 (v0)
使用仿射座标的矩阵表示
希望有个矩阵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)
现在已经知道
(Mt)(xb)=Mx+t⋅b=f(x)
只需求n+1维行向量 (k_n, k)
(kn,k)(xb)=b
所以 (k_n, k) = (0, 1); 0代表n维零向量,
则A=[M0t1]
这样仿射变换就能统一地表示成 Aa,更高维空间中的线性变换。
其中a=(xb) b=0或1
仿射变换矩阵的逆
假设
[M0t1][Nwds]=[I001]
∵[01][Nwds]=[ws]
∴w=0s=1
∴MN=IMd+st=Md+t=0
∴[M0t1]−1=[M−10−M−1t1]
平移变换
平移变换矩阵
v*=Mv
p*=Mp+t
平移变换的平移向量 为 c,则
M=I(单位矩阵),t = c
所以平移变换矩阵为
[I0c1]
平移变换矩阵的逆
[I0−c1]
平移与复合变换矩阵
①任意的仿射变换 都能看成 一系列变换之后 跟一个以 t 为平移向量的平移变换的复合( t 是该仿射变换的矩阵的前n行的最后一列):
[I0t1][M001]=[M0t1]
②平移变换的复合(平移变换矩阵的相乘)构成交换群。
[I0v1][I0t1]=[I0t+v1]
[I0v1][M0t1]=[M0t+v1]